Sie befinden Sich nicht im Netzwerk der Universität Paderborn. Der Zugriff auf elektronische Ressourcen ist gegebenenfalls nur via VPN oder Shibboleth (DFN-AAI) möglich. mehr Informationen...
Airborne topographic data collection requires removal of errors that arise due to surface features that obstruct the ground from the sensor. Typically, this has been based on manual correction and/or automated filtering. To some degree, the latter has provided a method for identifying and removing unwanted surface obstructions in large topographic data‐sets. However, the algorithms used are unintelligent in that they cannot reliably differentiate between the various types of obstructions and the ground. If coincident optical support imagery is available, the use of intelligent correction routines becomes possible. This paper describes an automated approach for removing obstruction errors using optical support imagery and simple image processing routines. Orthorectification and classification of support imagery enable obstruction errors to be identified in the digital surface model (DSM) and corrected intelligently to produce a digital terrain model (DTM). The results show that support imagery can be used with basic image processing routines to remove obstructions intelligently and automatically from large topographic data‐sets. Since the approach can differentiate between types of obstructions, the removal of each type of error can be customised, making this a very flexible approach to topographic data correction.
Résumé
a saisie aéroportée des données topographiques doit être suivie de l’élimination des erreurs dues au masquage du terrain par des objets du sur‐sol. Cela s'obtient soit par des corrections manuelles soit par un filtrage automatique ou par les deux. Le filtrage automatique a permis, jusqu’à un certain degré, d'identifier et d’éliminer ces obstructions de surface indésirables pour la construction des grands jeux de données topographiques. Toutefois les algorithmes utilisés n'ont aucune intelligence en ce sens qu'ils ne permettent pas d'identifier valablement les différents types d'obstruction et de les différencier du sol. Si l'on dispose aussi d'une imagerie sur support optique, il devient alors possible d'utiliser des programmes intelligents de correction. On présente dans cet article une solution automatique d’élimination des erreurs de masquage basée sur l'emploi d'images sur support optique et de logiciels simples de traitement d'images. Le redressement différentiel et la classification d'images permettent d'identifier les erreurs de masquage dans le modèle numérique de surface (MNS) et de les éliminer intelligemment pour aboutir au modèle numérique de terrain (MNT). Les résultats ont montré que l'on pouvait effectivement utiliser cette imagerie avec des logiciels de traitement d'images basiques pour éliminer automatiquement et intelligemment ces obstructions dans les grandes bases de données topographiques. Etant donné que cette solution permet de différencier les divers types d'obstructions, on peut personnaliser à la demande l’élimination de chaque type d'erreur et obtenir ainsi un moyen très souple de correction des données topographiques.
Zusammenfassung
Die Erfassung der Topographie mittels digitaler Oberflächenmodelle erfordert die Eliminierung von Fehlern, die durch Oberflächenmerkmale hervorgerufen werden, die die Geländeoberfläche verdecken. Typischerweise wird dies durch manuelle Editierung und/oder automatische Filterverfahren erreicht. Bis zu einem gewissen Grad sind letztere geeignet, in großen topographischen Datensätzen unerwünschte 3D‐Strukturen zu identifizieren und zu beseitigen. Dennoch sind die Algorithmen nicht in der Lage, zuverlässig zwischen verschiedenen Arten von Verdeckungen und der Geländeoberfläche zu unterscheiden. Sind jedoch korrespondierende optische Bilddaten verfügbar, können geeignetere Korrekturverfahren eingesetzt werden. In diesem Beitrag wird ein automatisierter Ansatz zur Beseitigung von 3D‐Strukturen in digitalen Oberflächenmodellen beschrieben, in dem zusätzlich einfache Bildverarbeitungsroutinen auf korrespondierende optische Bilddaten angewandt werden. Eine Orthobildentzerrung und Klassifizierung der Bilddaten erlaubt die Erkennung und Eliminierung der Strukturfehler im digitalen Oberflächenmodell (DSM) und die Ableitung eines digitalen Geländemodells (DTM). Die Ergebnisse bestätigen, dass dieser Ansatz zur automatischen Beseitigung von 3D‐Strukturfehlern in großen topographischen Datensätzen geeignet ist. Da hier zwischen Typen von Strukturfehlern unterschieden werden kann, ist es möglich, die Bereinigung individuell anzupassen, was eine sehr flexible Korrektur topographischer Daten erlaubt.
Resumen
La captura aérea de información topográfica requiere eliminar los errores que surgen a causa de los elementos de la superficie que apantallan el terreno respecto del sensor. Comúnmente se ha procedido mediante corrección manual y/o filtrado automático. En cierto modo, este último método ha permitido identificar y eliminar los errores indeseados producidos por obstrucciones en la superficie contenidos en conjuntos de datos topográficos muy grandes. Sin embargo, los algoritmos usados no son inteligentes, ya que no pueden distinguir con fiabilidad entre los diferentes tipos de obstáculos y el terreno. Si se dispone de imágenes ópticas de apoyo, es posible utilizar rutinas de corrección inteligente. Este artículo describe un procedimiento automatizado para eliminar los errores por obstáculos usando imágenes ópticas de apoyo y simples rutinas de procesamiento de imágenes. La ortorectificación y la clasificación de imágenes de apoyo permiten identificar los errores producidos por obstáculos en el modelo digital de la superficie y corregirlos inteligentemente para calcular un modelo digital del terreno. Los resultados indican que las imágenes de apoyo pueden usarse conjuntamente con rutinas básicas de proceso de imágenes para eliminar las obstrucciones de forma automática e inteligente. Dado que el procedimiento sabe diferenciar entre tipos de obstrucción, puede personalizarse la eliminación de cada tipo de error, lo que hace que este método sea muy flexible para la corrección de datos topográficos.