Линейная фильтрация шума в облаке точек, полученном фотограмметрическими методами

В геодезических изысканиях при использовании современных методов сбора геопространственных данных важным этапом является обеспечение достаточной точности, а также уменьшение возможных ошибок в получаемых данных. В задачах фотограмметрической обработки при создании облаков точек отмечается высокая степень подверженности получаемых данных «шуму» – появлению паразитных точек, чье положение в пространстве не соответствует реальной геометрии исследуемого объекта. Это происходит из-за технических особенностей применяемого оборудования, алгоритмов обработки и сжатия изображений, алгоритмов фотограмметрической обработки изображений, а также из-за особенностей снимаемой сцены. Данная проблема особенно актуальна при применении фотограмметрических методов для получения данных по результатам фотосъемки объектов с монотонным цветом поверхности без ярко выраженной текстуры, в том числе в зимнее время года при высокой степени заснеженности, когда затруднен поиск связующих точек и сопоставление изображений. Автором рассмотрена возможность применения фильтров на основе статистических параметров распределения шума в облаке точек для уменьшения шума полученных данных на примере фотограмметрической съемки образцов с различной степенью непрозрачности текстуры. Установлено, что статистическое распределение шума в указанных условиях съемки для проанализированных выборок в общем случае не соответствует единому виду статистического распределения с предсказуемыми параметрами. Показано применение фильтра Калмана к полученным данным, определены его качественные характеристики, а также сделана количественная оценка эффекта его применения.

П.Ю. ВОРОБЬЕВ, преподаватель (Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.)

Национальный исследовательский Московский государственный строительный университет (129337, г. Москва, Ярославское ш., 26)

1. Rinke N., Gösseln I., Kochkine V., Schweitzer V., Berkhahn V., Berner F., Kutterer H., Neumann I., Schwieger V. Simulating quality assurance and efficiency analysis between construction management and engineering geodesy. Automation in Construction. 2017. Vol. 76, pp. 24–35. DOI: https://doi.org/10.1016/j.autcon.2017.01.009
2. Halder S., Afsari K., Chiou E., Patrick R., Hamed K.A. Construction inspection & monitoring with quadruped robots in future human-robot teaming: A preliminary study. Journal of Building Engineering. 2023. Vol. 65. DOI: https://doi.org/10.1016/j.jobe.2022.105814
3. Jeelani I., Gheisari M. Safety challenges of UAV integration in construction: Conceptual analysis and future research roadmap. Safety Science. 2021. Vol. 144. DOI: https://doi.org/10.1016/j.ssci.2021.105473
4. Kiriiak N. Development and implementation of technical decision for digital support of construction using photogrammetry methods. Nuclear Engineering and Design. 2021. Vol. 381. DOI: https://doi.org/10.1016/j.nucengdes.2021.111366
5. Huang R., Xu Y., Hoegner L., Stilla U. Semantics-aided 3D change detection on construction sites using UAV-based photogrammetric point clouds. Automation in Construction. 2022. Vol. 134. DOI: https://doi.org/10.1016/j.autcon.2021.104057
6. Han Y., Feng D., Wu W., Yu X., Wu G., Liu J.. Geometric shape measurement and its application in bridge construction based on UAV and terrestrial laser scanner. Automation in Construction. 2023. Vol. 151. DOI: https://doi.org/10.1016/j.autcon.2023.104880
7. Ye N., Zhu H., Wei M.,Zhang L. Accurate and dense point cloud generation for industrial Measurement via target-free photogrammetry. Optics and Lasers in Engineering. 2021. Vol. 140. DOI: https://doi.org/10.1016/j.optlaseng.2020.106521
8. Daponte P., Luca De Vito, Mazzilli G., Picariello F., Rapuano S. A height measurement uncertainty model for archaeological surveys by aerial photogrammetry. Measurement. 2017. Vol. 98, pp. 192–198. DOI: https://doi.org/10.1016/j.measurement.2016.11.033
9. Mukhlisin M., Hany Windri Astuti, Kusumawardani R., Eni Dwi Wardihani, Bambang Supriyo. Rapid and low cost ground displacement mapping using UAV photogrammetry. Physics and Chemistry of the Earth, Parts A/B/C. 2023. Vol. 130. DOI: https://doi.org/10.1016/j.pce.2023.103367
10. Remzi Eker. Comparative use of PPK-integrated close-range terrestrial photogrammetry and a handheld mobile laser scanner in the measurement of forest road surface deformation. Measurement. 2023. Vol. 206. DOI: https://doi.org/10.1016/j.measurement.2022.112322
11. Jinxi Wang, Jincen Jiang, Xuequan Lu, Meili Wang. Rethinking point cloud filtering: a non-local position based approach. Computer-Aided Design. 2022. Vol. 144. DOI: https://doi.org/10.1016/j.cad.2021.103162
12. Nannan Qin, Weikai Tan, Lingfei Ma, Dedong Zhang, Haiyan Guan, Jonathan Li. Deep learning for filtering the ground from ALS point clouds: A dataset, evaluations and issues. ISPRS Journal of Photogrammetry and Remote Sensing. 2023. Vol. 202, pp. 246–261. DOI: https://doi.org/10.1016/j.isprsjprs.2023.06.005
13. Chuanfa Chen, Jiaojiao Guo, Yanyan Li, Lianzhong Xu. Segmentation-based hierarchical interpolation filter using both geometric and radiometric features for LiDAR point clouds over complex scenarios. Measurement. 2023. Vol. 211. DOI: https://doi.org/10.1016/j.measurement.2023.112668
14. Dening Lu, Xuequan Lu, Yangxing Sun, Jun Wang. Deep feature-preserving normal estimation for point cloud filtering. Computer-Aided Design. 2020. Vol. 125. DOI: https://doi.org/10.1016/j.cad.2020.102860
15. Zhou Wu, Yan Zeng, DongSheng Li, Jiepeng Liu, Liang Feng. High-volume point cloud data simplification based on decomposed graph filtering. Automation in Construction. 2021. Vol. 129. DOI: https://doi.org/10.1016/j.autcon.2021.103815