Fotogrammetrian erikoistyö

Kaupunkialueiden digitaalisten ilmakuvien käyttömahdollisuuksista

Teuvo Heimonen
Toukokuu 1997

SISÄLLYSLUETTELO

1 JOHDANTO
1.1 Digitaalinen fotogrammetrinen järjestelmä
1.2 Digitaalisten ilmakuvien käyttömahdollisuudet
1.3 Kaupunkiympäristön rajoitukset ja mahdollisuudet
2 OIKAISEMATTOMIEN ILMAKUVIEN KÄYTTÖ
2.1 Oikaisemattoman ilmakuvan ominaisuuksista
2.1.1 Geometrinen erotuskyky
2.1.2 Geometriset vääristymät
2.2 Käyttömahdollisuuksista
2.3 Sovelluksia
3 OIKAISTUJEN KUVIEN KÄYTTÖ
3.1 Stereokuvauksen normaalitapauksen mukaiset kuvat
3.1.1 Käyttömahdollisuuksista
3.2 Ortokuvat
3.2.1 Käyttömahdollisuuksista
3.2.2 Sovelluksia
4 RASTERIANALYYSIEN TUOMAT MAHDOLLISUUDET
4.1 Käyttömahdollisuuksista
4.2 Sovelluksia
4.2.1 Digitaalisen maastomallin generointi
4.2.2 Ortokuvatuotanto
5 STEREOTARKASTELUN TUOMAT MAHDOLLISUUDET
5.1 Käyttömahdollisuuksista
6 YHTEENVETO

7 LÄHDELUTTELO

Liite 1: Esimerkkejä kaupungin liikennesuoritteiden määrittämiseksi hankitun ilmakuva-aineiston käyttömahdollisuuksista.
 
 

1 JOHDANTO

Digitaalitekniikan tarjoamat mahdollisuudet ovat innoittaneet fotogrammetrian alalla työskenteleviä 1980-luvun alusta. Tehokkaammat tietokoneet ja kuvankäsittelyjärjestelmät ovat 90-luvulla mahdollistaneet digitaalisen fotogrammetrian hyödyntämisen alan tutkimuksen lisäksi myös varsinaisessa tuotantotyössä. Analogiset ja analyyttiset fotogrammetriset työasemat ovat väistymässä digitaalisten stereotyöasemien ja tavallisiin tietokoneisiin perustuvien kuvamittausjärjestelmien yleistyessä.

Fotogrammetrian digitalisoituminen on siirtämässä alaa uuteen aikakauteen. Kuvilta saatavan informaation kerää ja havainnoi nykyisin yhä useammin loppukäyttäjä, jolla ei tarvitse olla fotogrammetrian alan tuntemusta. Fotogrammetrian osaajan tehtävänä on tuottaa ja muuntaa käyttäjän tarvitsema kuva-aineisto sellaiseen muotoon, että sovelluksen vaatimat mittaukset ja laskenta on helppo suorittaa käyttäjän laitteistolla. Fotogrammetrinen osaaminen voidaan useissa tapauksissa ohjelmoida automaatioksi käyttäjän järjestelmään.
 


Kuva 1. Esimerkki digitaalisen fotogrammetrian prosessista. (Madani 1996.)

Digitaalisuus arkipäiväistää fotogrammetriaa. Kuvien käsittelyyn ja mittaamiseen ei välttämättä enää tarvita kalliita erikoislaitteita, vaan kuvainformaation tutkiminen ja kerääminen on mahdollista jopa tavanomaisilla toimistojärjestelmillä. Kuvamittauksista saatavien tietojen ja näistä valmistettavien tuotteiden laatuvaatimusten kasvaessa lisääntyvät luonnollisesti myös mittaus- ja tuotantojärjestelmälle asetettavat vaatimukset.

Tässä erikoistyössä tarkastellaan mahdollisuuksia hyödyntää eri muodoissa olevia kaupunkialueiden suurikaavaisia digitaalisia (pysty)ilmakuvia. Tarkastelu aloitetaan ilmakuvaa vain taustakuvina käyttävistä sovelluksista (luvut 2 ja 3), sitten esitetään rasterikuvien analyysitoimintojen tuomia lisämahdollisuuksia (luku 4) ja lopuksi käsitellään lyhyesti varsinaisten stereokuvien ominaisuuksia (luku 5). Esityksessä ei ole rajoituttu johonkin tarkkaan mittakaavaan tai digitaalisen kuvan pikselikokoon, vaan tarkastelu on varsin yleispiirteistä. Työn liitteeseen on sitten kirjattu 1:12500-mittakaavaisten ja 21 µm pikselikokoon numeeristettujen ilmakuvien käyttömahdollisuuksia.

1.1 Digitaalinen fotogrammetrinen järjestelmä

ISPRS:n (International Society for Photogrammetry and Remote Sensing) määritelmän mukaan digitaalinen fotogrammetrinen järjestelmä on “laitteisto ja ohjelmisto, joilla voidaan digitaalisilta kuvilta tuottaa fotogrammetrisia tuotteita käyttäen manuaalisia ja automaattisia tekniikoita” (Dowman 1991). Yksinkertaisimmillaan määritelmän mukainen järjestelmä mahdollistaa kuvien esittämisen ja kuvakoordinaattien mittaamisen, kehittyneimmillään pitkälle automatisoidun fotorealististen 3D-mallien tuotannon sekä niiden visualisoinnin. Albertz & König (1991) ovat tarkastelleet kattavalle digitaaliselle fotogrammetriselle järjestelmälle asetettavia vaatimuksia:

Vaatimuksina toiminnoille ja laitteistoille ovat mm.

- laite analogisten kuvien numeeristamiseen (skanneri),
- mahdollisuus reaaliaikaiseen digitaalisten kuvien syötteeseen (esim. CCD-kamerasta),
- eri lähteistä saatavien ja geometrialtaan vaihtelevien digitaalisten kuva-aineistojen kolmiulotteinen käsittely,
- suurien kuva-aineistojen käsittely kohtuuajassa,
- korkeusmallin (DEM) automaattinen laskenta osapikselien tarkkuudella,
- digitaalisen ortokuvan tuottaminen hyväksyttävässä laskenta-ajassa,
- täysväristereonäyttö,
- GIS-liittymä graafisten elementtien mono/stereo-päällenäytöllä ja editointimahdollisuuksilla sekä
- filmikirjoitin ja tulostin analogisia tulosteita varten.
Ohjelmistoilta puolestaan vaaditaan toiminnot
- kuvadatan lukemiseen, tallentamiseen, esittämiseen ja hallintaan,
- kuvien ehostukseen ja radiometriseen korjaamiseen,
- kuvien yhteensovitukseen,
- automaattiseen pisteiden tunnistukseen ja kuvien orientointiin,
- kuvamuunnoksiin
- piirteiden irrotukseen ja kuva-analyyseihin sekä
- automaattiseen tulosten tarkastukseen ja vertailuun.

Kuva 2. Digitaalisen fotogrammetrisen järjestelmän tiedonkulku. (Albertz & König 1991.)

Tässä erikoistyössä tarkastelu rajoittuu kuvan 2 esittämässä kaaviossa hybriditietokannan ja digitaalisten tuotteiden välille. Ilmakuvia käsiteltäessä ei konenäkökomponenttia tarvita, mutta sen sijaan GIS-liittymän merkitys korostuu.

1.2 Digitaalisten ilmakuvien käyttömahdollisuudet

Karkeasti ottaen kuvaa voidaan käyttää kahteen tarkoitukseen: siltä voidaan joko havaita tietoa tai sen avulla voidaan esittää tietoa. Nykyaikaisissa fotogrammetrisissa prosesseissa kuvatiedon esittäminen ja mittaaminen usein vuorottelevat. Tietyssä prosessin vaiheessa esittävältä kuvalta mitataan tietoa, jonka perusteella kuva muokataan sopivaksi esitettäväksi seuraavan vaiheen syötteenä.

Kuvamittausten tärkein tehtävä on hankkia sijaintitietoa. Ilmakuvien tapauksessa tämä on perinteisesti tarkoittanut kohdepisteiden kaksi- tai kolmiulotteisten koordinaattien mittaamista. Kartografisten tietokantojen suuntautuessa oliopohjaisuuteen (Gray 1995) tarve kokonaisten kohdeolioiden (esim. rakennus) mahdollisimman kattavien geometriatietojen (esim. kerrosten lkm, ulko-ovien sijainti ja lkm, katon tyyppi jne.) hankintaan jo kuvamittauksista lisääntyy.

Tarve radiometristen tietojen keräämiseen ilmakuvilta on myös kasvamassa ja digitaalisuuden myötä yleistymässä. Esim. mahdollisimman realististen virtuaalimallien luomiseksi halutaan todellisuutta vastaavaan geometriseen malliin usein lisäksi liittää todellinen ilmiasu. Sovittamalla geometrinen malli kuvatietoon voidaan sille irrottaa todellinen rasterointi ns. sävykarttana (Streilein 1994).

Ilmakuvia voidaan käyttää erilaisten suunnitelmien, selvitysten ja tutkimusten tietolähteinä. Ajallisten muutosten seuraaminen on mahdollista eri hetkillä otetuista kuvista. Aikaväli voi olla sekunneista vuosikymmeniin. Muuttuneita sijaintitietoja mitataan esim. karttatietoja päivitettäessä, heijastusarvojen perusteella voidaan puolestaan seurata muutoksia kohteiden ominaisuuksissa.

Ilmakuvalla on jo itsellään arvoa visualisoinnissa: tulkitsija saa yleiskäsityksen kohdealueesta. Fotogrammetristen järjestelmien avulla ilmakuvaa voidaan käyttää kaksi- tai kolmiulotteisena taustakuvana, jonka päällä voidaan esittää esim. aiemmin kartoitettua paikkatietoaineistoa ja näin havaita alueella tapahtuneet muutokset. Edelleen kuva- ja suunnitelmainformaatiota hyväksikäyttäen voidaan simuloida esim. eri suunnitelmavaihtoehtojen esteettisiä ja toiminnallisia vaikutuksia ympäristölle.

Taulukko 1. Digitaalisten ilmakuvien käyttömahdollisuuksia.
Kuvan käyttö Mitattava / esitettävä suure Sovellusesimerkkejä
Sijaintitietojen mittaus Koordinaatit (2D, 3D, kuva/malli/kohde -koordinaatistossa) Kartoitus (uusio, ajantasaistus), mallinnus(korkeus- ja maastomallit, kartografisten olioiden geometria), kuvien orientointi
Heijastusarvojen mittaus Pikselin (pikselijoukon) sävyarvo(t) Kohteen ja sen ominaisuuksien tunnistaminen, ortokuvatuotanto
Muutosten määritys Ero aiempaan informaatioon Liikennetutkimus, jään, lumen ja kasvillisuuden kartoitus, rakennushankkeiden eteneminen, massalaskennat
Visualisointi Raakakuva Yhdyskunnan tekniikan ja toiminnallisten alueiden sekä geodeettisten verkkojen yleissuunnittelu
Ortokuva 2D-paikkatietojen havainnollistaminen
Stereokuva 3D-kohteiden havainnollistaminen
Sovitettu sävykartta Virtuaalimallit, perspektiivikuvat
 

Digitaalisen fotogrammetrian erottaa edeltäjistään analogisesta ja analyyttisestä fotogrammetriasta kaksi asiaa: digitaalisen kuvainformaation pysyvyys ja mahdollisuus automatisoida tuotantoprosessia. Eron voi konkretisoida pohtimalla fotorealistisen ilmiasun liittämistä esim. rakennuksen 3D-malliin; analogiakuviin perustuvassa menetelmässä käytettäisiin saksia ja liimaa, digitaalisessa fotogrammetriassa automaattista geometrisen mallin sovitusta ja sävykartan irrotusta.

1.3 Kaupunkiympäristön rajoitukset ja mahdollisuudet

Kaupunkirakenteen kolmiulotteisuus aiheuttaa ongelmia sekä digitaalisten ilmakuvien hyödyntämiselle että niiden tulkinnan automatisoimiselle. Rakennusten aiheuttamat varjo- ja katvealueet estävät usein kohteiden tai niiden osien havaitsemisen. Kuvien keskusprojektio aiheuttaa vertikaalisten kohdepisteiden kuvautumiseen ns. maastovirheen, jonka takia kaupunkialueiden ortokuvat eivät ole esteettisesti virheettömiä ja korkeusmallien automaattinen valmistaminen vaikeutuu (Sarjakoski & Lammi 1991).

Toisaalta kaupunkiympäristön säännölliset piirteet sekä tekstuurin runsaus suovat monia mahdollisuuksia digitaalitekniikan hyväksikäyttöön. Katujen reunaviivojen jatkuvuuden, rakennusten suorakulmaisuuden ja erilaisten verkostojen säännönmukaisuuden perusteella voidaan edellämainittujen rajoitusten vaikutusta vähentää tai jopa käyttää hyväksi (esim. varjoanalyyseihin perustuva rakennusten määritys). Rakenteiden säännönmukaisuus helpottaa myös yksinkertaisten mallien luomista sekä olemassa olevan tiedon (paikkatieto, aiemmat kuvat) ja uuden kuvatiedon yhteensovittamista. 

2 OIKAISEMATTOMIEN ILMAKUVIEN KÄYTTÖ

Alkuperäisellä ilmakuvalla (raakakuva) vaikuttavat kuvatason kuvaushetken kallistuneisuudesta aiheutuva projektiivinen vääristymä sekä maaston korkeuserojen aiheuttama perspektiivinen vääristymä. Vääristymien vaikutusta voidaan vähentää kuvien oikaisulla. Monien sovellusten kannalta kuvien oikaiseminen kokonaisuudessaan ei kuitenkaan tuo niin merkittävää etua raakakuvien käyttöön verrattuna, että oikaisuun kannattaisi panostaa. Tässä luvussa tarkastellaan mahdollisuuksia hyödyntää oikaisemattomia digitaalisia ilmakuvia. Kuvien oikaisuun ja oikaistujen kuvien käyttömahdollisuuksiin palataan luvussa 3.

2.1 Oikaisemattoman ilmakuvan ominaisuuksista

Digitaalisen ilmakuvan ominaisuuksista käsitellään tässä yhteydessä geometrista erotuskykyä ja geometrisia vääristymiä. Radiometrisiä ominaisuuksia (esim. kohteiden sävyjen toistoa) ei käsitellä, koska kuvien numeeristaminen ja ehostaminen on rajattu tämän tarkastelun ulkopuolelle.

2.1.1 Geometrinen erotuskyky

Digitaalinen ilmakuva valmistetaan yleensä skannaamalla perinteinen, analoginen ilmakuva tai sen diapositiivi. Näin saadun rasterikuvan geometriseen erotuskykyyn vaikuttavat kuvausmittakaava sekä skannauksen laatu. Geometrisen erotuskyvyn perusteella voidaan arvioida, kuinka pieni kohde kuvalta teoriassa voidaan havaita.

Kuvausmittakaavan m, analogiakuvan (filmin) geometrisen erotuskyvyn ek, odotettavan geometrisen erotuskyvyn maastossa em, kuvauskameran objektiivin polttovälin c sekä kuvauskorkeuden H suhde toisiinsa voidaan esittää kaavalla (1)

.

Geometrinen erotuskyky maastossa tarkoittaa pienimmän kuvalta havaittavaksi haluttavan maastokohteen kokoa. Ilmakuvaukseen käytetyille mustavalkofilmeille erotuskyvyksi on arvioitu 20 - 30 mm ja värifilmeille, joilta tulkintatyön on havaittu olevan luotettavampaa ja nopeampaa, 30 - 40 mm (Jaakkola ym. 1985, Lautso 1978).

Ideaalisessa skannausjärjestelmässä ovat digitointiväli ja skannerin valoherkän sensorin sekä tuotetun rasterikuvan pikselien sivujen pituudet samat ja lisäksi skannauslaitteen mekaniikka, optiikka ja elektroniikka toimivat rasterikuvan muodostamisen suhteen virheettömästi. Tällaisella järjestelmällä skannatessa riittää alkuperäisen kuvan geometrisen erotuskyvyn säilyttämiseksi em. pituuksiksi noin puolet alkuperäisen analogiakuvan erotuskyvystä eli esim. värifilmille 15 - 20 mm (Kölbl & Bach 1994).

2.1.2 Geometriset vääristymät

Kuvatason kanssa yhdensuuntainen kohdetaso kuvautuu yksiselitteisesti ja voidaan rekonstruoida yhdeltäkin kuvalta. Kaupunkirakenteen kolmiulotteisuus ja kuvauskoneen kallistelut aiheuttavat ilmakuville kuitenkin geometrisia vääristymiä, jotka puolestaan voivat aiheuttaa virheitä yksikuvamittauksena havaittavaan informaatioon.

Kohdepisteet, joiden korkeussijainti poikkeaa kuvausmittakaavan mukaisesta maaston nollatasosta, kuvautuvat keskusprojektiokuvalla toiseen paikkaan kuin esim. yhdensuuntaisprojektiossa olevalla kartalla. Tämä perspektiivinen vääristymä (maastovirhe) on kuvan keskipisteen suuntaan, mikäli kohde on nollatason alapuolella, ja siitä poispäin, mikäli kohde on nollatason yläpuolella. Vääristymän suuruus on maastossa (2)

ja nadiiri- tai vain hieman kallistuneella kuvalla (3)

,

joissa DRpe on perspektiivinen vääristymä maastossa, DZ korkeusero maastossa, a kuvaussäteen ja luotisuoran välinen kulma, Drpe vääristymä kuvalla, Z0 kuvauskorkeus, r kuvapisteen etäisyys kuvan keskeltä ja M mittakaavaluku (kuva 3) (Kraus 1993, s. 298, Schwidefsky & Ackermann 1976, s. 32-33).

Klikkaa suurempi kuva
Kuva 3. Perspektiivinen vääristymä (maastovirhe).

Taulukkoon 2 on laskettu kaavan (2) avulla perspektiivisen vääristymän kohteen maastokoordinaatteihin aiheuttamia siirtymien suuruuksia. Taulukon arvot on ratkaistu nadiirikuvan nurkista, missä vääristymän vaikutus on suurin.

Taulukko 2. Perspektiivisen vääristymän maastossa (DR, [m]) maksimiarvoja 230 x 230 mm -kokoiselle nadiirikuvalle. Taulukon muuttujina ovat ilmakuvauskameran objektiivin polttoväli (c) sekä maastokohteen korkeuspoikkeama kuvitellusta maaston nollatasosta (DZ).

Ilmakuvan kuvatason kallistuneisuudet lentokoneen lentosuunnassa ja/tai sitä vastaan kohtisuorassa suunnassa aiheuttavat projektiivisen vääristymän, joka on kohtisuorassa kallistusakselia kohti. Vääristymä on kohden kallistusakselia siellä, missä kallistunut kuva on normaalitasonsa yläpuolella, ja vastaavasti kallistusakselista poispäin, missä kuva on normaalitasonsa alapuolella.

Kuvasta 4 saadaan projektiivisen vääristymän aiheuttaman kohteen kuvakoordinaattien siirtymän suuruudeksi (4)

,
,

joissa r on kuvapisteen etäisyys kallistuneen kuvan keskeltä, r’ kuvapisteen etäisyys vastaavan nadiirikuvan keskeltä, b kallistuneen kuvan polttoakselin ja kohdepisteen kuvautumissäteen välinen kulma, |b| ko. kulman suuruus ja v kallistuskulma nadiirikuvan polttoakselista kallistuneen kuvan polttoakseliin. Lyhyen etäisyyden dr muutosta kallistuneella kuvalla Ddr voidaan puolestaan Krausin (1993, s. 297) mukaan arvioida kaavalla (5)

,
.


Kuva 4. Projektiivinen vääristymä. Kuvan esittämässä tapauksessa b1 on merkiltään negatiivinen ja b2 positiivinen.

Taulukkoon 3 on laskettu eri kuvakallistusten kuvakoordinaatteihin aiheuttamia virhevektoreiden pituuksia. Virhearvot on ratkaistu diagonaalisesti kallistuneelle kuvalle eli kuvalle, jonka kokonaiskallistus muodostuu yhtäsuurista pituus- ja poikittaiskallistuksista. Taulukossa esitetyt suurimmat poikkeamat saadaan jälleen kuvan nurkissa. Suomessa fotogrammetrisia tarkoituksia varten otettavien ilmakuvien pituus- ja poikittaiskallistukset eivät saa ylittää neljää goonia (Fotogrammetrian ja Kaukokartoituksen Seura 1995).

Taulukko 3. Projektiivisen vääristymän (Drpr, [mm]) maksimiarvoja 230 x 230 mm -kokoiselle kuvalle. 

2.2 Käyttömahdollisuuksista

Kolmiulotteisen kohteen rekonstruoiminen ei yleisessä tapauksessa ole mahdollista yhden kuvan perusteella. Kuvan muodostava säde kulkee kollineaarisuusperiaatteen mukaisesti kohdepisteen, kuvapisteen ja kameran polttopisteen kautta. Jotta kohdepisteen kolmiulotteiset koordinaatit voidaan määrittää, on tunnettava vastaavan kuvasäteen suunta, pituus ja sijainti kohdekoordinaatistossa. Kuvasäteen suunta saadaan selville mittaamalla määritettävän pisteen kuvakoordinaatit, mikäli tunnetaan kameran polttoväli sekä kuvatason kallistuneisuus kohdekoordinaatiston referenssipintaan nähden. Kuvasäteen pituus voidaan puolestaan laskea, kun tiedetään kyseisen pisteen kuvautumisen mittakaava. Kuvasäde saadaan kiinnitettyä kohdekoordinaatistoon selvittämällä kameran polttopisteen sijainti ko. koordinaatistossa.

Ilmakuvauksiin yleensä käytettävien mittakameroiden polttoväli tunnetaan millimetrin sadasosien tarkkuudella. Niinpä kuvasäteen suunnan määrittämisen ongelma supistuu kuvatason kallistuneisuuden selvittämiseen. Sovelluksissa, joissa ei tarvita tarkkaa geometriatietoa kattavasti koko kuvan alueelta, voidaan olettaa kuvauksen olevan nadiiriasentoinen (ei kallistuksia). Oletuksessa mahdollisesti tehtävää virhettä voi arvioida kaavoilla (4) ja (5). Tarpeen vaatiessa voidaan kuvakallistusten vaikutus kuvatason ja maastotason (karttatason) väliltä poistaa laskennallisesti projektiivisilla muunnoksilla (6)

ja ,

joissa (X, Y) ovat kohdekoordinaatteja, (x, y) kuvakoordinaatteja (c polttoväli) ja (a1, a2, .., a8) muunnosparametreja, jotka saadaan määritettyä neljän tunnetun pisteen avulla (Schwidefsky & Ackermann 1976, s. 152).

Maaston korkeusvaihtelujen takia jokainen kuvapiste kuvautuu omassa mittakaavassaan eli kameran polttopisteen ja kuvapisteen sekä kuvapisteen ja kohdepisteen välisten etäisyyksien suhde ei ole vakio (kuvat 3 ja 5). Kaavan (1) mukaisesti tietyn kuvatason kanssa yhdensuuntaisen maastotason kuvautumisen mittakaava on kuvalta havaitun etäisyyden suhde vastaavaan maastoetäisyyteen. Kaupunkialueiden tapauksessa tietoa maastoetäisyyksistä saadaan yleensä läheltä jokaista tulkittavaa kohdetta (esim. korttelin pituus), joten yksilölliset kuvamittakaavat voidaan tarvittaessa selvittää ko. etäisyyksien määritystarkkuuksien mukaisella täsmällisyydellä.

Jotta tunnettaisiin kuvasäteen sijainti kohdekoordinaatistossa, on määritettävä kuvan ulkoinen orientointi (kuvakierrot ja kameran polttopisteen paikka). Yleisessä tapauksessa kuvan muodostaneiden säteiden kiinnittämiseksi kohdekordinaatistoon tarvitaan vähintään kolme kuva- ja kohdekoordinaateiltaan (X, Y, Z) tunnettua pistettä. Olettamalla kuvaus nadiiriasentoiseksi ja kohde tasoksi tarvitsee havaita vain kuvan keskipiste projektiokeskuksen ja jokin toinen piste kuvakierron määrittämiseksi.


Kuva 6. Kuvasäteitä kallistuneelle sekä nadiirikuvalle. Eri korkeustasolla sijaitsevien kohteiden kuvautuminen.

Kun saman kohdepisteen kuvakoordinaatit on mitattavissa kahdelta (tai useammalta) raakakuvalta, ei ko. pisteen kolmiulotteisten kohdekoordinaattien määrittämiseen tarvita enää lisätietoa kuvasäteen pituudesta eli kuvautumisen mittakaavasta. Kahden (tai useamman) suunnaltaan ja sijainniltaan tunnetun kuvasäteen leikkauspiste määrittää periaatteessa yksiselitteisesti kohteen sijainnin.

2.3 Sovelluksia

Yksittäistä digitaalista ilmakuvaa voidaan helposti hyödyntää esittämällä se paikkatietojärjestelmässä ns. taustakuvana. Taustakuva on erillinen karttataso, jota ei voi editoida eikä laskennallisesti analysoida, mutta jonka päälle voidaan tuoda muita (editoitavia) yleensä vektorimuotoisia karttatasoja (ns. hybridi-GIS -järjestelmä). Kun ilmakuva asemoidaan johonkin koordinaattijärjestelmään, siltä voidaan suoraan mitata kyseisen järjestelmän mukaisia koordinaatteja. Mikäli kyseessä on nadiirikuva, on asemoinnin yhteydessä määräytyvältä mittakaavan mukaiselta nollatasolta (datumtaso) mahdollista mitata virheettömiä koordinaatteja. Samoin suorakulmaisten kohteiden esim. rakennusten 3D-rekonstruoiminen on mahdollista, jos tiedetään kohteen vertikaalikomponentin ja kuvauksen kuvitellun nollatason leikkauskohta.

Kienegger (1992) esittelee kiinteistön jätevesimaksun määrityksessä käytettävän tulkintajärjestelmän, jossa käytetään digitaalista ilmakuva-aineistoa (kuvauskameran polttoväli 305 mm, kuvamittakaava 1:3600, pituuspeitto 20 %) sekä paikkatieto-ohjelmistoa. Sovelluksessa kuvat muunnetaan numeeriseen muotoon paloittain CCD-kameratekniikalla ja näin saatu numeerinen osakuva asemoidaan kaupungin koordinaattijärjestelmään olemassa olevan kaupunkikartan avulla. Kaupunkikartta on digitoitu manuaalisesti 1:1200-mittakaavaisesta paperikartasta. Kuvilta tulkitaan kiinteistön tiedot (esim. kiinteistön sekä kiinteistöllä olevien katujen, jalkakäytävien, pysäköintialueiden ja rakennusten pinta-alat) tasokoordinaatteineen. Osakuvan peittämä alue on pieni verrattuna koko kuvan peittämään alueeseen, joten geometriset vääristymät eivät juurikaan vaikuta mitattavien tietojen tarkkuuteen. Kienegger raportoi kuvien ulkoisen orientoinnin tarkkuudeksi ± 2,5 m, vektoritietojen päällenäytön tarkkuudeksi ± 7,5 m ja tehtyjen aluemittausten tarkkuudeksi ± 3,5 % (verrattu geodeettisiin maastomittauksiin).

Useamman samaa aluetta kattavan kuvan muodostamalta kuvasarjalta voidaan tutkia kohdealueella tapahtuvia ajallisia muutoksia. Esim. liikenteen energiankulutuksen ja päästöjen selvittämiseksi voidaan ilmakuvilta kartoittaa ajoneuvoliikenteen tunnuslukuja. Kanner et al. (1996) raportoivat laskentamenetelmästä, jossa tunnistetaan kaupungin taajama-alueella liikenteessä olevien ajoneuvojen tyypit ja mitataan niiden kuvausjonolla peräkkäisten kuvien ottohetkien välisenä aikana liikkumat matkat (suoritteet) sekä nopeudet katu- tai katuvälikohtaisesti. Sovelluksessa skannatut ilmakuvat on asemoitu Suomen valtakunnalliseen tasokoordinaattijärjestelmään (KKJ) numeerisen tiestöaineiston avulla. Yksittäisen ajoneuvon suoritteen ratkaisemiseksi on peräkkäisiltä kuvilta havaittu ajoneuvon KKJ-koordinaattien lisäksi geometristen vääristymien aiheuttama kuvien poikkeama toisistaan. Sovelluksessa ratkaistujen yksittäisten suoritteiden tarkkuus on ollut metriluokkaa. 
 
 

3 OIKAISTUJEN KUVIEN KÄYTTÖ

Oikaisulla tarkoitetaan kuvan geometristen vääristymien poistamista. Yksinkertaisin oikaisu on kuvatason projisiointi jollekin toiselle tasolle. Esimerkkeinä ilmakuvan projektiivinen oikaiseminen nadiirikuvaksi (ks. luku 2.2) tai kahden kuvan oikaiseminen stereokuvauksen normaalitapauksen mukaiseksi kuvapariksi. Digitaalisen fotogrammetrian myötä yleistyneessä orto-oikaisussa kuva puolestaan oikaistaan vastaamaan yhdensuuntaisprojektiossa olevaa karttaa. Tässä luvussa käsitellään stereokuvauksen normaalitapauksen mukaisten kuvien sekä ortokuvien käyttömahdollisuuksia.

3.1 Stereokuvauksen normaalitapauksen mukaiset kuvat

Kun kahden (tai useamman) kuvan kuvatasot ovat samassa tasossa ja niiden x-akselit ovat kuvauskannan suuntaisia, ovat kuvat ns. stereokuvauksen normaalitapauksen mukaisessa asennossa. Samaa kohdealuetta peittävät ilmakuvat saadaan normaalitapauksen mukaisiksi keskinäisen orientoinnin menetelmillä.

3.1.1 Käyttömahdollisuuksista

Samaa kohdepistettä esittävillä kuvapisteillä on normaalitapauksen mukaisilla kuvilla sama y-koordinaatti. Kuvilta vastinpisteille mitattujen x-koordinaattien erotuksen eli ns. x-parallaksin avulla voidaan määrittää kohdepisteen kolmiulotteiset koordinaatit stereomallin koordinaatistossa, joka saadaan edelleen ulkoisesti orientoimalla vastaamaan todellista kohdekoordinaatistoa. Kolmiulotteisten koordinaattien määrittämiseen käytettävät ns. parallaksikaavat ovat muotoa
,  ja ,

joissa (X, Y, Z) ovat mallikoordinaatit, (x, y) kuvakoordinaatit, p on parallaksi ja B kuvakanta eli kuvanottopisteiden välinen etäisyys (ks. esim. Moffitt & Mikhail 1980, s. 198).

Normaalitapauksen mukaisilta kuvilta saadaan siis tarkat kohdepisteen kolmiulotteiset koordinaatit laskennallisesti. Kohdepisteen määrittämiseen tarvitaan vähintään kaksi havaintoa, joten runsaasti erikseen mitattavia pisteitä vaativissa mallinnuksissa vastinpisteiden etsiminen on työlästä. Toisaalta vastinpisteet ovat normaalitapauksen mukaisella rasterikuvalla aina samalla rivillä, joten hakua ja mittausta voidaan helposti automatisoida. Lisäksi kaupunkirakenteen säännölliset kohdeoliot (esim. neliskulmaiset rakennukset) eivät yleensä vaadi monia pisteitä karkean mallin valmistamiseksi.

Liikkuvat ja toisella kuvalla katveeseen jäävät kohteet voidaan normaalitapauksen mukaisilta kuvilta helposti havaita; vastinpisteet eivät ole samalla rivillä. Sen sijaan liikkeen kolmiulotteinen määrittäminen on vaikeaa, koska olisi pystyttävä havaitsemaan sekä lähtö- että päätepiste kummaltakin kuvalta.

Normaalitapaukseen oikaistuja ilmakuvia ei juurikaan käytetä erillisinä tietolähteinä tai visualisointivälineinä. Sen sijaan digitaalista stereotarkastelua varten kuvat on aina orientoitava keskinäisesti. Stereokuvien käyttöön palataan luvussa 5.

3.2 Ortokuvat

Ortokuva on yhdensuuntaisprojektioon oikaistu esitys ilmakuvasta. Ortokuvassa maaston korkeuseroista aiheutuva mittakaavaero kuvan eri osien välillä on poistettu ja kaikkien kuvapisteiden kuvamittakaava on sama. Ortokuvaa tuotettaessa poistetaan kuvasta myös kuvausvirheet (refraktio, maankaarevuus, optiikan piirtovirheet).

Digitaalinen orto-oikaisu tehdään differentiaalisin maastonalkioin, joiden geometrinen vastaavuus lasketaan kartalta ilmakuvalle. Alkiot ovat digitaalisella ortokuvalla pikseleitä eli karttakoordinaatistossa neliöitä, jotka sijaitsevat tasavälein kummankin koordinaatin suunnassa. Geometrinen vastaavuus puolestaan tarkoittaa kollineaarisuusehdon mukaista tietämystä siitä, mihin tietyn maastoalkion keskipiste kuvautuu ilmakuvalla. Vastaavuuden laskemiseksi on tunnettava kuvan ulkoinen orientointi (paikka ja kierrot kohdekoordinaatiston suhteen), kuva-alkion mittakaava sekä kohdealueen korkeussuhteet. Ortokuvan laatuun vaikuttavat ulkoisen orientoinnin ja maastomallin (korkeusmallin, ympäristömallin) tarkkuus sekä uudelleennäytteistyksen onnistuminen.


Kuva 7. Tavanomaisen ilmakuvan ja ortokuvan ero.

3.2.1 Käyttömahdollisuuksista

Ortokuva on karttaprojektion mukainen ilmakuva. Siltä voidaan siten mitata geometrisistä vääristymistä vapaita tasokoordinaatteja kuten kartalta. Ortokuvalla on kuitenkin paljon enemmän yksityiskohtaista informaatiota kuin kartalla voidaan esittää. Kuvainformaatio on lisäksi ymmärrettävissä ilman karttasymbolien tuntemusta. Ortokuvan tulkintaan ei myöskään tarvita tietämystä kohdealueen korkeussuhteista eikä keskusprojektiokuvan ominaisuuksista.

Ortokuva ei sisällä tietoa kohdealueen korkeusvaihteluista. Projisioimalla ortokuvan päälle samassa koordinaattijärjestelmässä oleva maastomalli (esim. korkeuskäyrät) voidaan helposti visualisoida kohteen topografiaa ja mitata kaikki kolme koordinaattia suoraan kartastokoordinaatistossa. Mittausten geometrinen tarkkuus on oikaistujen kohteiden osalta sama kaikkialla kuvan tai kuvamosaiikin alueella.

Ortokuvalla on siis sekä karttaan että tavanomaiseen ilmakuvaan verrattuna selkeitä etuja. Se on kuitenkin johdettu tuote, joka voi olla ominaisuuksiltaan vain niin hyvä kuin sen valmistamisessa käytetyt lähtöaineistot mahdollistavat. Tänä päivänä kaupunkialueiden ortokuvien geometrista ja esteettistä laatua ja edelleen niiden käyttömahdollisuuksia rajoittaa lähinnä tarkkojen maastomallien puute. Yleisesti käytettävissä olevissa malleista puuttuvat vertikaaliset kohteet (esim. rakennukset), eikä erillisen kaupunkimallin luominen jotakin ortokuvaa hyödyntävää sovellusta varten ole useinkaan mahdollista.

3.2.2 Sovelluksia

Karttaprojektioon oikaistu ilmakuva on ideaalinen tietolähde vektorikarttojen päivitykseen. Niinpä ortokuvan on ennustettu muodostuvan merkittävimmäksi GIS-sovelluksien karttatasoksi. Seuraavat esimerkit kuvaavat digitaalisia ortokuvia hieman eri tasoilla hyödyntäviä sovelluksia: Liettuassa digitaaliset ortokuvat ovat tärkeä tietolähde numeeristen paikkatietojen hankinnassa, Portugalissa puolestaan on ideoitu WWW- käyttöliittymää olemassa olevien ortokuvien yhteiskäyttöä varten.

Liettuassa käynnistettiin vuonna 1994 kehitystyöprojekti, jossa hankitaan koko maan kattavat ilmakuvat ja sekä laitteet että tietotaito digitaalisten ortokuvien valmistamiseksi. Alunperin projektin tavoitteena oli hankkia karttaprojektioon oikaistuja ilmakuvia kiinteistökarttojen tausta-aineistoksi, mutta valmistettuja ortokuvia käytetään nykyisin myös perusmateriaalina topografiseen kartoitus- ja karttojen ajantasaistustyöhön. Kartoitusta on tehty manuaalisesti yksikuvamittauksena paikkatietojärjestelmässä (GeoVectra, MicroStation 95) 1:10000-mittakaavaisilta ortokuvilta, joiden pikselin sivu on maastossa 0,5 m. Pienikaavaisempaa kartoitusta varten Liettuan “ilmageodeettinen instituutti” (Aerogeodezijos institutas) on kehittämässä menetelmää em. ortokuvien tietomäärän vähentämiseksi pikselikokoa suurentamalla. (Zilevicius & Rumsas 1997.)

Portugal on ollut johtavia Euroopan maita kansallisten paikkatietojen yhteiskäytön kehittämisessä. Fernades et al. (1997) ovat ideoineet digitaaliseen ortokuvamosaiikkiin perustuvaa WWW-käyttöliittymää, joka tarjoaa interaktiivisen paikkatietojen yhteiskäytön lisäksi työkalut digitaalisen ortokuva-aineiston hankintaan ja hyödyntämiseen. Käyttöliittymä mahdollistaa kohdealueen etsimisen digitaalisen maastomallin sekä karkearesoluutioisten ortokuvien avulla. Haku voi tapahtua joko ns. ylilento -periaatteella tai zoomaus- ja rajaustoimintojen avulla. Kohdealueen määrityksen jälkeen käyttäjä voi ladata alueen alkuperäisen ortokuva-aineiston omaan järjestelmäänsä. Ortokuvilta voidaan käyttöliittymän kautta myös suoraan digitoida vektoritietoa, laskea paikkatietofunktioilla esim. pinta-aloja ja etäisyyksiä, laatia paikkatietosimulaatioita esim. valuma-alueista ja analysoida kohdealueella tapahtuneita muutoksia kahden tai useamman eriaikaisen ortokuvan avulla. Systeemistä on toteutettu ensimmäinen prototyyppi, mutta yleiseen käyttöön järjestelmää ei ole vielä saatu. (Fernades et al. 1997.) 
 
 

4 RASTERIANALYYSIEN TUOMAT MAHDOLLISUUDET

Kuvatulkinnan automatisointi on mahdollista vasta, kun kuvien pikselien sävyarvoja päästään tutkimaan ohjelmallisesti. Taustakuvien käyttö perustuu aina tulkitsijan visuaaliseen havaintoon ja mittaukset on tehtävä manuaalisesti. Kun alkuperäisten tai esikäsiteltyjen ilmakuvien pikseliarvoihin “päästään käsiksi”, on mahdollista erilaisten piirteiden (pisteet, viivat, alueet, oliot) irroituksen ja kuvien yhteensovituksen algoritmien avulla nopeuttaa ja tarkentaa kohteiden hakua ja mittausta.

Lineaaristen piirteiden irroitus on ollut ensimmäisiä askelia digitaalisen fotogrammetrian automatisoinnissa. Piirteiden irroituksen erilaisten menetelmien merkitys alan sovelluksissa on jatkuvasti kasvanut. Gülch (1991) jaottelee ko. menetelmät neljään luokkaan:

1) Pisteoperaattorit, joilla voidaan havaita erilaisia kulma- ja risteyspisteitä (esim. Förstnerin ja Moravecin operaattorit).
2) Reunaoperaattorit, jotka voivat perustua joko maskin tai reunan sovitukseen tai gradientin laskentaan (esim. Roberts, Prewitt, Sobel, Robinson ja Kirsch -operaattorit, Canny-operaattori jne.).
3) Viivojen irroitus -operaattorit, jotka tutkivat irroitettuja reunaelementtejä. Metodit perustuvat joko viivan seurantaan ja linkitykseen tai ryhmittelyanalyysiin (esim. Hough-muunnos, relaksaatiomenetelmät, dynaaminen ohjelmointi).
4) Alueiden tunnistus -operaattorit, joissa käytetään joko alueen kasvattamista tai alueen jakamis/liittämis -metodeja.
Yhteensovituksella tarkoitetaan erilaisten tietojoukkojen vastaavuuden tutkimista. Tietojoukot voivat olla esim. kuvia, karttoja, kohdemalleja (olioita) ja GIS-tietoa. Digitaalisessa kuvien yhteensovituksessa puolestaan selvitetään automaattisesti kahdelta tai useammalta digitaaliselta kuvalta, jotka kuvaavat ainakin osittain samaa kohdealuetta, irroitettujen primitiivien vastaavuus. Primitiivit voivat olla sävyikkunoita tai kyseisiltä kuvilta irroitettuja piirteitä. (Heipke 1996.)

4.1 Käyttömahdollisuuksista

Automaatiolla voidaan nopeuttaa ja tietyissä tapauksissa tarkentaa kuvamittausta. Esim. mittamerkin tarkka kohdistaminen voidaan jättää piste- tai reunaoperaattoreiden tai ikkunansovitusalgoritmin hoidettavaksi. Kohde voidaan likimääräisesti paikantaa käyttäen yleispiirteisempää (karkeampi zoomaus) kuvaikkunaa tai etukäteen tunnettuja likimääräisiä kuvakoordinaatteja, jonka jälkeen ohjelmisto kohdistaa mittamerkin kohteeseen.

Rasterianalyysien suomia mahdollisuuksia voidaan soveltaa kaikissa fotogrammetrisen mittausprosessin perusvaiheissa: reunamerkkien mittauksessa (sisäinen orientointi), vastinpisteiden etsimisessä ja mittauksessa (keskinäinen orientointi, ilmakolmiointi), kuvautumisen vasteelta tunnettujen maastokohteiden (esim. signaloidut tukipisteet) havannoimisessa (absoluuttinen orientointi) ja jossain määrin myös etukäteen määriteltyjen olioiden kartoittamisessa (kohteiden tulkinta) (Heipke 1996). Kaupallisesti saatavissa olevissa ohjelmistoissa on mittausprosessista tällä hetkellä automatisoitu seuraavia vaiheita (Kölbl 1996, Madani 1996):

- Kuvapyramidien generointi.
- Sisäinen orientointi: Reunamerkin “kuvan” ja varsinaisen kuvadatan korrelaation perusteella joko kolmannesta reunamerkistä tai kuvajonon toisesta kuvasta alkaen.
- Keskinäinen orientointi: Valitaan kahdelta kuvalta manuaalisesti vähintään kaksi vastinpistettä, jonka jälkeen kuvien yhteensovituksella poistetaan y-parallaksit kuvaparin yhteiseltä alueelta.
- Absoluuttinen orientointi, ilmakolmiointi: Joidenkin tunnettujen tukipisteiden avulla lasketaan yksittäisen kuvan tai useamman kuvan muodostaman kuvablokin, -jonon tai mallin suhde kohdekoordinaatistoon. Tämän jälkeen ratkaistaan irroitetuille piirteille automaattisesti kohdekoordinaatit.

4.2 Sovelluksia

Automatisoidun tai puoliautomaattisen digitaalisen fotogrammetrian päätuotteina voidaan pitää stereomalleja, maastomalleja ja ortokuvia. Näiden tuotteiden valmistaminen on mahdollista, kun kuvien ulkoinen orientointi on määritetty.

Kohdealueen stereomalli voidaan muodostaa kahdesta kyseisen alueen kattavasta ja eri kuvanottopaikoista otetusta kuvasta. Kuvat näytteistetään uudelleen stereokuvauksen normaalitapauksen mukaisiksi. Näytteistyksestä saaduista uusista kuvista voidaan kohdealuetta tarkastella ja mitata suoraan kolmiulotteisessa koordinaatistossa, mikäli käytössä on stereotarkastelun mahdollistavat laitteet. Aiheeseen palataan tarkemmin luvussa 5.

4.2.1 Digitaalisen maastomallin generointi

Digitaalinen maastomalli (DTM) voidaan luoda automaattisesti kahden orientoinniltaan tunnetun, saman kohdealueen kattavan digitaalisen ilmakuvan avulla. Maastomallin generointi perustuu kuvien yhteensovitukseen sekä oletukseen tekstuuririkkaasta ja korkeusvaihteluiltaan pehmeästä, jatkuvasta maanpinnasta. Digitaalisilla menetelmillä luotujen maastomallien tarkkuudeksi on arvioitu 1 / 10000 lentokorkeudesta. Maastomalleja käytetään ortokuvien tuotannossa, kansallisten topografisten tietokantojen luomisessa ja päivityksessä sekä tietolähteinä GIS-sovelluksissa ja erilaisissa suunnitelmissa. (Ackermann 1996.)

Maastomallia varten mitataan kolmiulotteiset koordinaatit maaston määrittävälle pistejoukolle. Analogisissa menetelmissä on pyritty minimoimaan mittaustyötä löytämällä mahdollisimman edustavia pisteitä ja ns. taiteviivoja, joiden perusteella maanpinnan muodot on riittävällä tarkkuudella esitettävissä. Digitaalisessa maastomallin generoinnissa mallipisteiden edustavuus pyritään korvaamaan niiden suuremmalla lukumäärällä: Kuvaparin ensimmäiseltä kuvalta irroitetut piirteet (pisteet) sovitetaan toiseen kuvaan (etsitään vastaavat piirteet toiseltakuvalta) ja määritetään näiden koordinaatit kohdekoordinaatistossa. Näin saaduista pisteistä muodostetaan lopuksi geometrinen malli (esim. kolmioverkko-, rautalanka-, pinta- tai rasterimalli) kuvaamaan maanpinnan korkeusvaihteluja. Interaktiivisissa sovelluksissa käyttäjällä on mahdollisuus määritellä taitepisteitä ja -viivoja tai esim. alueita, joilta mallia ei generoida automaattisesti.

Maastomallituotannon automatisoimisessa on kaksi ongelmakohtaa: Kuvien yhteensovitus voi epäonnistua alueilla, joilla ei ole havaittavia yksityiskohtia. Näillä tekstuuriköyhillä alueilla automaattisesti laaditun korkeusmallin tarkkuus voi olla heikompi ja mallia voi olla tarvetta editoida manuaalisesti. Kaupunkialueiden ilmakuvissa tekstuurista ei luonnollisesti ole puutetta, mutta ongelmana ovat lukuisat yhteensovituksessa havaitut kuvapisteet, jotka eivät kuvaakaan mallinnettavaa maanpintaa. Esim. rakennukset ja puut voivat peittää taakseen varsinaisen maanpinnan vaihtelut laajoiltakin alueilta. Tämä peittymisen ongelma, on merkittävä erityisesti suurikaavaisten kuvien ja maastomallien tapauksessa. (Ackermann 1996.)

4.2.2 Ortokuvatuotanto

Ortokuvan valmistamiseksi on siis tunnettava ko. ilmakuvan ulkoinen orientointi sekä kohdealueen maastomalli. Oikaisussa määritetään kunkin ortokuvaelementin keskipistettä vastaava kohta maastomallilta. Maastomallin kolmiulotteisesti tunnetun pisteistön perusteella interpoloidaan ko. pisteen korkeus ja näin voidaan edelleen kollineaarisuusperiaatteen mukaisesti ratkaista pisteen sijainti alkuperäisellä ilmakuvalla. Lopuksi ilmakuvan n:n lähimmän pikselin sävyarvoista lasketaan ortokuvaelementin sävyarvo.


Kuva 8. Ortokuvan ja ortokuvamosaiikin valmistus (Madani 1996).

Ortokuvien valmistaminen kaupunkialueilta on vaativaa. Todellisia 3D-maastomalleja, joissa olisi maanpinnan vaihtelujen lisäksi kuvattuna rakennukset ja muut vertikaaliset kohteet, ei juurikaan ole valmistettu. Mallintamattomia kohteita ei voida oikaista, joten ortokuvan uudelleennäytteistys jää osittain virheelliseksi perspektiivisen vääristymän (maastovirheen) takia. Amhar & Ecker (1995) ovat havainneet, että noin 8 % kaupunkialueiden ortokuvien pikseleistä on virheellisiä. Automaattisia menetelmiä rakennusten oikaisemiseksi ja katveeseen jäävien alueiden sävyarvojen määrittämiseksi on kehittäneet mm. Dan & Gruen (1995) sekä Amhar & Ecker (1995). 
 
 

5 STEREOTARKASTELUN TUOMAT MAHDOLLISUUDET

Kohdealueen kolmiulotteinen tarkastelu on mahdollista stereomallilta, kun mallin toinen kuva esitetään vasemmalle ja toinen oikealle silmälle. Digitaalisen stereomallin värikuvien erittely kumpikin omalle silmälleen perustuu yleensä joko valon polarisaatioon tai näyttöstereoskooppiin (Sarjakoski & Lammi 1993). Kohteiden mittaamiseen suoraan kolmiulotteisessa avaruudessa vaaditaan lisäksi ns. 3D-mittamerkki. Tässä kappaleessa käsitellään lyhyesti kolmiulotteiseen visualisointiin ja mittaamiseen tarvittavien erikoisvälineiden perusperiaatteita ja streotarkastelun tuomia lisämahdollisuuksia ilmakuvien hyödyntämisessä.

Polaarisaatioon perustuvissa stereotyöasemissa kumpaakin kuvaa näytetään lyhyissä jaksoissa vuorotellen näytöllä ja erillisten polarisoivien lasien avulla monitorilla olevan kuvan valonsäteiden kulku silmälle joko estetään tai sallitaan. Järjestelmän aktiivinen (polarisoiva) osa voi olla integroituna joko näyttöön tai laseihin. Aktiiviseen näyttöön perustuvassa systeemissä on näytön edessä nestekidemodulaattori, joka on tahdistettu näytössä esitettävien kuvien vuorotteluun, ja joka polarisoi kummankin kuvan kuvasäteet eri suuntaisiksi. Kolmiulotteinen tarkastelu on mahdollista helppokäyttöisillä, passiivisilla polarisaatiolaseilla, joiden vasen linssi sulkee oikean kuvan ja oikea linssi vasemman kuvan säteet. Aktiivisiin laseihin perustuvissa menetelmissä polarisointi- ja suljinkomponentit ovat molemmat sijotettu laseihin, jotka ovat tästä syystä kalliimmat ja painavammat. Lasit on synkronisoitu vuorotteluperiaatteella toimivan näytön kanssa infrapunalinkin avulla langattomasti. Polarisaatioon perustuvissa menetelmissä on usean henkilön mahdollista tarkastella 3D-näkymää samanaikaisesti.

Näyttöstereoskooppi vastaa toiminnaltaan perinteistä peilistereoskooppia. Näytöllä eri kohdissa tai eri näytöillä olevat kuvat projisioidaan okulaarien kautta kumpikin omalle silmälleen. Kuvat ovat staattisesti paikallaan näytö(i)llä, minkä ansiosta kolmiulotteinen näkymä on terävä ja välkkymätön. Toisaalta okulaarien käyttö on vaivalloisempaa kuin polarisaatiolasien ja kolmiulotteisesti tarkasteltavana voi olla vain pieni alue kerrallaan.

Jotta kolmiulotteiselta mallilta voidaan mitata geometriatietoja, on mallitilaan projisoitava ns. avaruusmittamerkki. 3D-mittamerkki luodaan siirtämällä mallien muodostavien kuvien kaksiulotteiset kursorit kohdakkain. Avaruusmittamerkin siirtotoiminnot voidaan integroida esim. tavanomaiseen kolmipainikkeiseen hiireen, funktionäppäimiin tai digitointilaitteen toimintonappuloihin.

5.1 Käyttömahdollisuuksista

Stereomalli voidaan muodostaa stereokuva- tai stereo-ortokuvaparista, jonka kuvat on otettu samasta kohdealueesta eri kuvanottopisteistä. Tavanomaisista keskusprojektiossa olevista ilmakuvista saadaan stereomalli oikaisemalla kuvat stereokuvauksen normaalitapauksen mukaiseen asentoon. Ortokuvista stereomalli tehdään siirtämällä kuvaparin toisen kuvan kaikkia kuvapisteitä kannan suuntaisesti korkeuseroa vastaavan parallaksin verran. Malli voidaan tehdä ortokuvaparista myös maaston topografiaa lisäämättä. Tällöin maanpinta näkyy tasona, mutta oikaisemattomat yksityiskohdat (puut, rakennukset, jne.) näkyvät kolmiulotteisina.

Ilmakuvista tehdyn stereomallin avulla voidaan visualisoida realistisesti kohdealueen tilaa kuvanottohetkellä. Stereomittauksien perusteella valmistettujen vektorimuotoisten 3D-mallien avulla visualisointia voidaan tehostaa esim. päällenäytöllä ja korkeustiedon korostuksella. Tulkittujen kolmiulotteisten yksityiskohtien avulla voidaan laatia ja esittää virtuaalisia suunnitelmia ja näkymiä esim. jonkin rakennushankkeen ennustetuista vaikutuksista. Stereo-ortokuvilta voidaan kolmiulotteista sijaintitietoa kartoittaa suoraan karttakoordinaatistossa. Ortokuvaparia, joka on valmistettu lisäämättä maaston korkeusvaihteluja, voidaan käyttää myös maastomallin virheiden havaitsemiseen, koska virheet näkyvät stereo-ortomallilla maanpinnan epätasomaisuuksina. 
 
 

6 YHTEENVETO

Tietokoneavusteisen kuvankäsittelyn kehitys on avannut uusia mahdollisuuksia fotogrammetrian hyödyntämiseksi. Kuvien tarkasteluun ja mittaamiseen ei enää välttämättä tarvita kalliita ja hankalia erikoislaitteita, vaan kuvien hyödyntäminen on mahdollista tavanomaisilla tietokoneilla esim. GIS-ohjelmistoissa taustakuvina.

Digitaalisen fotogrammetrian tunnuspiirre on mahdollisuus mittausten ja kuvatulkinnan automatisointiin. Täysin automaattiset mittausjärjestelmät eivät ole vielä ajankohtaisia, mutta moniin fotogrammetrisiin perusmittauksiin on kehitetty toimivia erilaisiin rasterianalyysioperaattoreihin (esim. piirteiden irroitus, kuvien yhteensovitus) perustuvia algoritmeja. Varsinaisen tuotantotyön osalta automatisointi on edennyt pisimmälle digitaalisten korkeusmallien ja digitaalisten ortokuvien tuotannossa.

Digitaaliset stereotyöasemat mahdollistavat kuvatulkinnan suoraan kolmiulotteisessa avaruudessa. Tämä nopeuttaa erilaisten 3D-mallien mittaustyötä ja helpottaa valmiiden mallien visuaalista tarkistusta. Stereovaikutelman luomiseen tarvitaan kuitenkin vielä nykyisin erikoisvarusteiksi luokiteltavia tarvikkeita, kuten esim. polarisoiva näyttö tai polarisaatiolasit.

Digitaalisilta ilmakuvilta voidaan mitata ja niiden avulla voidaan esittää kohdealueen geometria ja radiometrisiä ominaisuuksia kuvaushetkellä. Kartoitettavien tai mallinnettavien kohteiden kaksi- tai kolmiulotteisten sijaintitietojen lisäksi voidaan kuvilta ratkaista esim. etäisyyksiä, pinta-aloja ja tilavuuksia. Radiometrisiä tietoja, kuten värisävyä, voidaan puolestaan käyttää kohteiden tunnistamisessa ja ns. fotorealististen mallien luomisessa. Kuvilta välittömästi tulkittavissa olevan tiedon lisäksi kuvainformaatiota voidaan hyödyntää esim. kohdealueessa tapahtuneiden muutosten havaitsemiseen ja seuraamiseen, erilaisten suunnitelmien ja ennusteiden laatimiseen sekä vaikutusten mallintamiseen ja vaikutusalueiden selvittämiseen.

Rakennetut kaupunkialueet ovat fotogrammetrian kohdealueina haastavia. Kartoitettavia tai mallinnettavia yksityiskohtia voi kaupungista otetulla ilmakuvalta löytää lähes loputtomasti, mutta silti esim. rakennusten aiheuttamien katveiden ja varjojen takia kaikkea tarvittavaa tietoa ei yleensä voida havaita. Toisaalta fotogrammetrian menetelmiä ja digitaalisia ilmakuvia voidaan hyödyntää monin eri tavoin juuri rakenteeltaan monimuotoisen ja toiminnoiltaan rikkaan ympäristön tutkimisessa ja kuvaamisessa. 
 
 

7 LÄHDELUETTELO

Ackermann, F. 1996. Some Considerations About Feature Matching for the Automatic Generation of Digital Elevation Models. Teoksessa: OEEPE-Workshop on Application of Digital Photogrammetric Workstations, Lausanne 4 - 6 March, OEEPE offical publication No 33. Frankfurt am Main: Institut fur Angewandte Geodäsie. S. 231 - 240. ISSN 0257-0505
Albertz, J., König, G. 1991. The Advanced Digital Stereophotgrammetric System of the TU Berlin. Teoksessa Ebner, H., Fritsch, D., Heipke, C. (ed.) Digital Photogrammetric Systems. Karlsruhe: Herbert Wichmann Verlag GmbH. S. 17 - 27. ISBN 3-87907-234-5
Amhar, F., Ecker, R. 1995. Accurate Mapping of Buildings in Digital Orthophotos. Artikkeli WWW-sivulla: http://www.ipf.tuwien.ac.at/veroeffentlichungen/fa_re_p_ica95.html. Institute for Photogrammetry and Remote Sensing, Vienna University of Technology.
Dan, H., Gruen, A. 1995. Automatic Correction of Houses in Digital Orthoimages. Tutkimusprojektin esittelysivu: http://www.p.igp.ethz.ch/p02/projects/orthoimage/ortho_correct.html. Swiss Federal Institute of Technology. Institute of Geodesy and Photogrammetry. Zurich.
Dowman, I. 1991. Design of digital Photogrammetric Workstations. Teoksessa Ebner, H., Fritsch, D., Heipke, C. (ed.) Digital Photogrammetric Systems. Karlsruhe: Herbert Wichmann Verlag GmbH. S. 28 - 38. ISBN 3-87907-234-5
Fernandes, J., Fonseca, A., Gouveia, C., Faria, A., Figueira, H., Henriques, I., Garção, R., Perreira, L. 1997. A WWW Spatial Information System Based on Digital Orthophotos. Teoksessa: From Research to Application through Cooperation. 3rd Joint European Conference and Exhibition on Geographical Information. Vienna 16 - 18 April. Amsterdam: IOS Press. S. 155 - 166. ISBN 90-5199-331-5
Fotogrammetrian ja Kaukokartoituksen Seura 1995. Suositukset Suomessa tehtävälle mittaus- ja kartoitusilmakuvaukselle. Espoo: Kuntaliitto (julkaisu 1/1995). 15 s.
Gray, S. 1995. Updating of Complex Digital Topographic Databases. Frankfurt am Main: OEEPE Offical Publication nro 30. 133 s. ISSN 0257-0505
Gülch, E. (1991). Automatic Extraction of Geometric Features from Digital Imagery. Teoksessa Ebner, H., Fritsch, D., Heipke, C. (ed.) Digital Photogrammetric Systems. Karlsruhe: Herbert Wichmann Verlag GmbH. S. 74 - 85. ISBN 3-87907-234-5
Heipke, C. 1996. Overview of Image Matching Techniques. Teoksessa: OEEPE-Workshop on Application of Digital Photogrammetric Workstations, Lausanne 4 - 6 March, OEEPE offical publication No 33. Frankfurt am Main: Institut fur Angewandte Geodäsie. S. 173 - 189. ISSN 0257-0505
Jaakkola, M., Brindöpke, W., Kölbl, O., Noukka, P. 1985. Optimal Emulsions for Large-Scale Mapping (Test of "Steinwedel"). OEEPE official publication No 15. Frankfurt am Main: Institut fur Angewandte Geodäsie. 102 s. ISSN 0257-0505
Kanner, H., Estlander, K., Heimonen, T. 1996. Taajamien liikennesuoritteen arvioimismenetelmä. Kuntatekniikka, 51. vuosikerta, nro 6, s. 19 - 23. ISSN 1238-125X
Kraus, K. 1993. Photogrammetry. Volume 1, Fundamentals and Standard Processes.4th ed.. Bonn: Ferd Dümmlers Verlag. 397 s. ISBN 3-427-78684-6
Kölbl, O. 1996. An overview on Commercial Software Products for Digital Aerial Triangulation. Teoksessa: OEEPE-Workshop on Application of Digital Photogrammetric Workstations, Lausanne 4 - 6 March, OEEPE offical publication No 33. Frankfurt am Main: Institut fur Angewandte Geodäsie. S. 125 - 137. ISSN 0257-0505
Kölbl, O., Bach, U. 1994. Tone Reproduction of Photographic Scanners. Teoksessa: OEEPE-Workshop on Application of Digital Photogrammetric Workstations, Lausanne 4 - 6 March, OEEPE offical publication No 33. Frankfurt am Main: Institut fur Angewandte Geodäsie. S. 51 - 69. ISSN 0257-0505. Julkaistu aiemmin: Geodezja I Kartografia t.XLIII, s. 59-77, Puola.
Lautso, K. 1978. Ilmakuvauksen käyttö liikenne- ja erityisesti jalankulku- ja pysäköintitukimuksessa. Lisensiaattitutkimus. Espoo: Yhdyskuntasuunnittelun jatkokoulutuskeskus (julkaisu B17), Helsingin teknillinen korkeakoulu. ISBN 951-751-277-5
Madani, M. 1996. Intergraph Integrated Digital Photogrammetry System. Teoksessa Kölbl, O. (ed) OEEPE - Workshop on Application of Digital Photogrammetric Workstations, Lausanne 4-6 March 1996. Frankfurt am Main: OEEPE Offical Publication nro 33. 453 s. ISSN 0257-0505
Moffitt, F., Mikhail, E. 1980. Photogrammetry. 3rd ed. New York: Harper & Row, Inc. 648 s. ISBN 0-700-22517-X
Sarjakoski, T., Lammi, J. 1991. Stereo Workstations and Digital Imagery in Urban GIS-Environment. Teoksessa Ebner, H., Fritsch, D., Heipke, C. (ed.) Digital Photogrammetric Systems. Karlsruhe: Herbert Wichmann Verlag GmbH. S.274-288. ISBN 3-87907-234-5
Sarjakoski, T., Lammi, J. 1993. Requirements of a Stereo Workstation for the GIS Environment. Journal of Visual Languages and Computing, nro 4, s. 127 - 142.
Streilein, A. 1994. Towards Automation in Architectural Photogrammetry: CAD-based 3D-feature Extraction. ISPRS Journal of Photgrammetry & Remote Sensing, vol 49, nro. 5, s. 4-15.
Schwidefsky, K., Ackermann, F. 1976. Fotogrammetria. Espoo: Otakustantamo 1978. 384 s. ISBN 951-671-225-8. Käännös alkuperäisteoksen "Grundriss der Photogrammetrie" 7 ed. saksankielisestä laitoksesta "Photogrammetrie". Stuttgart: B.G. Teubner.
Zilevicius, V., Rumsas, G. 1997. Mapping in Lithuania: from Manual to Digital. Teoksessa: From Research to Application through Cooperation. 3rd Joint European Conference and Exhibition on Geographical Information. Vienna 16 - 18 April. Amsterdam: IOS Press. S. 927 - 936. ISBN 90-5199-331-5


 
 

Liite 1

Esimerkkejä kaupungin liikennesuoritteiden määrittämiseksi hankitun ilmakuva-aineiston käyttömahdollisuuksista.

Aineiston kuvaus:
- tutkitun kaupungin taajama-alueen kattava väri-ilmakuvablokki
- kuvien mittakaava 1:12500
- kuvauskorkeus 1915 m
- pituuspeitto n. 80 %, sivupeitto n. 0 %
- kuvan koko 230 x 230 mm => 2875 x 2875 m maastossa
- skannausresoluutio 21,2 µm (1200dbi) => pikselin sivu maastossa 0,265 m
Käyttömahdollisuuksia:

1. Kartoitus

- kartoitustarpeen selvittäminen (muutokset ko. alueella)
- opaskarttojen laatiminen
- kantakarttojen täydennys
- kiinteistörajojen kartoitus, kiinteistötietokantojen tiedonhankinta
- korkeus- ja maastomallien sekä ortokuvakarttojen valmistus
- kaupunki- ja ympäristömallien tiedonhankinta
2. Suunnittelu
- kunnallisteknisten ja geodeettisten verkkojen suunnittelu
- liikennesuunnittelu
- kaavasuunnittelu
- suurten rakennushankkeiden suunnittelu
3. Tutkimus
- maankäytön selvitykset
- liikenne- ja pysäköntitutkimukset
- suurten rakennushankkeiden seuranta