ارایه الگوریتمی جدید به منظور بهبود رادیومتریکی تصاویرفتوگرامتری پهپاد مبنا از نقطه نظر رنگ ، نور وکنتراست

کیفیت رادیومتریک تصاویر یک عامل حیاتی است که به طور قابل توجهی بر تطبیق و ایجاد مدل های سه بعدی تاثیر می گذارد. عواملی مانند نوع دوربین مورد استفاده، پارامترهای تنظیم دوربین، زمان عکسبرداری و شرایط جوی تاثیر قابل توجهی بر کیفیت رادیومتریک تصاویر دارند. علاوه بر این، گرفتن تصاویر در آخرین ساعات روز می تواند منجر به کاهش نور و روشنایی تصویر شود، در نتیجه بر رنگ و کنتراست تاثیر می گذارد. هدف از این مطالعه شناسایی تصاویر نامناسب به منظور افزایش کیفیت رادیومتری یک مجموعه داده پهپاد از نظر رنگ، کنتراست و روشنایی است. در این راستا از یک روش پیش پردازش با استفاده از معیارهای بدون رفرنس برای شناسایی کیفیت استفاده شده است. تقسیم بندی تصاویر به دسته های با کیفیت مناسب یا نامناسب با استفاده از یک حد آستانه بر اساس یک سیستم فازی به دست می آید.  بهبود تصاویر با استفاده از شبکه عصبی پیچشی انجام شده است. تجزیه و تحلیل تصاویر نمونه نشان می دهد که کیفیت تصاویر 86٪ از نظر رنگ، 56٪ در روشنایی و 53٪ در مقایسه با حالت اصلی افزایش یافته است. ارزیابی انجام شده پس از فرآیند بهبود تصویر نشان می دهد که کیفیت ارتوفوتوی تولید شده نسبت به حالت پردازش داده خام افزایش یافته است، خطاهای مربوط به مدل سازی سه بعدی کاهش یافته و تراکم ابرنقاط افزایش یافته است. 

presenting a new algorithm in order to improve the radiometric of uav photogrammetry images based on color, light and contrast

the radiometric quality of images is a critical factor that significantly affects the fitting and creation of 3d models. factors such as the type of camera used, camera setting parameters, shooting time and weather conditions have a significant effect on the radiometric quality of the images. in addition, taking pictures in the last hours of the day can lead to reduced light and image brightness, thus affecting color and contrast. the aim of this study is to identify inappropriate images in order to increase the radiometric quality of a uav data set in terms of color, contrast and brightness. in this regard, a pre-processing method using non-reference method has been used to identify quality. the division of images into good or bad quality categories is achieved using a threshold based on a fuzzy system. image enhancement has been done using convolutional neural network. the analysis of the sample images shows that the quality of the images has increased by 86% in terms of color, 56% in brightness and 53% compared to the original mode. the evaluation performed after the image improvement process shows that the quality of the generated orthophoto has increased compared to the raw data processing mode, the errors related to 3d modeling have decreased, and the density of pointclould has increased