waar de standaardafwijking groot is, is er veel textuur. Over
het type contrast (textuur, hoekpunt, grens, enz.) verkrij
gen we echter geen informatie. Daarom zijn operatoren
ontwikkeld, die meer specifieke structuren kunnen detecte
ren. Een dergelijke operator die veel wordt toegepast bij
feature-based matching, is de Förstner-operator. Hierbij
worden in een deelbeeldje in het beeld de gradiëntcompo
nenten in de beide hoofdrichtingen bekeken. De sterkte
van de gemiddelde gekwadrateerde gradiëntcomponenten
geeft de mate van contrast aan. Voorts kan de operator on
derscheid maken tussen textuur/hoekpunten versus lijnvor
mige objecten. Landbouwpercelen worden vaak, maar lang
niet altijd, gekenmerkt door homogeniteit in bijvoorbeeld
grijswaarde of textuur. Region growing technieken kunnen
worden toegepast om ze op te sporen. Ze leveren per de
finitie gebieden op met gesloten grenzen. Ze kunnen echter
relevante grenzen missen en ze verschuiven vaak de positie
van de grenzen. Verder zijn ze in het algemeen niet in staat
om details en lineaire structuren te detecteren. De vorm
van de gebieden die worden bepaald, reflecteren eerder de
toegepaste zoekstrategie dan de werkelijke vorm van de
percelen. Binnen de rest van dit artikel laten we region gro
wing buiten beschouwing. Voor het detecteren van grenzen
zijn vooral randdetectoren van belang. Na bespreking van
matching-technieken richten we ons vooral op dit onder
werp.
Matching
Aan vrijwel alle fotogrammetrische processen die thans
geautomatiseerd kunnen worden uitgevoerd, ligt één of
andere vorm van matching ten grondslag. Matching betreft
het herkennen van corresponderende beeldkenmerken in
twee of meer opnamen. In de fotogrammetrie betreft dit
meestal stereobeelden. De meest gebruikte methoden zijn
area- en feature-based technieken. Ze worden voornamelijk
toegepast voor het vervaardigen van digitale hoogtemodel
len en ingezet bij de aerotriangulatie. Bij area-based tech
nieken (fig. 1tracht men corresponderende beelddelen op
te sporen door grijswaarden te vergelijken. Methoden ge
baseerd op kruiscorrelatie en kleinste kwadraten matching
worden het meest toegepast. Het nadeel van area-based
methoden is dat zeer goede benaderde waarden nodig zijn
van de beelddelen die men op correspondentie wil onder
zoeken.
Bij feature-based matching worden overeenkomsten tussen
beeldkenmerken (features) bepaald. Attributen die men
aan de feature toekent, zijn bijvoorbeeld: grijswaarde, grijs-
waarde-variabiliteit en richting van het feature. Bij deze
methode hoeven de benaderde waarden lang niet zo nauw
keurig bekend te zijn als bij de area-based benadering. De
laatste jaren is deze methode veelvuldig in gebruik geno
men binnen de fotogrammetrie. Wel dient a priori infor
matie aanwezig te zijn, zoals benaderde oriënteringspara
meters en kennis over de beeldoverlap. Bij luchtfotogram-
metrie zal deze informatie in het algemeen aanwezig zijn
en daarom volstaan deze methoden bij deze toepassing.
Wanneer men echter sterk convergerende beelden heeft,
waarvan de inwendige en uitwendige oriënteringspara
meters niet bekend zijn, zoals dat vaak
voorkomt bij terrestrische opnamen,
dan volstaan area- en feature-based
technieken niet. Om dit probleem op
te lossen, heeft men matching-metho-
den ontwikkeld, die gebaseerd zijn op
beeldstructuren. Beeldstructuren be
staan uit een verzameling beeldken
merken en hun onderlinge relaties,
met name ligging en topologie.
Fig. 1.
Principe van area-
based matching.
Een gebiedje in bet
ene beeld, waarin
voldoende contrast
aanwezig is
(distinctive point),
wordt geprojecteerd
in het andere beeld
op een benaderde
positie van het
corresponderende
punt, waarna met
kruiscorrelatie of
kleinste kwadraten
het corresponde
rende punt wordt
Het spreekt vanzelf dat hoe meer in
formatie men benut, hoe complexer
de achterliggende algoritmen zullen
zijn. De inzet van deze algoritmen
hangt dan ook deels samen met de nog
steeds snelgroeiende rekenkracht van
computers. Na automatische uitvoe
ring van matching is het noodzakelijk
dat de mens wordt ingeschakeld om
de resultaten te toetsen en eventueel te
verbeteren. Ook heeft men toegevoeg
de processtappen ontwikkeld om tot
een verhoging van de kwaliteit van de
eindresultaten te komen en om het
proces beter te kunnen sturen. De be
langrijkste hiervan is de hiërarchische
beeldbenadering. Hierbij wordt een
beeldpiramide opgebouwd. Dit is een
datastructuur van een reeks beelden,
alle afgeleid van het oorspronkelijk
beeld door herhaalde reductie van de
resolutie. Omliggende pixels worden
hierbij bij elkaar gevoegd tot één gro
ter pixel. Op het "verkleinde" beeld
wordt matching uitgevoerd. Vervol
gens wordt het resultaat geprojecteerd
in het beeld met een hogere resolutie
en wordt opnieuw gematcht. Deze
stappen worden zo vaak uitgevoerd als
er beelden in de piramide zijn. Hoewel
deze methode meer rekentijd vergt, is
het voornaamste voordeel dat minder
nauwkeurige benaderde waarden van
de corresponderende beelddelen be
kend hoeven te zijn.
1999-1
GEODESIA
Match Prediction
Corresponding Point
Distinctive Point
Predicted Point
Target Patch
Search Patch
64