spoord, geclassificeerd en aangemeten. Alleen signifi
cante punten, dit zijn punten die het object voldoende
goed representeren zoals hoekpunten van huizen, wor
den aangemeten, zodat een grote datareductie ontstaat.
Voorts is het mogelijk, wanneer meteen wordt gekaar-
teerd, de grenzen (randen) tussen de objecten met het
meetmerk te volgen. Het opsporen van randen is ook
van belang bij digitale correlatie, hetgeen later in dit arti
kel wordt besproken.
In de stereofotogrammetrie behelst analyse dus interpre
tatie (herkenning), selectie van significante punten en
aanmeting hiervan, d.w.z. het aanwijzen van correspon
derende punten en de vastlegging in een coördinaten
stelsel. Corresponderende (homologe) punten zijn pun
ten in stereobeelden, die een afbeelding vormen van een
en hetzelfde objectpunt. In de stereofotogrammetrie
wordt dit gerealiseerd door in een zichtbaar ruimtelijk
model te werken.
Wil men de beeldanalyse automatiseren, dan zullen voor
de classificatie, de selectie van significante punten en
het bij elkaar zoeken van corresponderende punten
rekenkundige oplossingen dienen te worden gevonden.
In het navolgende worden de classificatie- en de corres-
pondentieproblematiek afzonderlijk behandeld. Het se
lecteren van significante punten komt bij de correspon-
dentieproblematiek aan de orde.
DETECTIE EN CLASSIFICATIE
Het langs volledig geautomatiseerde weg classificeren
van objecten in digitale beelden is een bijzonder com
plexe aangelegenheid. Alleen wanneer de verzameling
van objecten zeer beperkt is, wat in de luchtfotogram-
metrie zeker niet het geval is, kan een goede classificatie
worden bereikt.
Voor het detecteren van objecten in digitale beelden
bestaan drie technieken:
a. Segmentatie.
b. Rand detectie.
c. Region growing.
a. Segmentatie
Hierbij wordt uitsluitend gekeken naar de verdeling van
de grijswaarde; alle grijswaarden die in één interval
liggen, waarvan de keuze door het histogram wordt be
paald, worden toegewezen aan één type object. Deze
detectiemethode is alleen goed te gebruiken wanneer de
objectruimte slechts weinig objecten bevat. Het beste
kan zij worden toegepast wanneer slechts één object is
afgebeeld tegen een duidelijk te onderscheiden achter
grond. Ter illustratie is het histrogram van fig. 1 gete
kend. Het beeld bevat slechts één object (de auteur)
tegen een achtergrond. Het histogram vertoont een dui
delijke tweedeling, de grijswaarden (0-2; achtergrond)
en (4-7; object); het is bimodaal. De objecten op het
aardoppervlak zijn veelsoortig en de segmentatiemetho
de is ongeschikt voor toepassing in de luchtfotogramme-
trie. Voor toepassing in de robotica, waar meestal één
object (de robot) wordt aangeleverd, is de methode,
onder bepaalde condities, wel geschikt. Wanneer met
een grove classificatie kan worden volstaan, is segmen
tatie van multispectrale beelden (clusteren), zoals in de
remote sensing wordt toegepast, echter wel een moge
lijkheid om luchtopnamen te classificeren. Uiteraard die
nen dan meerdere EM-banden te zijn opgenomen. (Het
is overigens een bekend feit, dat kleurenfoto's, dit zijn in
feite multispectrale opnamen in drie banden, ook de
classificatie door de mens verbeteren). De classificatie
van multispectrale beelden is alleen goed uit te voeren,
wanneer in het terrein waarnemingen zijn gedaan over
de spectrale eigenschappen van de te classificeren ob
jecten (ground truth, geleide classificatie). In de lucht-
fotogrammetrie betekent dit dat de terrestrische onder
steuning, naast het aanbrengen van geometrische refe
rentiepunten (paspunten), dient te worden uitgebreid
met radiometrische referentiepunten.
b. Randdetectie
Een rand scheidt twee objecten en is de omgrenzing van
één object. Met differentiërende operatoren, waarvan
een groot aantal zijn ontwikkeld, zoals Prewitt-, Sobel-
en Laplaceoperator [Rosenfeld and Kak, 1982; Davies,
1975], elk met specifieke eigenschappen, kunnen randen
worden gedetecteerd. Op grond van grijswaarde, tex
tuur, vorm, afmetingen en/of relaties met de andere
objecten (topologie) kan het gebied dat door de rand
wordt ingesloten, worden geclassificeerd. In samenwer
kingsverband tussen de sectie patroonherkenning van
de Faculteit Technische Natuurkunde van de TU Delft,
KLM-Aerocarto BV en het Laboratorium voor Fotogram-
metrie en Remote Sensing wordt thans een onderzoek
uitgevoerd naar geautomatiseerde detectie en classifica
tie van een beperkte set van objecten, met name Iijn-
elementen zoals wegen, spoorwegen en sloten, in gedi
gitaliseerde kleuren luchtopnamen. Randdetectie is
overigens niet alleen van belang voor de classificatie,
maar ook voor het vinden van corresponderende pun
ten.
c. Region growing
Bij region growing wordt gestart op pixelniveau. De
grijswaarden van de nabuurpixels worden vergeleken
met het startgebied en volgens statistische criteria wordt
beslist of elk nabuurpixel er al dan niet mee kan worden
verenigd. Vindt vereniging plaats, dan worden van het
gegroeide gebied de statistische eigenschappen bepaald
en de nieuwe nabuurpixels worden ermee vergeleken.
De groei gaat net zolang door tot geen nabuurpixel meer
wordt gevonden, dat met het gebied kan worden ver
enigd. Vervolgens wordt in een nog niet afgezocht ge
bied van het beeld een nieuwe startpixel gekozen en de
cyclus herhaalt zich. Hoewel region growing voor veel
toepassingen de beste object detector is, is dit echter
nog de vraag voor digitale luchtopnamen, wegens de
vele voorkomende objectsoorten hierin en de grote
rekentijd die deze operator vergt.
CORRESPONDENTIE PROBLEMATIEK
In de stereofotogrammetrie worden corresponderende
punten gevonden door ze aan te wijzen met meetmerken
in een ruimtelijk model. Bij digitale beelden kan men een
zelfde procedure volgen, wat ook daadwerkelijk wordt
gedaan met behulp van de anaglyfenmethode [Kunji
1984], maar het grote voordeel van digitale beelden,
geautomatiseerde verwerking en, voor bepaalde toe
passingen, het real-time ter beschikking komen van de
resultaten, gaat daarmee in feite verloren*).
In digitale beelden is het niet mogelijk om uitsluitend op
grond van grijswaarden corresponderende pixels te vin
den, daar er tal van pixels zijn met dezelfde grijswaarde.
Bovendien kunnen door inwendige radiometrische ver
storingen en door belichtingsinvloeden (bijvoorbeeld
schaduw en reflectie) de grijswaarden van corresponde
rende pixels van elkaar verschillen. Om corresponderen
de pixels rekenkundig op te sporen, moeten statistische
286
NGT GEODESIA 86
