Fig. 4. Toepassing van een grensdetectieproce-
dure op een luchtopname. Door allerlei
verstorende invloeden is het resultaat
gefragmenteerd. Om tot een verbetering
van het resultaat te komen, moet infor
matie over de aard en het type van de
grenzen in het detectieproces worden in
gevoerd. Dit maakt het detectieproces
vete malen gecompliceerder.
Gegevensfusie
Om de informatie te verkrijgen die men nodig heeft voor
een bepaalde toepassing, zal het vaak nuttig zijn om
beeldgegevens uit verschillende bronnen te combineren.
Zo'n gegevensfusie stelt ons onmiddellijk voor een aantal
technische problemen:
Co-registratie
De beelden zijn vaak gerelateerd aan verschillende refe
rentiestelsels. Voordat ze kunnen worden gecombineerd,
is het noodzakelijk hen in een zelfde stelsel te brengen.
De transformatie van een digitaal beeld noodzaakt tot een
„resampling", wat altijd, welke methode men ook kiest,
gepaard gaat met geometrisch en radiometrisch informa
tieverlies. Bovendien is het vinden van corresponderende
paspunten in beelden van verschillende resolutie vaak
lastig. Ook het co-registreren van opnamen gemaakt door
de CAESAR-scanner die zowel voorwaarts, neerwaarts
als achterwaarts opneemt, is bij ontbreken van goed
identificeerbare terreinpunten een moeizame aangele
genheid.
Reliëfverstoring
Voor heuvelachtig en bergachtig terrein is het noodzake
lijk dat de beelden voor reliëfverstoringen worden gecorri
geerd alvorens ze kunnen worden gefuseerd. Daarvoor
zijn ofwel stereo-opnamen ofwel digitale hoogtemodellen
(DHM's) nodig. Goede DHM's zijn lang niet altijd voor
radig. Hetzelfde geldt voor stereo-opnamen van satelliet
opnamen.
Temporele verschillen
De beelden zullen vaak op verschillende tijdstippen en
jaargetijden zijn opgenomen. Zelfs voor een zelfde sen
sor kan dat tot problemen leiden, zoals bij de SPOT-
satelliet die voorzien is van de mogelijkheid om stereo
opnamen te maken. Het uitwerken van stereo-opnamen
uit verschillende seizoenen is vaak een moeizame aan
gelegenheid.
Wijziging van de procesgang
Nieuw instrumentarium noodzaakt tot het invoeren van
nieuwe procedures. Eén van de aspecten is de keuze van
de resolutie bij de conversie van een foto naar pixel
formaat. Een hoge resolutie (bijvoorbeeld pixelgrootte
10 p) zal leiden tot een hoge geometrische nauwkeurig
heid, ten koste van een enorme aanslag op de geheugen
ruimte van de computer (bij een pixelgrootte van 10 p
neemt een stereopaar ruim 1 giga (109) byte geheugen
ruimte in beslag; een kleurenbeeld zelfs driemaal zoveel,
daar elke kleur als een apart beeld wordt opgeslagen). De
firma Matra, producent van fotogrammetrische appara
tuur, adviseert in haar produktinformatie om de pixel
grootte (Ap) evenredig te kiezen met het quotiënt van de
fotoschaal (At) en kaartschaal (Ak): Ap a Af Ak, met a
200 p. Voor een fotoschaal van 1/4000 en een kaartschaal
1/1000 levert dit een pixelgrootte van 50 p. Maar expe
rimenten zullen moeten uitwijzen of de waarde voor a
geldig is voor de Nederlandse praktijk. Daarnaast is nog
maar weinig bekend over de geometrische en radio-
metrische kwaliteit van de vele typen commercieel ver
krijgbare scanners.
Automatisering
Hoewel in het vakgebied van de „computer vision" regel
matig systemen worden ontwikkeld, die in staat zijn volle
dig autonoom een beeld te interpreteren, moeten we erg
voorzichtig zijn om deze lijn door te trekken naar het type
scenes waar we in de fotogrammetrie veelal mee te
maken hebben. Immers computer vision-systemen ope
reren in zeer geconditioneerde scenes zoals industriële
omgevingen, met een beperkt aantal goed gedefinieerde
objecten die worden opgenomen onder optimale belich
tingscondities.
De realisering van een automatisch fotogrammetrisch
systeem is vele malen moeilijker. Dit is vooral het gevolg
van de complexiteit van de scenes met vele typen, groot
ten en vormen van objecten en wisselende belichtings
omstandigheden. Voorts doet zich het probleem voor dat
de te extraheren objecten alsmede hun definitie afhangt
van het toepassingsdomein. Dit leidt ertoe dat men van
elk type object en voor elke schaal van dat object een toe-
passingsafhankelijk model moet vervaardigen in een zo
danige vorm, dat de computer ermee kan werken.
Voorts is een vertaalslag nodig om van de dimensie van
pixels te komen tot structuren zoals perceelsgrenzen, die
gerelateerd zijn aan relevante objecten. Dit transformatie
proces, dat we segmentatie noemen, levert nog veel
fundamentele problemen op, daar de gebruikelijke com
puter vision-methodieken gebaseerd zijn op het opsporen
van scherpe contrastovergangen in het beeld. Door de
aanwezigheid van onder meer schaduw, afscherming van
objecten door hoge objecten, zwakke grenzen en textuur-
grenzen zijn de structuren gefragmenteerd. Voorts wor
den niet gewenste structuren gedetecteerd, of worden ze
fout gelokaliseerd (fig. 4). Men zal informatie over het toe
passingsgebied, alsmede relevante aanverwante infor
matie moeten gebruiken om het segmentatieresultaat te
verbeteren. In het jargon spreekt men dan van kennis-
gestuurde beeldinterpretatie.
NGT GEODESIA 93 - 7
327