مثلث بندی هوایی براساس تصاویررقومی،gps/imu و پارامترهای بهینه شده سلف کالیبراسیون توسط الگوریتم ژنتیک

در فرایند تهیه نقشه به روش فتوگرامتری استفاده از داده‌هایgps/imu  در مثلث ‌بندی موجب افزایش استحکام بلوک فتوگرامتری و کاهش تعداد نقاط کنترل زمینی مورد نیاز برای سرشکنی بلوک گردیده است. خطاهای سیستماتیک داده ‌های مورد استفاده در مثلث بندی، دقت مثلث ‌بندی را کاهش داده، استفاده از نقاط کنترل زمینی را حتی با وجود داده ‌های gps/imu  ضروری می ‌سازد. بنابراین با کاهش میزان خطای سیستماتیک بر روی داده ‌ها می‌ توان شاهد افزایش دقت مثلث ‌بندی و کاهش تعداد نقاط کنترل زمینی مورد نیاز برای سرشکنی بلوک و همچنین نوارهای پرواز متقاطع بود. در این پژوهش نقش پارامترهای سلف کالیبراسیون مانند پارامترهای حذف خطای سیستماتیک داده ‌های  gps/imuبرای هر نوار و پارامترهای حذف خطای سیستماتیک سنجنده تصویر برداری به منظور افزایش دقت مثلث ‌بندی و کاهش تعداد نقاط کنترل زمینی و کاهش نوارهای پرواز متقاطع مورد نیاز برای سرشکنی بلوک مورد بررسی قرار گرفته است.  بدین منظور ابتدا پارامترهای بهینه سلف کالیبراسیون با استفاده از الگوریتم ژنتیک تعیین می ‌گردد، سپس پارامترهای بهینه تعیین شده، در سرشکنی بلوک به روش باندل مورد استفاده قرار می ‌گیرد.  به منظور حل مشکل ناپایداری معادلات از روش تخمین مولفه واریانس استفاده شده است.  این روش قادر است علاوه بر پایدارسازی مسئله، ماتریس وزن بهینه را در هنگام سرشکنی تعیین نماید. در این پژوهش از تصاویر دوربین رقومی ultracamاستفاده شده است.  نتایج بدست آمده نشان می ‌دهد که در صورت استفاده از پارامترهای سلف کالیبراسیون و کاهش میزان خطای داده ‌های مورد استفاده در فرآیند سرشکنی، تعداد نقاط کنترل و تعداد نوارهای پرواز متقاطع برای سرشکنی بلوک کاهش می ‌یابد به گونه ‌ای که بدون استفاده از نقاط کنترل و با استفاده از پارامترهای بهینه سلف کالیبراسیون، بیشترین میزان خطای rmse  بر روی نقاط چک زمینی، 0.143 متر می ‌باشد در حالی ‌که اگر از این پارامترها استفاده نشود در صورت وجود یا عدم وجود نوارهای پرواز متقاطع ماکزیمم خطای rmse، در حدود یک متر می ‌باشد.

Aerial triangulati on basedon digital images, GPS/IMU data and optimal self calibration parameters using genetic algorithm

Extended AbstractIntroduction Applying GPS/IMU data in aerial triangulation has increased the strength of photogrammetric block and reduced the number of ground control pointsneededfor block adjustment. Systematic errors in data used fortriangulation reduce the accuracy of the process and make ground control pointsnecessarydespitetheexistenceof GPS/IMU data. Therefore, reducing systematic errorsin data naturally increases the accuracy of triangulation and reduces the number of ground control points required forblock adjustment andthe number of crossstrips used to eliminate systematic errorsin GPS data. MaterialsDigital images captured by the National Cartographic Centerof Iran from an area in Fars province usingUltraCamXpcamera in2010 were used in the present study to investigate the roleof selfcalibration parameters in the reduction of ground control points and cross strips requiredfor block adjustmentin aerial triangulation. The intended block consists of 58 images and four strips; two of which are cross strips. Control points in this block include eight horizontal control points, eight vertical control points and eight full control points. Each image has a dimension of 11310 by 17310 pixels, a pixel dimensionof 6 microns, afocal length of 10500 microns, an end lap of 70%, and a side lap of 30%.  Theregion has an average elevation of 760 m. Given the focal length, flight height and pixel dimensions, ground resolution is around 12 centimeters. Each image covers anarea of 2077.2 mlength and 1357.2 mwidth on the ground. MethodologyThe present study investigates theroleof selfcalibration parameters, such as elimination of systematic error in GPS/IMU data and image sensor,in increased accuracy oftriangulation, and reduced number of ground control points and cross strips required for block adjustment. To reach this aim, optimal selfcalibration parameters are determined using a genetic algorithm and the identified parameters are used in the bundle block adjustment. Variance components estimation method was used to solve the problem of equationsinstability. This method not only stabilizes the equation, but also determines the optimal weight matrix during the adjustment process. Results and DiscussionSince images at a scale of 1:2000 were used in the present study, maximum RMSE equals 60 cm and maximum residual errorsequal 1.2 m. Using additional parameters to eliminate systematic errors results in an acceptable maximum error at the control points, but absence of additional parameters results in an unacceptable maximum error at the horizontal and vertical control points even in the presence of crossstrips.  In addition to the evaluation of horizontal and vertical errors at the ground control points, horizontal and vertical RMSE of the checkpointsare also used to evaluate the geometric accuracy of aerial triangulation. Again, applying additional parameters keeps the RMSE at a much lower level than the accepted limit, while absence of additional parameters results in a horizontal and verticalRMSE higher than the accepted limit even in the presence of cross strips. It should be noted that using cross strips reduces RMSE at the vertical component. ConclusionResults indicated that using selfcalibration parameters and reducing errorsin data used for the adjustment process decreases the number of control points and cross strips required for block adjustment.Using optimal selfcalibration parameters(even in the absence of control points) resultsin a maximum RMSE of 0.143 m at the checkpoints, while absence of these parameters results in a maximum RMSE error of around one meter with or without cross strips. Genetic algorithm is capable of determining optimal selfcalibration parameters. It is also capable of optimizing nonlinear functions. Therefore, it is not necessary to linearize the equations before determination of selfcalibration parameters, which reduces the amount of necessary calculations. Variance components estimation can also be used along with the bundle block adjustment method to stabilize the equations and determine the optimal weight matrix. As a result, it is suggested to take advantage of these three methods, i.e. block adjustment, stabilization and optimal weight matrixdetermination, simultaneously.