ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZEgeo.fsv.cvut.cz/proj/dp/2014/ondrej-bohac-dp-2014.pdf · v tomto odvětví fotogrammetrie zorientovat. Tato oblast je jednou z nejmodernějších

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE

FAKULTA STAVEBNÍ

DIPLOMOVÁ PRÁCE

PRAHA 2014 Bc. Ondřej BOHÁČ

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE

FAKULTA STAVEBNÍ

OBOR GEODÉZIE A KARTOGRAFIE

DIPLOMOVÁ PRÁCE

OPTICKÉ KORELAČNÍ SYSTÉMY

- PRŮZKUM A ZHODNOCENÍ AKTUÁLNÍHO STAVU

Vedoucí práce: Ing. Jindřich HODAČ, Ph.D. Katedra geomatiky

leden 2014 Bc. Ondřej BOHÁČ

ABSTRAKT

Tato práce se zabývá problematikou optických korelačních systémů - OKS. Práce je

rozdělena na dvě hlavní části. V první části je podán stručný teoretický podklad

tvorby 3D modelů pomocí OKS, založený na obrazové korelaci. Dále jsou OKS

rozděleny podle několika hledisek a také jsou představeny dřívější vybrané práce

zabývající se testováním OKS. Druhá, praktická, část práce je věnována testování

vybraných parametrů, které by mohly mít vliv na kvalitu a přesnost 3D modelů.

Jedná se o tyto parametry: světelné podmínky v exteriéru, konfigurace snímkování

a konstanta komory. V závěru práce jsou zhodnoceny dosažené výsledky

provedeného průzkumu oblasti OKS a testování parametrů, navrženy další

parametry vhodné k testování a také je zde úvaha o budoucím vývoji OKS.

KLÍČOVÁ SLOVA

optické korelační systémy, optické skenování, obrazová korelace, tvorba 3D

modelů, testování, přesnost modelu, porovnání modelů

ABSTRACT

This paper deals with issues of the optical correlation systems - OCS. Thesis is

divided into two main parts. The first part gives a brief theoretical basis of 3D

models generation based on image correlation using the OCS. Furthermore, the OCS

are divided according to several points of view and selected existing papers dealing

with testing of the OCS are introduced. The second, practical part, is devoted to

testing of selected parameters that might affect quality and accuracy of 3D

models. These parameters are following: exterior lighting conditions, configuration

of images and a focal length value. In conclusion, there is an evaluation of

achieved results of the conducted research and testing, suggestion of other

parameters suitable for testing and there is also a reflection on the future

development of the OCS.

KEYWORDS

optical correlation systems, optical scanning, image correlation, 3D models

generation, testing, model accuracy, model comparison

PROHLÁŠENÍ Prohlašuji, že diplomovou práci na téma „Optické korelační systémy – průzkum

a zhodnocení aktuálního stavu“ jsem vypracoval samostatně. Použitou literaturu

a podkladové materiály uvádím v seznamu zdrojů.

V Praze dne .................... ……………………………………………..

(podpis autora)

PODĚKOVÁNÍ Na tomto místě bych chtěl předně poděkovat Ing. Jindřichu Hodačovi, Ph.D. za

jeho ochotný a odborný přístup k vedení této práce. Dále děkuji Bc. Evě Cmuntové

za korekturu textu a závěrem bych rád poděkoval rodičům za podporu během celé

doby studia.

Obsah

Úvod ..................................................................................................................................... 9

1 OKS – teoretický podklad .......................................................................................... 11

1.1 Metody získání 3D mračna bodů ....................................................................................... 11

1.2 Obrazová korelace ................................................................................................................ 12

1.3 Výpočetní algoritmy ............................................................................................................. 13

1.3.1 SIFT ........................................................................................................................... 13

1.3.2 RANSAC ................................................................................................................... 14

1.3.3 SfM ............................................................................................................................. 14

1.3.4 Bundle Adjustment .................................................................................................. 15

1.3.5 PMVS ......................................................................................................................... 15

2 OKS a jejich dělení ..................................................................................................... 17

2.1 Oblasti použití ....................................................................................................................... 17

2.1.1 Letecká fotogrammetrie .......................................................................................... 17

2.1.2 Pozemní fotogrammetrie ........................................................................................ 18

2.2 Vstupní data .......................................................................................................................... 19

2.2.1 JPEG .......................................................................................................................... 19

2.2.2 TIFF ........................................................................................................................... 19

2.2.3 GIF ............................................................................................................................. 20

2.2.4 PNG ........................................................................................................................... 20

2.2.5 Video .......................................................................................................................... 21

2.3 Použité vybavení ................................................................................................................... 21

2.3.1 Speciální snímací zařízení ........................................................................................ 21

2.3.2 Fotografická komora ............................................................................................... 23

2.4 Různé postupy snímkování a kódové značky ................................................................... 25

2.5 Způsob výpočtu modelu ..................................................................................................... 26

2.6 Původ softwaru ..................................................................................................................... 27

2.6.1 Čistě komerční SW .................................................................................................. 28

2.6.2 Nadstavba 3D modelovacího systému ................................................................. 30

2.6.3 Volně dostupný SW od komerčních autorů......................................................... 31

2.6.4 Akademický SW ....................................................................................................... 34

2.7 Definování měřítka a editace modelu ................................................................................ 36

2.8 Výstupní formáty .................................................................................................................. 38

2.8.1 OBJ ............................................................................................................................ 38

2.8.2 PLY ............................................................................................................................ 39

2.8.3 VRML ........................................................................................................................ 40

2.8.4 STL ............................................................................................................................. 40

3 Práce zabývající se testováním OKS .......................................................................... 41

3.1 Porovnání 3D skenovacích metod s mračnem bodů, vytvořením obrazovou korelací

v digitální fotogrammetrii .................................................................................................... 41

3.2 123D Catch – testování nástroje pro tvorbu detailních 3D modelů............................. 42

3.3 Optické vs. laserové skenování – srovnání metod získání modelu strmých horských

svahů ....................................................................................................................................... 43

3.4 Využití open-source fotogrammetrických softwarů pro potřeby památkové

dokumentace, jejich analýza a přesnost ............................................................................. 44

3.5 Ochrana a obnova kulturního dědictví metodami digitální fotogrammetrie ............... 46

4 Sestavení testů a metodiky testování ........................................................................ 48

4.1 Vlivy ovlivňující kvalitu modelu ......................................................................................... 48

4.1.1 Zásady správného snímkování podle autorů OKS ............................................. 48

4.1.2 Zásadní parametry ovlivňující kvalitu modelu ..................................................... 49

4.2 Sestavení testů ....................................................................................................................... 50

4.3 Testovací objekt .................................................................................................................... 51

4.4 Použité přístrojové vybavení ............................................................................................... 52

4.4.1 Canon EOS 450D .................................................................................................... 52

4.4.2 Tamron AF 18-200 mm f/3.5-6.3 Di-II IF XR LD ........................................... 53

4.5 Společné nastavení komory a ostření scény ...................................................................... 53

4.6 Postup testování – tvorba a porovnání modelů ............................................................... 54

4.6.1 Kalibrace komory – Agisoft Lens .......................................................................... 55

4.6.2 Tvorba modelu – Agisoft PhotoScan ................................................................... 57

4.6.3 Porovnání modelů – CloudCompare .................................................................... 58

5 Testování vybraných parametrů ................................................................................ 62

5.1 Test 1 – Světelné podmínky v exteriéru ............................................................................ 62

5.1.1 Důvod a předpoklad testování ............................................................................... 62

5.1.2 Snímkování ............................................................................................................... 62

5.1.3 Postup testování ....................................................................................................... 65

5.1.4 Zhodnocení dosažených výsledků ......................................................................... 67

5.2 Test 2 – Konfigurace snímkování ...................................................................................... 71


5.2.2 Snímkování ............................................................................................................... 72



5.3 Test 3 – Konstanta komory ................................................................................................ 78


5.3.2 Snímkování ............................................................................................................... 79



Závěr ................................................................................................................................... 84

Použité zdroje ..................................................................................................................... 88

Seznam zkratek .................................................................................................................. 94

Seznam tabulek .................................................................................................................. 96

Seznam obrázků ................................................................................................................. 97

Obsah DVD ........................................................................................................................ 99

Seznam příloh .................................................................................................................... 101

Přílohy ................................................................................................................................ 102

ČVUT v Praze ÚVOD

9

Úvod

Vznik této práce byl podnícen již tvorbou autorovi bakalářské práce na téma „123D

Catch – testování nástroje pro tvorbu detailních 3D modelů“. Během zpracování bakalářské

práce, která byla zaměřena na jeden konkrétní software, se autor seznámil s oblastí

automatizované tvorby 3D modelů ze snímků a postupně se ukazovalo, jak nesmírně široká je

tato problematika. Její šířka je dána množstvím nejrůznějších aplikací metody, možnostmi použití

různého přístrojového vybavení, různými postupy sběru dat a v neposlední řadě existencí velké

spousty různých výpočetních softwarů. Proto byla navržena tato práce, jejímž hlavním cílem je

podat ucelený pohled na danou problematiku a pomoci tak čtenáři, potenciálnímu uživateli, se

v tomto odvětví fotogrammetrie zorientovat.

Tato oblast je jednou z nejmodernějších oblastí digitální fotogrammetrie, procházející

neustále bouřlivým vývojem. Za počátek výzkumu lze označit přelom 20. a 21. století. Protože se

jedná o oblast tak mladou a živou, existuje zde mnoho anglických ekvivalentů pojmenovávajících

toto odvětví. Nejčastěji lze při procházení literatury a „googlování“ narazit na výrazy: 3D optical

scanning, 3D capturing, 3D reconstruction a 3D restitution. Části těchto klíčových slov bývají často

obsaženy i v názvech programů, např.: My3DScanner, ReconstructME nebo Agisoft PhotoScan.

Ačkoliv existuje mnoho různorodých názvů, zřejmě nejčastěji se v literatuře, a potažmo ve jméně

softwaru, vyskytuje kromě zkratky 3D nějaká derivace hesla scanning. V této práci bude výhradně

používán ekvivalentní název „optické korelační systémy“, zkráceně OKS. Touto oblastí se

rozumí software umožňující automatizovanou tvorbu 3D modelů ze série digitálních

fotografických snímků pořízených libovolnou fotografickou komorou.

Práce je členěna do dvou hlavních částí. První část je část teoretická a je věnována právě

proniknutí do problematiky OKS a snaze vnést do ní nějaký řád. Tato část se skládá

z následujících kapitol. Úvodní kapitola je věnována teoretickému základu metody. Zde je

vysvětlena podstata obrazové resp. optické korelace a podán stručný popis jednotlivých

algoritmů, které jsou postupně použity při procesu tvorby 3D modelu. V druhé, stěžejní, kapitole

jsou OKS rozděleny podle různých kritérií, kterými jsou: oblast použití, vstupní data, použité

přístrojové vybavení, různé postupy snímkování, způsob výpočtu modelu, původ softwaru,

definování měřítka, možnosti editace modelu a konečně výstupní formáty modelu. Důraz je

mimo jiné kladen též na volně dostupné webové aplikace a různé uživatelské úrovně. Třetí

kapitola představuje vybrané dřívější práce zabývající se testováním, porovnáním a posouzením

přesnosti jednotlivých OKS.

Druhá část, složená ze dvou kapitol (č. 4 a č. 5), je věnována praktickému otestování

vybraných parametrů, které by mohly ovlivňovat kvalitu a geometrickou přesnost modelů. Ve

ČVUT v Praze ÚVOD

10

čtvrté kapitole jsou sestaveny jednotlivé testy a především je zde uveden technologický postup

testování, který je podrobně zdokumentován ve formě instruktážních videí. Tento technologický

postup obsahuje tři po sobě jdoucí kroky: kalibrace komory, tvorba modelu a porovnání

jednotlivých modelů. V poslední páté kapitole jsou otestovány vybrané tři parametry, které jsou

předmětem těchto testů:

1. Test 1 – Světelné podmínky v exteriéru

2. Test 2 – Konfigurace snímkování

3. Test 3 – Konstanta komory

V závěru práce budou shrnuty výsledky dosažené během provedeného průzkumu

a testování. Stejně tak zde budou uvedeny úvahy o testování dalších možných parametrů

a o budoucím vývoji OKS.

ČVUT v Praze 1. OKS – TEORETICKÝ PODKLAD

11

1 OKS – teoretický podklad

V této kapitole budou nejprve uvedeny různé metody neselektivního získání 3D mračna bodů

a jejich výhody a nevýhody. Dále bude tato kapitola věnována stručnému popisu základních

algoritmů OKS, které umožňují automatizovanou tvorbu 3D modelu ze série fotografických

snímků.

1.1 Metody získání 3D mračna bodů

K získání 3D bodového mračna pozemních objektů lze využít různé technologie. Při výběru

vhodné technologie záleží v neposlední řadě na velikosti zájmového objektu. Jako základní tři

technologie lze označit:

3D laserové skenování (objekty většího rozsahu, řádově metry)

3D triangulační skenování (objekty menšího rozsahu, řádově milimetry až centimetry)

OKS (objekty menšího i většího rozsahu, milimetry až metry)

Obr. 1.1: Laserový skener Leica a triangulační skener Konica Minolta [33] [34]

Mezi hlavní výhody technologie OKS oproti laserovým skenerům patří:

nižší pořizovací cena zařízení

snímky obsahují barevnou informaci vhodnou pro vizualizaci modelu

délka práce v terénu je podstatně kratší

variabilita zpracování projektů (objekty velikosti mm až desítek metrů)

nízká hmotnost a snadná manipulace se zařízením

základní zpracování může provádět i minimálně zaškolený neodborník


12

Tato technologie má ale i své nevýhody v porovnání s laserovými skenery. Mezi hlavní nevýhody

metody OKS patří:

závislost na správném osvětlení objektu

potřeba minimálně dvou stanovisek pro získání 3D dat

přesnost výrazně klesá se vzdáleností od objektu

objekt nesmí mít homogenní povrch

delší čas kancelářských prací (výpočet modelu, editace modelu)

model vzniká až v kanceláři

při aplikaci v letecké fotogrammetrii nelze odlišit terén a vegetaci

Princip metody laserového a triangulačního skenování je popsán např. v [2].

1.2 Obrazová korelace

Kapitola čerpá z [2]. Obrazová korelace je základním principem optických korelačních systémů.

Cílem korelace je nalézt dva sobě si odpovídající body na dvou resp. více snímcích, které

zachycují tentýž objekt, ale jsou pořízeny z jiných stanovisek. Pro úspěšné nalezení

odpovídajícího bodu je nutné, aby snímky nebyly příliš odlišné. Proces vyhledávání

odpovídajících si bodů je zobrazen na následujícím obrázku.

Obr. 1.2: Obrazová korelace [2]

Na prvním snímku je vybrán bod, který je potřeba identifikovat na snímku druhém. Aby vůbec

bylo možné korelaci provézt, je nutné vyhledávání rozšířit i na nejbližší okolí bodu. Toto okolí na

Obr. 1.2 reprezentuje „vzorové okénko“. Pravděpodobnost úspěšného nalezení sdruženého

bodu se úměrně zvyšuje se zvětšováním „vzorového okénka“. S tímto je ale spojena i zvyšující se


13

doba potřebná k výpočtu korelace. Za předpokladu, že každý bod má do jisté míry unikátní okolí,

je pro druhý snímek definováno „vyhledávací okénko“, které má stejnou velikost jako „vzorové

okénko“. Tímto okénkem je pixel po pixelu prohledávána „vyhledávací oblast“, ve které se

očekává výskyt sdruženého bodu. Míra shody vzoru a obrazu je vyjádřena korelačním

koeficientem, který je počítán pro každou polohu „vzorového okénka“. Korelační koeficient

nabývá hodnot -1 až +1, kde -1 znamená úplnou neshodu a +1 znamená úplnou shodu. Hodnota

korelačního koeficientu je určena pro každý pixel ve vyhledávací oblasti. Hledaným sdruženým

bodem je tedy pixel s největší hodnotou korelačního koeficientu.

Pro bod vzoru a obrazu jsou určeny snímkové souřadnice, ze kterých jsou poté vypočteny

3D prostorové souřadnice bodu aplikací série výpočetních algoritmů, viz následující kapitola 1.3.

Prvky vnitřní1 a vnější2 orientace nemusejí být známy a jsou určeny v rámci výpočetních

algoritmů.

1.3 Výpočetní algoritmy

Podrobný popis používaných výpočetních algoritmů je uveden např. v [5]. V následujících

kapitolách budou nastíněny pouze stručné základní informace o jednotlivých algoritmech,

umožňující pochopení významu jednotlivých kroků výpočetního procesu. Algoritmy jsou řazeny

tak, jak bývají postupně aplikovány v rámci projektu tvorby 3D mračna bodů.

1.3.1 SIFT

Zkratka SIFT znamená Scale-invariant feature transform. Autorem tohoto algoritmu je David Lowe

z americké Univerzity Britské Kolumbie, který jej publikoval roku 1999.

Tento algoritmus je schopen rozpoznat tzn. feature neboli charakteristické body snímků.

Tyto body se většinou nacházejí ve velmi kontrastních oblastech jako jsou např. hrany objektů.

Vlastností těchto bodů je, že jejich relativní pozice zůstává neměnná a jejich detekce je umožněna

i navzdory rozdílnému měřítku snímků, šumu a při odlišném osvětlení.

V prvním kroku SIFT algoritmus vyhledá extrémy obrazové funkce, které se stanou tzv.

kandidáty. Druhým krokem je tzv. filtrace. Při této filtraci jsou z kandidátů vyloučeny nestabilní

body s nízkým kontrastem a body na hranách. A na závěr jsou charakteristické body feature

detekovány v ostatních snímcích.

1 Prvky vnitřní orientace jsou údaje, které charakterizují geometrii paprsků uvnitř komory. Jedná se

o konstantu komory, polohu hlavního bodu a znalost průběhu distorze objektivu. [9]

2 Prvky vnější orientace nazýváme údaje, které definují polohu projekčního centra a směr osy záběru.

Jedná se o tři souřadnice středu vstupní pupily a tři nezávislé rotace. [9]


14

Obr. 1.3: SIFT – propojení snímků pomocí charakteristických bodů [5]

1.3.2 RANSAC

Algoritmus RANSAC (Random Sample Consensus) neboli „Konsenzus náhodného výběru“ byl

představen autory Martin Fischler a Robert Bolles roku 1981.

Jedná se o tzv. robustní metodu zpracování dat (vyrovnání), která je na rozdíl od známé

metody MNČ (metoda nejmenších čtverců) vhodná pro zpracování dat, která obsahují významný

počet hrubých chyb. Těmito daty mohou být právě obrazová data. Pomocí algoritmu RANSAC

je především řešen LDP (Location Determination Problem), při kterém je vypočtena poloha snímku

v prostoru, který obsahuje body se známou polohou.

V první fázi je řešen tzv. klasifikační problém, při kterém je snahou nalézt nejlepší shodu

mezi měřenými daty (obrazová data) a matematickým modelem. Druhou fázi představuje tzv.

problém odhadu parametrů, který se zabývá výpočtem volných parametrů daného

matematického modelu. Obě fáze často nejsou nezávislé.

Protože SIFT algoritmus automatizovaně generuje velké množství charakteristických

bodů, které jsou zatíženy hrubými chybami, je pro následné zpracování výhodné použít právě

algoritmus RANSAC – LD (Location Determination). Výstupem tohoto algoritmu jsou:

souřadnice projekčních center kamer

orientace snímků v prostoru

1.3.3 SfM

Structure from Motion je algoritmus, který se využívá k určení pozice kamer všech snímků

a rekonstrukci významných bodů objektu. Základním předpokladem pro úspěšný výpočet tohoto

algoritmu je, že snímaný objekt je statický a pohybuje se pouze komora kolem objektu.

Následující obrázek zobrazuje určené pozice kamer a významných bodů objektu římského

Kolosea s využitím programu Bundler, viz kapitola 2.6.4.


15

Obr. 1.4: SfM – program Bundler [21]

1.3.4 Bundle Adjustment

Bundle Adjustment neboli „Svazkové vyrovnání“ je závěrečným algoritmem, který je aplikován před

samotnou generací 3D bodového mračna. Při této metodě jsou současně vyrovnávány všechny

parametry:

pozice a orientace kamer v prostoru

souřadnice významných bodů

Svazkové vyrovnání využívá přímý vztah mezi snímkovými souřadnicemi a modelovými

souřadnicemi a jeho inverzní podobu.

1.3.5 PMVS

PMVS znamená Patch-based Multi-view Stereo. Algoritmus vyvinuli Y. Furukawa a J. Ponce.

Tento algoritmus produkuje malé plošky obdélníkového tvaru tzv. patch, které získá

z korespondencí pixelů. Tyto malé plošky patch postupně pokrývají celý objekt v místech, kde se

nachází dostatečně heterogenní textura. Dále je algoritmus schopen vyřadit odlehlé body, ale

zároveň neprovádí žádné vyhlazování.

Algoritmus PMVS pracuje ve třech krocích. První krok se nazývá matching feature. Tento

krok je již proveden pomocí SfM algoritmu a PMVS algoritmus přebírá pouze jeho výsledky.

Druhým krokem je tzv. expansion. V tomto kroku jsou patch rozšiřovány ve svém okolí. Finálním

třetím krokem je proces filtration, při kterém jsou postupně filtrovány nové patch. Následující

obrázek zobrazuje postupný proces generace patch plošek.


16

Obr. 1.5: PMVS – generace prvků patch [5]

ČVUT v Praze 2. OKS A JEJICH DĚLENÍ

17

2 OKS a jejich dělení

Při procházení internetu lze narazit na spoustu programů zabývajících se automatizovanou

tvorbou modelů z fotografických snímků. Jednotlivé programy se liší oblastí použitelnosti, svým

původem a cenou, typem a formátem vstupních dat, úrovní automatizace a způsobem výpočtu

mračna, možností editace mračna, formátem výstupního modelu atd. Tato různorodá škála má

svoji podstatnou nevýhodu. Potenciální uživatel, který hledá vhodný program pro řešení svých

projektů, se může cítit poněkud ztracen a musí věnovat nemalé úsilí pro výběr toho správného

programu. Tento výběr mu navíc ztěžuje fakt, že ačkoli je internet jako médium velice flexibilní

z hlediska možnosti okamžité aktualizace obsahu, disponuje na druhou stranu velmi dobrou

pamětí. To znamená, že uživatel se musí probírat také softwarem, který je již značně zastaralý,

u něhož se zastavil vývoj před několika lety, a který tudíž nemůže splňovat nároky moderního

uživatele.

V následující kapitole budou optické korelační systémy roztříděny podle různých hledisek,

což by mělo budoucímu uživateli trochu napomoci s výběrem správného softwaru pro řešení

jednotlivých úloh.

2.1 Oblasti použití

Z hlediska oblasti použití OKS rozeznáváme dva základní případy:

letecká fotogrammetrie

pozemní fotogrammetrie

2.1.1 Letecká fotogrammetrie

V tomto případě se jedná o SW, který je určen pro tvorbu DMT (digitální model terénu), 3D

modelů měst, obcí, průmyslových parků, výpočet kubatur atd. Kromě snímků pořízených

z klasického letadla nebo družice se v dnešní době začínají významně prosazovat malé bezpilotní

snímkovací letecké prostředky UAV (unmanned aerial vehicle). Nejčastěji se jedná o tzv. quadrotory

(quadrocopter). Quadrotory jsou malé čtyřrotorové vrtulníky na dálkové ovládání, které jsou

opatřeny digitální kamerou a vynikají svou manévrovací schopností. Systém je ovládán radiovým

ovladačem operátorem ze země a pořizuje snímky zájmové oblasti. Tyto systémy jsou použitelné

pro výpočet kubatur, mapovací práce menších lokalit, průmyslových parků a liniových staveb,

snímkování komplexů budov a velkých samostatných budov (pozemní aplikace) atd. Pořizovací

cena těchto systémů je relativně nízká a pohybuje se v jednotkách desetitisíců Kč.


18

Obr. 2.1: Quadrocopter L4 a profesionální UAV Trimble UX5 [35] [36]

UAV Quadrocopter L4 má pořizovací cenu přibližně 25 000 Kč. Cena profesionálního UAV

Trimble UX5 se bude pohybovat v řádech statisíců Kč. Příklad použití UAV pro snímkování

a tvorbu modelu Plaveckého hradu v softwaru Agisoft PhotoScan lze nalézt v [6]. Existuje

mnoho softwarů přímo určených pro automatizovanou tvorbu 3D modelů zemského povrchu ze

snímků pořízených různými leteckými prostředky (UAV, letadlo, družice). Následující tabulka

představuje vybrané softwary od tvůrců z celého světa. Orientační cenu těchto softwarů se

podařilo najít pouze u software AreoHawk, jehož cena je 4 680 $. Lze očekávat, že obecně se

ceny těchto softwarů budou pohybovat v řádech tisíců $.

Tab. 2.1: Software pro leteckou fotogrammetrii

Program Autor Země Odkaz

DroneMapper Big Mountains Robotics, LLC USA [28]

Pix4D Pix4D SA Švýcarsko [29]

Correlator3D SimActive Inc. Kanada [30]

Smart3DCapture Acute3D Francie [31]

AreoHawk Areograph Ltd. Nový Zéland [32]

Oblast použití OKS pro tvorbu modelů ze snímků pořízených UAV prožívá obrovský boom

a zasloužila by zpracování v samostatné práci. Hlavním předmětem zájmu této práce je ale

pozemní aplikace OKS, které tedy budou věnovány všechny následující kapitoly.

2.1.2 Pozemní fotogrammetrie

V případě pozemního využití se jedná o software, který se využívá převážně pro tvorbu modelů

budov a objektů v památkové péči, uměleckých objektů (sochy, fontány, monumenty atd.),

předmětů (vázy, sošky, nábytek atd.). Dále lze tento SW aplikovat v medicíně (model lidského

těla, jeho částí a orgánů), v dokumentaci místa dopravní nehody nebo místa trestného činu, pro

výpočet kubatur v povrchových dolech a lomech a na skládkách materiálů, při nárazových testech

automobilů popř. při modelování filmových scén (např. software Enwaii [37]).


19

2.2 Vstupní data

Vstupními daty pro optické korelační systémy jsou digitální snímky v různých komprimovaných

i nekomprimovaných formátech. Některé programy dokonce podporují též videosekvence jako

vstupní data. Na internetu se již lze setkat s pojmem videogrammetry, který je možné přeložit jako

videogrammetrie. Zatím jsou ale nejběžnějšími vstupními daty digitální rastrové snímky, kterým

se zatím především kvůli nižšímu rozlišení nemohou video formáty vyrovnat. Většina OKS

k úspěšnému výpočtu modelu využívá také informace uložené v EXIF3 metadatech. Mezi

nejčastěji podporované rastrové formáty patří následující. Informace čerpány z [10].

2.2.1 JPEG

JPEG znamená Joint Photographic Experts Group, což je název konsorcia, které tento formát

navrhlo. Jedná se o otevřený formát, který využívá standardní metodu ztrátové komprese.

Používané zkratky tohoto formátu jsou: jpg, .jpeg, .jpe .jif, .jfif, .jfi. JPEG je nejběžněji používaný

formát pro přenos a ukládání snímku na webu. Formát podporuje 24-bitovou barevnou hloubku.

JPEG není vhodný pro perokresbu nebo zobrazení textu, neboť zde při kompresi jsou patrné

rušivé artefakty. Na druhou stranu je to formát velmi vhodný pro ukládání fotografických

snímků, které se vyznačují hladkými přechody tónů a barev. V tomto případě poskytuje značnou

úsporu dat při zachování dobré kvality obrazu. Nevýhodou může být větší zašumění snímků.

Následující obrázek zobrazuje snímek komprimovaný se vzrůstajícím komprimačním poměrem

zleva doprava.

Obr. 2.2: JPEG se vzrůstajícím komprimačním poměrem zleva doprava [38]

2.2.2 TIFF

TIFF znamená Tag Image File Format. Tento formát byl vyvinut společností Aldus (nyní Adobe

Systems). TIFF je složitější formát, který může být čistě bez komprese, využívat bezztrátovou

3 EXIF znamená Exchangeable image file format a jedná se o specifikace pro formát metadat, vkládaných do

souborů digitálními fotoaparáty. [10]

http://cs.wikipedia.org/wiki/Metadata

http://cs.wikipedia.org/wiki/Digit%C3%A1ln%C3%AD_fotoapar%C3%A1t


20

kompresi nebo nějaký typ ztrátové komprese. Používané zkratky tohoto formátu jsou: .tiff a .tif.

Formát TIFF je velice flexibilní, neboť díky používání „tagů“ na začátku souboru může

uchovávat rozmanité typy obrazů. TIFF umožňuje např. ukládání vícestránkových souborů nebo

ukládání souborů s vícenásobnými vrstvami. Na rozdíl od JPEG, TIFF soubory mohou být

editovány a ukládány bez kompresních ztrát. Formát podporuje 24-bitovou barevnou hloubku.

Použití TIFF snímků získaných konverzí RAW snímků doporučuje OKS Agisoft

PhotoScan [12]. Snímky v tomto formátu by neměly trpět výskytem šumu tolik jako snímky

formátu JPEG.

2.2.3 GIF

Zkratka GIF znamená Graphics Interchange Format. Tento otevřený formát vyvinula společnost

CompuServe. Formát GIF používá bezztrátovou kompresi, je tedy vhodný pro publikaci tzv.

pérovek (text, logo, plán v rastrové grafice). Omezením je podpora pouze 8-bitové barevné

palety. Naopak výhodou je, že formát GIF podporuje jednoduché animace. Používá se také

k publikování na internetu.

2.2.4 PNG

PNG znamená Portable Network Graphics. Tento otevřený formát byl vyvinut společností PNG

Development Group. Jedná se o grafický formát, který je určený pro bezztrátovou kompresi

rastrové grafiky. Používaná zkratka tohoto formátu je: .png, PNG podporuje 24-bitovou barevnou

hloubku při použití lepší komprese než u formátu GIF. Dále formát podporuje tzv. 8-bitový alfa

kanál, což znamená, že obrázek může být v různých částech různě průhledný. Nevýhodou oproti

formátu GIF je, že zatím nepodporuje jednoduchou animaci. PNG se také spolu s formáty GIF

a JPEG používá pro publikování rastrových dat na webu. Následující obrázek porovnává

odlišnost formátů JPEG a PNG při použití pro uložení textu.

Obr. 2.3: Porovnání JPEG vlevo a PNG vpravo [39]


21

2.2.5 Video

Nejběžnější podporovaný video formát je formát AVI (Audio Video Interleave). Formát uvedla

firma Microsoft v roce 1992. Formát AVI může obsahovat video i zvukovou stopu. Druhým

běžně používaným formátem je formát WMV (Windows Media Video). Jedná se též o formát, který

může obsahovat video a zvukovou stopu. Tento formát je komprimovaný.

2.3 Použité vybavení

OKS lze rozdělit podle nároků na použité přístrojové vybavení. Z tohoto hlediska je možné OKS

rozdělit do dvou základních skupin podle použitého vybavení:

speciální snímací zařízení

fotografická komora

2.3.1 Speciální snímací zařízení

Informace čerpány z [40]. V prvním případě se jedná o systémy, které využívají některé speciální

snímací zařízení. Tímto zařízením může být např. senzor Kinect od společnosti Microsoft. Tyto

systémy zde budou v krátkosti uvedeny proto, že jejich výstupy jsou velmi podobné

a zaměnitelné s výstupy klasických OKS, ačkoliv jsou založeny na rozdílných výpočetních

algoritmech než standardní OKS. Pravděpodobně ale též využívají princip obrazové korelace

stejně jako OKS. Tento senzor je primárně určen pro použití s herní konzolí Microsoft Xbox

360. Pomocí zařízení Kinect je možné ovládat hry pouhými pohyby, které senzor snímá. Cena

senzoru se pohybuje okolo 3 000 Kč.

Obr. 2.4: Senzor Microsoft Kinect [40]

Senzor Kinect se skládá z horizontálního těla, které je umístěno na motorizované

základně. Tělo senzoru je opatřeno RGB kamerou (uprostřed), dvěma hloubkovými čidly (na

stranách) a zvukovým mikrofonem. Hloubková čidla se skládají z infračerveného laserového

projektoru a jednobarevného CMOS čipu. Rozlišení RGB kamery je 1280 x 1024 pixelů (využívá

se 640 x 480 pixelů) a jednobarevného CMOS čipu 640 x 480 pixelů. V následujících odstavcích

budou zmíněny systémy využívající senzor Kinect pro tvorbu 3D modelů.


22

Sama společnost Microsoft se zabývá vývojem softwaru Kinect Fusion, který využívá

senzor Kinect pro tvorbu 3D modelů. Tento výzkum je podrobně popsán na stránkách [41].

Další SW, který využívá senzor Microsoft Kinect je program ReconstructMe. U tohoto

softwaru lze senzor Kinect zaměnit za obdobný senzor ASUS Xtion Family nebo PrimeSense

Carmine Family. Zajímavostí tohoto SW je, že model je vytvářen v tzv. real-time režimu. To

znamená, že zatímco uživatel obchází a „skenuje“ zájmový objekt, kontinuálně dochází k výpočtu

modelu na připojeném PC. Výrobce SW uvádí, že tento systém je vhodný pro tvorbu modelů lidí,

částí lidských těl, strojírenských součástí, stavebních objektů a další. Využit může být také např.

ve filmovém průmyslu. Mezi podporované výstupní formáty patří: STL, OBJ, 3DS a PLY.

Dalším SW je KSCAN3D. Tento program může kromě senzoru Kinect využít i senzor

ASUS Xtion Family. SW podporuje výstup modelu ve formátech FBX, OBJ, STL, PLY a ASC.

Mezi systémy, o kterých stojí za to se zmínit, patří také systém Matterport. Tento projekt

ze Silicon Valley je určen pro tvorbu 3D modelů interiérů. Základem technologie je speciální

rotující 3D/2D kamera, která je umístěna na stativu a je ovládána pomocí Apple iPad 4. Kamera

využívá stejný „hloubkový“ senzor jako Microsoft Kinect. Výsledný model je vypočítán „kdesi na

serverech“, kde je také uložen a je možné ho zde prohlížet popř. stáhnout ve formátu OBJ.

Obr. 2.5: Systém Matterport [44]

Následující tabulka srovnává SW využívající senzor Kinect nebo jiný podobný senzor pro

tvorbu 3D modelů. V tabulce je též uvedena cena jednotlivých softwarů.

Tab. 2.2: SW využívající senzor Kinect

Program Autor Senzor Cena*

KinectFusion [41] Microsoft MS Kinect -

ReconstructMe [42] PROFACTOR GmbH MS Kinect, ASUS Xtion, PrimeSense Carmine 179 €

KSCAN3D [43] LMI Technologies Inc. MS Kinect, ASUS Xtion 299 $

Matterport [44] Matterport MS Kinect 3000 $

* ceny jsou uvedeny k datu 26.11.2013


23

Za zmínku též stojí systém OKS (FSv ČVUT), který provádí snímkování sice pomocí

klasické digitální kamery, která je ale připevněná na speciální motorové základně. Výstupem je

tedy řada snímků s rovnoběžnými osami záběru. Vývoj tohoto systému však nepokračuje, tudíž

mu nebude věnována další pozornost. Princip systému je podrobně popsán v [45].

Jiným příkladem je systém EVO Suite od italské společnosti Menci Software. Jedná se

o systém složený z komory Canon EOS 600D, tabletu pro ovládání komory, tyče pro uchycení

komory a tabletu a z výpočetního software. [46]

Existují i další jiné projekty využívající jiná speciální a nákladná zařízení. Jedná se

nejčastěji o speciální snímkovací základny, dataprojektory pro projekci speciální textury popř.

systémy složené z více komor. Popis všech těchto systému je však nad rámec této práce a dále se

jimi nebude zabývat.

2.3.2 Fotografická komora

Primárním zájmem této práce budou softwary, které jako zdroj vstupních dat využívají pouze

digitální snímky pořízené jednou klasickou digitální komorou. Základním hlediskem dělení podle

použité fotografické komory je způsob provedení kalibrace komory. Podrobné informace

o kalibraci digitální komory viz [1]. Co obnáší proces kalibrace je dále podrobněji popsáno také

v kapitole 4.6.1. Kalibrace může být provedena třemi základními způsoby:

laboratorní kalibrace

kalibrace pomocí testovacího pole

simultánní kalibrace - samokalibrace

Pomocí laboratorní kalibrace jsou kalibrovány jen přesné speciální měřické komory.

V tomto případě jsou přímo měřeny směry obrazových paprsků procházejících objektivem.

Tento typ kalibrace se pro běžné digitální aparáty neprovádí.

V druhém případě je potřeba před samotným snímkováním objektu provést speciální

snímkování testovacího pole a poté výpočet prvků kalibrace ve vhodném výpočetním softwaru.

Kalibrační pole může být dvourozměrné i třírozměrné. Takto vypočtené prvky kalibrace jsou pak

zadány do programu před samotným výpočtem modelu. Mezi programy OKS, které umožňují

zadání předem určených prvků kalibrace pomocí testovacího pole, patří např.: PhotoModeler

Scanner, Agisoft PhotoScan a VisualSFM. Kalibrace pomocí testovacího pole byla využita

i v rámci této práce a pro výpočet kalibračních prvků byl použit software Agisoft Lens, viz

kapitola 4.6.1.

Simultánní kalibrací se rozumí kalibrace, kdy pro výpočet kalibrace jsou použity přímo

snímky objektu, ze kterých bude generován model objektu. Není tedy nutné před výpočtem


24

modelu definovat ručně prvky kalibrace. Výhodou je, že vnitřní orientace je přímo určena pro

časový okamžik snímkování měřeného objektu, což zaručuje nejvyšší přesnost při rekonstrukci

objektu. Pokud je simultánní kalibrace prováděna pouze z fotogrammetrického měření, je

nazývána jako samokalibrace. Samokalibraci využívá většina dnešních softwarů založených na

algoritmu SfM.

Dalším hlediskem dělení podle použité komory je samotný druh použité komory.

V tomto případě je možné pro tvorbu modelů použít aparáty různé kvality a cenové dostupnosti.

Následující tabulka zobrazuje jednotlivé třídy komor a jejich přibližné základní parametry. Je

potřeba upozornit, že v případě uváděných parametrů se jedná o snahu odhadnout běžné

parametry daných tříd, neboť v současné obrovské nabídce fotoaparátů existují v kategoriích

Velikost čipu, Rozlišení a Orientační cena intervaly s velikým rozpětím.

Tab. 2.3: Třídy komor

Třída Typ senzoru Velikost [mm] Rozlišení [Mpx] Or. cena [Kč]

Mobilní telefon CCD4 4.5 x 3.4 8 6 000

Kompakt CCD/CMOS5 7.2 x 5.3 16 3 000

Amatérská zrcadlovka CMOS 23.6 x 15.7 24 15 000

Profesionální zrcadlovka CMOS 36.0 x 24.0 36 70 000

Z Tab. 2.3 je patrné, že zpravidla platí čím vyšší třída fotoaparátu, tím větší obrazový senzor,

větší rozlišení a samozřejmě vyšší cena. Výjimkou je obvykle mnohem nižší pořizovací cena

kompaktního fotoaparátu než mobilního telefonu se slušným zabudovaným fotoaparátem.

Zvláště v této třídě (kompaktní fotoaparát) se vyskytuje ve všech kategoriích veliký rozptyl.

Většina softwarů na svých stránkách uvádí, že k výpočtu modelu je možné použít

libovolný fotoaparát (od mobilního telefonu po profesionální zrcadlovku). Jednoduché testování

porovnávající použití 3 typů komor (mobilní telefon, kompakt, amatérská zrcadlovka - DSLR)

s odpovídajícím rozlišením provedl i autor této práce ve své bakalářské práci [3]. Pro software

123D Catch Beta došel k závěru, že všechny aparáty poskytnou model s odpovídající hustotou,

ale nejlepší podání hran objektu poskytne amatérská DSLR. Stručný obsah práce viz kapitola 3.2.

Porovnáním modelů ze třech různých fotoaparátů s různým rozlišením (mobilní telefon - 5 Mpx,

amatérská DSLR - 16 Mpx a profesionální DSLR - 40 Mpx) se též zabýval ve své disertační práci

M. Marčiš, [6]. Z jeho testování je na první pohled patrná vzestupná tendence kvality modelu

4 CCD znamená Charge Coupled Device neboli „zařízení kupící náboj“. Jedná se o mikroelektronický

detektor elektromagnetického záření (světla), pracující na principu fotoefektu. [1]

5 CMOS neboli Complementary Metal Oxid Semiconducter je elektronická součástka na bázi tranzistoru. Oproti

CCD je výrobně jednodušší, menší, levnější a má nižší spotřebu el. energie. [1]


25

a podrobnosti zachycení detailů při vzrůstajícím rozlišení při použití jednotlivých typů

fotoaparátů. Tento trend byl shodně pozorován u více výpočetních programů (123D Catch Beta,

VisualSFM, PhotoModeler Scanner a Agisoft PhotoScan). Stručný obsah práce viz kapitola 3.5.

Z výše uvedeného lze zjednodušeně tvrdit, že pro dosažení co nejkvalitnějšího modelu,

má smysl použít kvalitní digitální komoru s dostatečným rozlišením. Pro vyslovení nějakých

přesnějších závěrů, stanovení závislosti rozlišení snímků resp. velikosti obrazového senzoru na

kvalitu modelu by bylo potřeba provést další podrobnější testování. Toto testování by bylo navíc

nutné provést pro jednotlivé OKS zvlášť. V rámci této práce není prostor pro provedení tohoto

obsáhlého testování.

2.4 Různé postupy snímkování a kódové značky

Z hlediska technologie snímkování lze odlišit několik typů vstupních dat, které jednotlivé

programy podporují. Jedná se nejčastěji o tyto typy:

pár stereosnímků

pár konvergentních snímků

série stereosnímků

série konvergentních snímků

série obsahující stereosnímky i konvergentní snímky

Předně je potřeba uvést, že téměř všechny programy (výjimkou je software Vi3dim, viz kapitola

2.6.1) nedoporučují provádět snímkování způsobem, kdy zájmový objekt je umístěn na otočné

podložce a komora je statická. Přípustný je pouze způsob, kdy objekt je statický a pohybuje se

komora kolem objektu.

Jeden pár stereosnímků podporuje např. program Agisoft StereoScan [47]. Dvojici

konvergentních snímků využívá program s názvem Photosculpt [48]. Pouze ze série stereosnímků

vytváří model např. program OKS z FSv ČVUT, viz kapitola 2.3.1. Hlavní zájmovou skupinu

této práce tvoří programy, které jako vstup podporují sérii snímků, které jsou navzájem

konvergentní nebo se jedná o stereosnímky popř. se v sérii konvergentních snímků vyskytují

i stereopáry. Těmito programy jsou např. 123D Catch, Cubify, Agisoft PhotoScan, PhotoModeler

Scanner a další.

Dále je nutné rozlišit programy na ty, které pro správnou orientaci snímků resp.

rekonstrukci objektu potřebují na objektech umístěné kódové značky, které SW detekuje

automaticky, a na programy, které k úspěšné orientaci a generaci mračna bodů kódové značky


26

nepotřebují. V prvním případě se jedná se např. o program Rhinophoto, viz kapitola 2.6.2,

a Pixdim, viz [49]. Oba tyto programy jsou již značně zastaralé a generují 3D body modelu právě

pouze v místech kódových značek. Dalším programem, který ale použití kódových značek

umožňuje volitelně (zvládá orientaci snímků a generaci bodového mračna i bez kódových

značek), je profesionální PhotoModeler Scanner, viz kapitola 2.6.1. Tvůrce programu doporučuje

použít kódové značky pro úspěšnou orientaci snímků tam, kde je potřeba zvláště přesné

vyhodnocení 3D bodů nebo v případě, kdy zájmový objekt nemá dostatečně heterogenní

strukturu. Použití kódových značek při tvorbě modelu stopy boty zobrazuje následující obrázek.

Obr. 2.6: Kódové značky – PhotoModeler Scanner [11]

Programů, které provedou orientaci snímků i generaci mračna bodů automaticky bez

použití jakýchkoliv značek na zájmovém objektu, je v současnosti většina. Zájmem práce budou

především tyto zmíněné programy. Konfigurací snímkování se zabývá též Test 2, viz kapitola 5.2.

2.5 Způsob výpočtu modelu

Z hlediska způsobu výpočtu modelu lze rozlišit dva hlavní případy:

výpočet offline na PC uživatele

výpočet online na serverech programu

V prvním případě je samotný program v podobě desktopové aplikace nainstalován přímo

na PC uživatele. Potom pro výpočet modelu není potřeba aktivního připojení k síti internet

a délka výpočtu kromě složitosti modelu závisí jen na HW výkonu PC. Tento případ offline

výpočtu se týká především komerčních SW, např. PhotoModeler Scanner nebo Agisoft

PhotoScan, ale též nekomerčních SW, např. VisualSFM nebo Bundler.


27

Zbylá skupina programů provádí výpočet modelu „kdesi na serverech“. Tento typ

výpočtu se nazývá cloud computing6. V tomto případě je tedy pro výpočet nezbytné připojení

k internetu. Takové programy často využívají pouze jednoduché desktopové rozhraní, s jehož

pomocí jsou snímky objektu nahrávány na výpočetní server, např. 123D Catch nebo ARC3D.

Druhou možností je, že nahrávání snímků na výpočetní server se děje přímo z internetového

prohlížeče, např. Cubify Capture BETA nebo Webservice SfM. Pro tuto skupinu programů je

charakteristické, že o úspěšném výpočtu modelu je uživatel informován až pomocí emailu.

V tomto případě online výpočtu délka výpočtu závisí především na vytíženosti serverů. Výhodou

tohoto způsobu výpočtu je, že uživatel nemusí disponovat výkonným PC. Nevýhodou tohoto

typu výpočtu je závislost na výkonném internetovém připojení a skutečnost, že výpočet je

prováděn naprosto nekontrolovaně kdesi na serverech. Další nevýhodou může být značná

nespolehlivost dosažení úspěšného výpočtu, se kterou se autor této práce setkal u programu

123D Catch Beta, viz [3] a často též nutnost použití dalšího SW pro prohlížení a editaci modelu.

2.6 Původ softwaru

Výrazným hlediskem pro dělení těchto systémů může být původ softwaru. Původ SW byl vybrán

jako stěžejní hledisko rozdělení jednotlivých softwarů, neboť s původem SW je úzce spjata

možnost použití SW a jeho pořizovací náklady. S ohledem na tyto tři parametry lze rozeznat čtyři

základní typy původu SW:

čistě komerční fotogrammetrický SW

nadstavba 3D modelovacích systémů

volně dostupný SW od komerčního autora

volně dostupný akademický SW

Pro každou skupinu je uvedena tabulka obsahující programy, které reprezentují danou

skupinu a které zaslouží bližší pozornost. Následně je každý program uvedený v tabulce stručně

popsán. Především se jedná o programy, které mají nějaké zajímavé charakteristiky a též

programy, jejichž přesnost již byla podrobena testování v některých dřívějších pracích. V tabulce

jsou uvedeny pouze vybrané významné parametry, které jsou charakteristické pro danou skupinu.

Kompletní tabulka všech vyhledaných programů včetně programů se zjevně zastaveným

vývojem, která obsahuje více parametrů je uvedena jako Příloha B.

6 Cloud Computing se označuje technologie, která je založena na sdílení hardwarových i softwarových

prostředků pomocí sítě. [51]


28

2.6.1 Čistě komerční SW

Do této kategorie lze zařadit SW, který je produktem komerčních společností. Tyto SW se liší

jednak svojí cenou a jednak možnostmi zpracování modelu. Následující tabulka zobrazuje

vybrané zástupce této kategorie. V tabulce je uvedena informace o autorovi SW, zda je možné

provádět výpočet i z videosekvence a orientační cena SW. Všichni zástupci uvedení v tabulce

provádějí výpočet modelu přímo na PC (offline). Více informací viz Příloha B.

Tab. 2.4: Komerční SW

Program Autor Výpočet Video Or. cena Odkaz

PhotoModeler Scanner Eos Systems Inc. PC NE 1 145 $ [11]

Agisoft PhotoScan Professional Agisoft LLC PC NE 3 499 $ [12]

Vi3Dim Vi3Dim Technologies PC ANO 395 $ [13]


Program PhotoModeler Scanner je zřejmě nejrozšířenějším profesionálním

fotogrammetrickýcm systémem. Je určen pro aplikaci letecké i pozemní fotogrammetrie. Kromě

kalibrace komory a klasických úloh fotogrammetrie (jednosnímková, průseková metoda)

umožňuje také automatizovanou generaci bodového mračna DSM (dense surface modeling).

V nejnovější verzi je doporučováno při použití DSM pořízení též konvergentních snímků (dříve

doporučována pouze množina dvojic stereosnímků). Jak již bylo zmíněno výše, program

podporuje též použití kódových značek. Podporované výstupní formáty modelů jsou: 3DS, OBJ,

VRML a 3DM. Přesnost modelu z programu PhotoModeler byla testována již v mnoha pracích,

např. v [5], [8], [6], viz kapitoly 3.1, 3.3 a 3.5. Tato testování potvrdila, že s programem lze

dosáhnout velmi dobrých a spolehlivých výsledků.

Obr. 2.7: PhotoModeler Scanner – tvorba 3D modelu [11]

Program Agisoft PhotoScan nachází taktéž uplatnění v letecké i pozemní fotogrammetrii

a stává se čím dál tím více populární pro řadu svých předností (všestrannost, jednoduchost,

přesnost, spolehlivost, intuitivnost atd.). Jak dokládají nezávislé testy uvedené v kapitole 3.1 a 3.5,


29

dosahuje vynikajících výsledků v přesnosti modelu. Navíc je schopen zpracovat jakékoliv snímky

(i bez informace EXIF). Snímky mohou mít formu stereopárů i konvergentních snímků.

Jednotlivé kroky výpočtu modelu (orientace snímků, generace 3D mračna atd.) probíhají

automatizovaně, ale výsledky se dají ovlivňovat nastavitelnými parametry. Výsledný model lze

vlícovat do libovolného referenčního systému (WGS84, S-JTSK a mnoho dalších). Podporované

výstupní formáty modelů jsou: OBJ, 3DS, VRML, COLLADA, PLY, DXF, FBX, U3D, KMZ

a PDF. Program je dostupný ve dvou edicích: Standard Edition SE a Professional Edition PE. SE

stojí 179 $ a PE stojí 3 499 $. Rozdíl mezi edicemi je, že PE navíc oproti SE podporuje více

funkcí pro GIS profesionály jako jsou např. nastavení souřadnicového systému, tvorba DMT,

tvorba ortofota atd.

Tento software je, pro jeho přednosti, možné považovat za nejlepší, se kterým se autor

práce seznámil, a proto byl také vybrán pro testování vybraných parametrů v kapitole 5.

Obr. 2.8: Agisoft PhotoScan – rozložení kamer [autor]

Systém Vi3Dim je dalším zástupcem komerčního softwaru. Jedná se o několikanásobně

levnější software než výše zmínění PhotoModeler a Agisoft PhotoScan. Výsledné modely zjevně

nedosahují přesnosti modelů z programů PhotoModeler Scanner a Agisoft PhotoScan, i kvůli

způsobu sběru vstupních dat, a hodí se tedy pouze k prezentačním účelům. Pozornost však

zaslouží právě z důvodu odlišného způsobu sběru zdrojových dat. Zdrojem pro tvorbu modelů

jsou v tomto případě videosekvence. Dále tvůrce uvádí, že je možné objekt natáčet způsobem,

kdy se kamera pohybuje kolem objektu, ale také způsobem, kdy kamera zůstává nehybná

a pohybuje se zájmový objekt, což je u naprosté většiny OKS vyloučené. Program sám extrahuje


30

snímky z videosekvence. Následující obrázek zobrazuje velmi pravidelnou strukturu 3D

trojúhelníkové sítě. Podporovaným výstupním formátem modelů je formát PLY.

Obr. 2.9: Vi3Dim – detail trojúhelníkové sítě modelu [13]

2.6.2 Nadstavba 3D modelovacího systému

Do této kategorie patří SW, který nemůže samostatně fungovat a který je tedy nadstavbou

nějakého 3D modelovacího systému. Jedná se např. o nadstavbu oblíbeného modelovacího SW

SketchUp [66]. Nadstaveb pro tento program existuje více. Jako příklad lze uvést: Tgi3D [14],

PhotoSketch [27], Match Photo [50] nebo Pixdim [49]. Následující tabulka blíže představuje dva

vybrané zástupce nadstaveb pro dva různé softwary. Kromě názvu nadstavby a základního

programu, který tato nadstavba rozšiřuje, je zde uvedeno, zda je výpočet modelu prováděn na PC

(offline) nebo na serverech, zda je možné provádět výpočet i z videosekvence a orientační cena

SW. Více informací viz Příloha B. V této kategorii se nepodařilo vyhledat dřívější práce zabývající

se testováním přesnosti daných nadstavbových programů.

Tab. 2.5: Nadstavba 3D modelovacího systému

Nadstavba Autor Program Výpočet Video Or. cena Odkaz

Tgi3D PhotoScan Ocali, Inc. SketchUp PC NE 149 $ / 999 $ [14]

Rhinophoto Qualup SAS Rhino PC NE 895 € [15]


Tgi3D PhotoScan je nadstavbou určenou pro modelovací systém SketchUp verze 7.1

a vyšší. Ze všech vyhledaných nadstaveb pro systém SketchUp byl vybrán proto, že zjevně

poskytuje nejlepší výsledky a není příliš zastaralý. Pomocí této nadstavby je možné vytvářet model

ze série snímků pro zadanou oblast ohraničenou na jednom snímku, viz následující obrázek.

Výsledný model je ale poměrně řídký a lze na něj dále navazovat s modelovacími funkcemi

(kresba křivek, vyhlazování povrchu atd.).


31

Obr. 2.10: Tgi3D PhotoScan – nadstavba programu SketchUp [14]

Fotogrammetrická nadstavba Rhinophoto je určená pro použití s programem Rhino 5

[65]. Rhino 5 je všestranný 3D modelovací program, který je určen pro navrhování nejrůznějších

objektů (lodě, budovy, šperky). Nadstavba Rhinophoto umožňuje tvorbu modelů ze snímků.

Nejedná se o zcela automatizovanou generaci mračna z libovolných snímků. Vyhodnocované

body musí být signalizovány kódovými značkami popř. doplňujícími značkami a pro určení

měřítka se využívá speciální přípravek o známé délce, viz následující obrázek. Minimální

doporučené rozlišení snímků je 5 Mpx a je doporučeno použití aparátu DSLR. Software obsahuje

vlastní model pro výpočet kalibrace komory. Kalibraci je potřeba provést vždy pro nový

fotoaparát před samotnou tvorbou modelu.

Přesnost závisí na použité komoře, ale výrobce udává přibližnou hodnotu 200 ppm

velikosti objektu. Tzn. při velikosti objektu 10 m by přesnost měla být 2 mm.

Obr. 2.11: Rhinophoto – kódové a doplňkové značky, měřítkový přípravek [15]

2.6.3 Volně dostupný SW od komerčních autorů

Tuto kategorii reprezentuje obvykle SW, jehož tvůrce se především zabývá některou příbuznou

činností v oblasti zpracování 3D dat a jako vedlejší produkt nabízí jednoduchý OKS (obvykle


32

v „beta“ verzi). Tento SW obvykle pracuje na webovské bázi (cloud computing) a často tvůrce nabízí

možnost zpoplatněného 3D tisku modelu.

Je možné se domnívat, že tyto společnosti časem přistoupí ke zpoplatnění i těchto

doplňkových aplikací. Následující tabulka zobrazuje zástupce této kategorie. Kromě tvůrce

systému je zde uvedeno, zda je výpočet modelu prováděn na PC (offline) nebo na serverech, zda

je možné provádět výpočet i z videosekvence a je-li možné objednat 3D tisk modelu. Využití

modelů pro komerční účely bývá u těchto softwarů omezeno. Více informací viz Příloha B.

Tab. 2.6: Volně dostupný SW od komerčních autorů

Program Autor Výpočet Video 3D tisk Odkaz

123D Catch Autodesk server NE ANO [16]

Cubify Capture BETA 3D Systems server ANO ANO [17]

Photosynth Microsoft server NE NE [52]

Jako první příklad lze uvést společnost Autodesk, která je známá především svým

rozšířeným komerčním CAD softwarem AutoCAD. Tato společnost nabízí volně dostupnou

aplikaci 123D Catch. Aplikace byla podrobně otestována a vyhodnocena její přibližná přesnost

autorem této práce v předešlé BP [3], viz kapitola 3.2. Co se týče přesnosti aplikace, tak různí

autoři došli k různým závěrům. V pracích [3] a [6], viz kap. 3.5, je její přesnost hodnocena jako

velmi dobrá na úrovni profesionálních SW, zatímco autor práce [7], viz kap. 3.4, hodnotí výstupy

aplikace jako vhodné pouze k prezentačním účelům. Přednostmi aplikace jsou: intuitivní

ovládání, vizuálně kvalitní modely, offline rozhraní pro prohlížení a editaci modelů a především

možnost exportu modelů do různých formátů: 3DP, STL, LAS, RZI, FBX, IPM a OBJ.

Obr. 2.12: Pracovní prostředí 123D Catch [autor]


33

Jiným příkladem může být společnost 3D Systems, jejíž portfolio zahrnuje aplikace

určené pro modelaci jednoduchých objektů s možností následného 3D tisku. Společnost 3D

Systems stojí též za oblíbeným profesionálním modelovacím systémem Geomagic Studio [68].

OKS této společnosti má název Cubify Capture BETA. Její dřívější verze pod názvem Hypr3D

byla otestována v rámci práce [6], viz kapitola 3.5. V této práci byla přesnost tohoto předchůdce

ohodnocena jako dostatečná pro jednoduché prezentační účely. Zajímavou funkcí, kterou tato

aplikace podporuje, je možnost vytvoření modelu lidského obličeje s cílem následného tisku na

3D tiskárně, kdy vstupní data tvoří videozáznam tohoto obličeje. Tato funkce má název Faces.

Podporované výstupní formáty modelů jsou: STL a OBJ.

Obr. 2.13: Pracovní prostředí Cubify Capture BETA [autor]

Společnost Microsoft vyvinula službu Photosynth. Jedná se čistě o internetovou službu,

která je určená pro tvorbu panoramatických fotografií a také tzv. „synthů“, což jsou vlastně

orientované snímky v prostoru. Jako vedlejší produkt při tvorbě těchto „synthů“ vzniká řídké

mračno bodů. Toto řídké mračno není zasíťované a implicitně není možné jej stáhnout do PC

v nějakém exportním formátu. Stažení mračna do PC lze pouze při použití aplikace SynthExport

[53], která podporuje tyto výstupní formáty: OBJ, PLY, VRML, X3D. Zajímavostí služby

Photosynth je, že každému modelu resp. panoramatu lze přiřadit souřadnice a tím jej lokalizovat

a také např. sdílet na nějaké sociální síti, viz následující obrázek. Testováním a určením přesnosti

aplikace Photosynth se zabývají práce [7] a [6], viz kapitoly 3.4 a 3.5. Z tohoto testování vyplývá,

že mračno bodů se především pro svou řídkost nehodí ani k prezentačním účelům.

Těsně před dokončením této práce byl společností Microsoft představen nástupce

projektu Photosynth s názvem Photosynth 3D. Pomocí tohoto softwaru je možné vytvářet

působivé fotorealistické 3D vizualizace čtyř různých typů scén: spin - uzavřený objekt, wall - stěna,

panorama, a walk - procházka. Tyto vizualizace jsou tvořeny kolekcí překrývajících se snímků


34

s vypočtenými informacemi o 3D poloze jednotlivých snímků. Prohlížené scény je velmi

realistické, neboť přechod mezi snímky je velmi hladký a působí velmi přirozeně. Tyto scény jsou

ale vhodné pouze pro online prezentační aplikace, neboť neexistuje možnost exportu 3D scény

do nějakého offline formátu ve formě 3D mračna bodů nebo sítě, např. TIN7.

Obr. 2.14: Microsoft PhotoSynth – lokalizace modelu [52]

2.6.4 Akademický SW

Do této kategorie spadá SW, který je vyvíjen na půdách technických univerzit po celém světě.

Využití tohoto SW bývá většinou omezeno pouze pro akademické či nekomerční účely.

Následující tabulka zobrazuje zástupce této kategorie. Kromě názvu autorské univerzity

a v jaké zemi se univerzita nachází, je zde uvedeno, zda je výpočet modelu prováděn na PC

(offline) nebo na serverech a zda je možné provádět výpočet i z videosekvence. Více informací

viz Příloha B.

Tab. 2.7: Volně dostupný akademický SW

Program Autor Země Výpočet Video Odkaz

CMP Webservice SfM FEL ČVUT ČR server NE [19]

ARC3D KU Leuven Belgie server NE [18]

VisualSFM University of Washington USA PC NE [20]

Bundler Cornell University USA PC NE [21]

Z tuzemských programů stojí za zmínku webovský projekt CMP Webservice SfM, který

je vyvíjený na Fakultě elektrotechnické ČVUT týmem vedeným Tomášem Pajdlou. Projekt je

použitelný pouze k výzkumným účelům po přidělení přihlašovacích údajů. Otázkou je jeho další

7 TIN znamená Triangulated irregular network neboli nepravidelná trojúhelníková síť. Jedná se o digitální

datovou strukturu používanou pro reprezentaci 3D povrchu (zemský povrch, libovolný 3D objekt), kdy

vždy trojice bodů (vrcholů) tvoří nepravidelné trojúhelníky pokrývající celý povrch. [10]


35

rozvoj, neboť poslední aktualizace je z roku 2011. Modely jsou vytvářeny ze série snímků

pořízených libovolnou nekalibrovanou komorou. Výsledný model lze z výpočetního serveru

stáhnout ve formátu PLY a VRML. Dalším výstupem je prezentační video, zobrazující průlet

kolem modelu po jednotlivých snímcích, viz následující obrázek. Nebyla nalezena žádná práce

zabývající se bližším zkoumáním této aplikace a její přesnosti.

Obr. 2.15: CMP Webservice SfM – prezentační video modelu [autor]

Jako zástupce evropských univerzit lze jmenovat program ARC3D, který je vyvíjen na

belgické Katholieke Universiteit Leuven. Výpočet se stejně jako v případě projektu CMP děje na

serverech, ovšem snímky jsou nahrávány na server pomocí jednoduché desktopové aplikace. Tato

aplikace nabízí jedinou speciální funkci, a sice diagnostiku, zda vstupní snímek není příliš

rozmazaný. Výsledný model lze stáhnout ve formátu OBJ a dosahuje poměrně slušné přesnosti,

jak bylo otestováno v práci [6], viz kapitola 3.5.

Obr. 2.16: ARC3D – rozhraní pro nahrávání snímků na server [autor]


36

Z univerzit Spojených států amerických lze zmínit dva projekty. Prvním z nich je program

VisualSFM, jehož autorem je Changchang Wu z University of Washington v Seattle. Jedná se

o desktopovou aplikaci umožňující výpočet modelu pomocí algoritmů CMVS (Clustering Views for

Multi-view Stereo) a PMVS2 (Patch-based Multi-view Stereo), jejichž autory jsou Yasutaka Furukawa

a Jean Ponce. Předností tohoto programu je, že dosahuje velmi slušné přesnosti, jak dokládají

nezávislé práce [5], [7] a [6], viz kapitoly 3.1, 3.4 a 3.5. Nevýhodou tohoto programu je poměrně

složitá instalace a obsluha aplikace. Model lze exportovat ve formátu PLY.

Obr. 2.17: VisualSFM – orientace snímků [20]

Program Bundler je druhým zástupcem USA a byl vyvinut na Cornell University. Jeho

autorem je Noah Snavely. Stejně jako VisualSFM využívá algoritmů CMVS a PMVS2 a stejně

jako v případě VisualSFM není obsluha programu příliš intuitivní. Jak je uvedeno v práci [7],

viz kapitola 3.4, software Bundler sice poskytuje poměrně přesná data, která ale nejsou příliš

spolehlivá. Na Obr. 1.4 je možné vidět příklad vypočteného modelu římského Kolosea z různých

snímků. Model lze exportovat ve formátu PLY. Poslední aktualizace je z roku 2010. Opět je tedy

otázkou další rozvoj tohoto softwaru.

2.7 Definování měřítka a editace modelu

Jednou z nejdůležitějších fází projektu tvorby modelu je definování měřítka modelu. Správně

nebo naopak špatně definované měřítko modelu má klíčový vliv na absolutní přesnost modelu.

Většina programů podporuje definování měřítka přímo v prostředí daného programu, způsoby

definování viz dále. Existuje však skupina programů, převážně se jedná o internetové aplikace,

které naopak definici měřítka nepodporují a pro jeho určení je nutné model nahrát do nějakého

externího programu (např. volně dostupný MeshLab [67] popř. profesionální Geomagic Studio

[68]). Jedná se např. o tyto aplikace: Cubify Capture BETA, ARC3D, My3DScanner nebo CMP

Webservice SfM.


37

Mezi základní podporované způsoby definice měřítka patří:

jedna zaměřená referenční vzdálenost

zaměřené vlícovací body

speciální tuhý přípravek s kódovými značkami

Pomocí jedné referenční vzdálenosti, která je zaměřena mezi dvěma dobře identifikovatelnými

body objektu, lze nastavit měřítko modelu např. v programu Autodesk 123D Catch nebo Agisoft

PhotoScan. Software Agisoft PhotoScan též podporuje definici měřítka pomocí zaměřených

vlícovacích bodů. Tento software navíc podporuje vlícovaní do nejrůznějších světových

souřadnicových soustav (WGS84, S-JTSK a jiné.) Speciální tuhý přípravek o známé délce

s cílovými znaky na koncích využívá software Rhinophoto, nadstavba modelovacího systému

Rhino, viz kapitola 2.6.2, nebo software Pixdim [49], nadstavba modelovacího systému SketchUp.

Obr. 2.18: Definice měřítka pomocí přípravku, Rhinophoto [15]

Jednotlivé softwary se též liší možnostmi editace modelu přímo v rozhraní programu.

Některé programy, opět převážně internetové aplikace, nenabízejí ani možnost jednoduché

editaci modelu (např. Microsoft Photosynth, ARC3D, My3DScanner a další), neboť postrádají

jakékoliv ovládací rozhraní a komunikace s výpočetním serverem spočívá pouze v nahrání

vstupních dat a posléze stažení výsledného modelu do PC. Pokud již nějaké jednodušší rozhraní

na prohlížení výsledného modelu mají (ať už online nebo offline), často toto rozhraní nenabízí

příliš editačních funkcí. Jediným editačním nástrojem bývá často pouze možnost část modelu

označit a smazat. Tuto funkci podporují např. programy 123D Catch a Cubify Capture BETA.

Program 123D Catch navíc podporuje snímání bodů a vektorizaci linií. Naopak software Agisoft

PhotoScan Professional nabízí již pokročilejší editační funkce jako decimace (zředění) mračna,

maskování snímků a výplň děr modelu.


38

2.8 Výstupní formáty

3D modely jako produkty optických korelačních systémů mají nejčastěji formu zasíťovaného

bodového mračna ve formě polygonové sítě. Tato polygonová síť je tvořena výhradně souborem

trojúhelníků (TIN), kdy každý bod je propojen se sousedními body hranami a tři hrany

dohromady tvoří jednu plošku (face). Často je tato síť také opatřena fototexturou. To znamená, že

každá trojúhelníková ploška je pokryta texturou, která je interpolována z barevné obrazové

informace snímku. Pouze ojediněle je výstupem jen bodové mračno (Microsoft Photosynth),

takže tvorbu sítě, tzv. zasíťování, by bylo nutné provést v nějakém externím programu.

Obr. 2.19: Trojúhelníková síť s texturou – 123D Catch Beta [autor]

Některé webovské aplikace umožňují pouze pasivní prohlížení vytvořených modelů

v internetovém prohlížeči (např. zmíněný Photosynth nebo PHOV [25]). Většina programů

komerčních i volně dostupných ale podporuje výstup do některého z běžných formátů pro

ukládání 3D grafiky. Některé programy těchto formátů podporují více najednou. V následujících

kapitolách budou popsány nejčastěji podporované formáty s ohledem na jejich vhodnost pro

následnou editaci a práci s mračnem bodů resp. sítí modelu. Všechny následující podkapitoly

čerpají z [10].

2.8.1 OBJ

Jedná se asi o nejoblíbenější a nejrozšířenější formát 3D grafiky. Formát OBJ vyvinula společnost

Wavefront Technologies původně pro svůj vlastní SW. Nyní se jedná o otevřený formát, který

byl adoptován mnohými dalšími tvůrci SW a stal se tedy nejuniverzálnějším formátem 3D

počítačové grafiky. Soubory tohoto formátu používají příponu .obj.

OBJ formát je velice jednoduchý textový formát popisující 3D geometrii pomocí souboru

základních entit. Jmenovitě se jedná o tyto entity:


39

pozice vrcholu (vertex)

pozice vrcholu s definovanými souřadnicemi textury

normály plošek (face)

plošky (face) jako seznam vrcholů

Souřadnice OBJ nejsou implicitně definovány v nějakých jednotkách. Informace

o měřítku ale může být uvedena na některé řádce v komentáři. Formát dále podporuje definování

zakřivených ploch NURBS8.

Velkou výhodou tohoto formátu je, že jej podporují zřejmě nejrozšířenější CAD

programy MicroStation společnosti Bentley a AutoCAD společnosti Autodesk. OBJ mračno

bodů lze snadno importovat do těchto programů, kde jej lze dále upravovat a může se stát

užitečným podkladem pro případnou vektorovou kresbu, např. modelace budov pro účely

rekonstrukce atd.

2.8.2 PLY

PLY znamená Polygon File Format, který je rovněž nazýván Stanford Triangle Format. Tento formát

vyvinul tým ze Stanford University. Jeho design byl inspirován formátem OBJ. Existují dvě verze

tohoto formátu. Jedna je textová ve formátu ASCII, zatímco druhá verze využívá binární zápis.

PLY obecně podporuje relativně jednoduchý zápis dat.

Soubory vždy obsahují hlavičky, které specifikují, o jaký typ elementu se jedná. Následuje

výčet samotných elementů – nejčastěji vrcholy a plošky. Jeden objekt je vždy popsán pouze

množinou plošek, které mohou mít vlastnosti jako: barva, průhlednost, normála, textura. Tyto

vlastnosti mohou být navíc definovány různě pro přední a zadní partii plošky.

Na rozdíl od formátu OBJ formát PLY zavedl parametry jako:

property – popisuje jaké informace jsou u vrcholů uloženy (např. barva) a jejich datový typ

element – popisuje o jakou entitu se jedná a kolik prvků obsahuje

Tato klíčová slova byla vymyšlena, aby bylo možné zobecnit pojmy: vrchol (vertex), ploška (face),

související data a jiné množiny.

Nevýhodou tohoto formátu oproti OBJ je, že již není podporován systémem Bentley

MicroStation, zatímco Autodesk AutoCAD formát PLY podporuje.

8 NURBS neboli Non-uniform rational basis spline je matematický model běžně používaný v počítačové

grafice pro generování a reprezentování křivek a ploch, které nabízejí velkou flexibilitu a přesnost při

manipulaci jak s analytickými tak s volnými tvary. [10]


40

2.8.3 VRML

Zkratka VRML znamená Virtual Reality Modeling Language. Tento formát vyvinula společnost

Silicon Graphics. Příponou formátu je .wrl a jedná se o formát textový.

Formát VRML je založen na tzv. deklarativním programovacím jazyce, který byl původně

navržen pro popis trojrozměrných scén, které obsahují pasivní i aktivní objekty. Formát byl

používán v aplikacích virtuální reality a byl navržen pro použití na internetu. VRML soubory jsou

nazývány „světy“. Virtuální světy jsou zapisovány do textových souborů, které se skládají

z jednotlivých „uzlů“. Každý uzel může mít své vlastní parametry a jednotlivé objekty mohou

dědit různé vlastnosti po svých „rodičích“.

V dnešní době se tento formát považuje za přežitý. Za jeho ideového razantně se

rozvíjejícího nástupce lze označit formát X3D (autor se ale nesetkal s žádným OKS podporujícím

tento formát). Nevýhodou tohoto formátu je, že není stejně jako formát PLY implicitně

podporován systémem Bentley MicroStation na rozdíl od formátu OBJ.

2.8.4 STL

Zkratka STL znamená STereoLithography. Tento formát vyvinula společnost 3D Systems (tvůrce

projektu Cubify Capture BETA a Geomagic Studio). Příponou formátu je .stl a vyskytuje se

v obou podobách, jednak jako formát textový ve standardu ASCII, ale častěji má binární formu.

Tento formát byl vyvinut jako nativní formát pro stereolitografický9 CAD systém

společnosti 3D Systems. Dále je znám také jako Standard Tessellation Language. Tento formát

podporují další softwary, které jsou zaměřeny především na Rapid prototyping10 a Computer-aided

manufacturing11.

Formát STL popisuje pouze 3D geometrii objektu, neobsahuje žádné informace o barvě,

textuře, ani dalších jiných běžných parametrů CAD modelů. Formát STL popisuje surový

nestrukturovaný trojúhelníkový povrch pomocí definování normál a vrcholů trojúhelníků.

Formát používá standardní 3D kartézský souřadnicový systém. STL souřadnice musí být kladná

čísla, dále formát neobsahuje žádnou informaci o měřítku modelu a jednotky jsou libovolné.

9 Stereolitografie je metoda vytváření objektů pomocí postupného vytvrzování polymerů pomocí působení

záření různých vlnových délek, nejčastěji UV záření. Zaměřením záření na konkrétní místo pak vzniká

vrstva částečně vytvrzeného polymeru. Na ni se nanáší další vrstvy. [10]

10 Rapid prototyping je soubor technologií výroby prototypů pomocí 3D tisku. Virtuální model je „rozřezán“

na tenké vrstvy, které se různými technologiemi vytváří z různých materiálů a vrství na sebe. [10]

11 Computer-aided manufacturing, česky Počítačová podpora obrábění je použití počítačového software pro

programování výrobních CNC strojů (Computer Numerical Contolled soustruh). [10]

ČVUT v Praze 3. PRÁCE ZABÝVAJÍCÍ SE TESTOVÁNÍM OKS

41

3 Práce zabývající se testováním OKS

V této kapitole budou uvedeny dřívější práce zaměřené na porovnání a posouzení přesnosti

jednotlivých optických korelačních systémů. Při hledání na internetu je možné narazit jednak na

práce zabývající se testováním jednotlivých programů, ale také na práce zabývající se srovnáním

různých softwarů. Práce mají různou úroveň kvality zpracování a rozsah. Na jedné straně je

možné se setkat s pracemi, které mají rozsah jen několik málo stránek a pouze „vizuální“ přístup

k hodnocení kvality modelu. Jejich autoři jsou často běžní uživatelé. Na druhé straně vznikají

práce mající také více než sto stránek (především diplomové a dizertační práce), které se snaží

vytvořit specifickou metodiku pro hodnocení kvality zpracování modelu a věnují se jednomu

nebo několika OKS. I v tomto případě je problém s rychlým zastaráváním obsahu prací.

V následujících kapitolách budou uvedeny práce, které byly vybrány jako zajímavé práce

hodnotící kvalitu modelů resp. srovnávající jednotlivé programy. Pro každou práci bude uveden

její stručný obsah a dosažené výsledky.

3.1 Porovnání 3D skenovacích metod s mračnem bodů, vytvořením obrazovou korelací v digitální fotogrammetrii

ŠEDINA, Jaroslav. Porovnání 3D skenovacích metod s mračnem bodů, vytvořením obrazovou korelací

v digitální fotogrammetrii. Praha, 2012. Diplomová práce. ČVUT v Praze, Fakulta stavební. [5]

Tato práce je členěna do čtyř hlavních kapitol. V první kapitole jsou stručně představeny různé

projekty zaměřené především na dokumentaci památek pomocí OKS. Ve druhé kapitole

stanovuje autor práce hlavní cíle projektu, které naplňuje obsahem jednotlivých kapitol. Třetí

kapitola poskytuje teoretický základ metody výpočtu 3D modelu pomocí OKS. V této kapitole

jsou podrobně popsány algoritmy tvorby 3D modelu (SIFT, propojení klíčových bodů,

RANSAC, SfM, svazkové vyrovnání, PMVS). Ve čtvrté kapitole je podrobně popsán postup

tvorby modelu v softwarech: VisualSFM, Agisoft PhotoScan a PhotoModeler Scanner. Následně

jsou jednotlivé modely porovnány s referenčním modelem získaným pomocí triangulačního

skeneru Konica v softwaru Geomagic Studio. Cílem páté kapitoly je otestování relativní přesnost

modelů. To znamená, že je potlačen vliv špatného určení měřítka modelu jednotlivými programy.

Následující obrázek zobrazuje výsledek porovnání referenčního modelu s modelem vytvořeným

v programu Agisoft PhotoScan.


42

Obr. 3.1: Porovnání referenčního modelu s modelem z Agisoft PhotoScan [5]

V následující tabulce budou shrnuty výsledky dosažené jednotlivými programy pro model

repliky sochy Davida o výšce cca 1 m.

Tab. 3.1: Přesnost modelů podle J. Šediny

Program Odhad absolutní sm. odch. Odhad relativní sm. odch. Cena

VisualSFM [20] 1 mm 0,25 - 0,30 mm zdarma

Agisoft PhotoScan [12] 2 mm 0,05 -0,07 mm 179/3 499 $

PhotoModeler Scanner [11] 1 mm 0,20 -0,25 mm 1 145 $

V tomto testu dopadl nejlépe volně dostupný SW VisualSFM, který je navíc plně

automatizovaný. Autor práce doporučuje pro účely památkové péče používat právě volně

dostupný program VisualSFM nebo komerční SW Agisoft PhotoScan (SE 179 $, PE 3 499 $).

Model vypočtený profesionálním SW PhotoModeler Scanner (1 145 $) je stejně kvalitní jako

modely předchozích SW, ale zpracování je mnohonásobně delší (nutnost referencování snímků).

3.2 123D Catch – testování nástroje pro tvorbu detailních 3D modelů

BOHÁČ, Ondřej. 123D Catch - testování nástroje pro tvorbu detailních 3D modelů. Praha, 2012.

Bakalářská práce. ČVUT v Praze, Fakulta stavební. [3]

Jedná se o bakalářskou práci autora této diplomové práce, která se stala jedním z impulsů pro

sestavení této DP. Práce je zaměřena na otestování volně dostupného nástroje 123D Catch

společnosti Autodesk. Celá práce je členěna do čtyř hlavních částí. Úvodní kapitola je věnována

popisu základních parametrů nástroje. Druhá stěžejní kapitola se zabývá testováním vybraných

parametrů snímkování, které by mohly významně ovlivňovat výslednou kvalitu 3D modelu. Jedná


43

se o tyto parametry: rozlišení snímků, počet snímků, zastíněná místa, přidání detailních snímků,

ohnisková vzdálenost snímků a použitá komora. Ve třetí kapitole je posouzena geometrická

přesnost modelu kapličky (5 x 5 m) na základě porovnání souřadnic vyhodnocených bodů

v 123D Catch se souřadnicemi získanými geodetickým zaměřením. A konečně čtvrtá kapitola

shrnuje poznatky získané během testování v druhé kapitole a na jeho základě uvádí doporučený

postup a parametry snímkování pro získání kvalitního 3D modelu.

Odhadovaná směrodatná odchylka modelu byla určena na základě porovnání 53

identických bodů určených přesně geodetickou metodou. Její hodnota byla vyčíslena jako 10 mm.

Opravy jednotlivých bodů se pohybují v rozmezí 2 až 30 mm, viz následující obrázek.

Obr. 3.2: Geometrická přesnost modelu 123D Catch Beta – odchylky bodů [3]

3.3 Optické vs. laserové skenování – srovnání metod získání modelu strmých horských svahů

KOLECKA, Natalia. Photo-based 3D scanning vs. laser scanning – competitive data acquisition methods for

digital terrain modelling of steep mountain slopes. 2011 ISPRS Hannover Workshop, 14. - 17. června

2011, Hannover, Německo. [8]

Tato práce je zde uvedena proto, že se zabývá aplikací pozemní fotogrammetrie pro tvorbu

modelu velkého územního rozsahu na rozdíl od ostatních prací, které se většinou věnují

objektům do velikosti běžných budov. Řešitelka se zaměřila na porovnání metody laserového

skenování a „optického“ skenování (OKS) při tvorbě modelu horského svahu (přibližně 300 m

vysoký svah hory Koscielec ve Vysokých Tatrách v Polsku). Pro tvorbu modelu pomocí

laserového skenování byl použit laserový skener Riegl LPM-32, kterým byl svah snímán ze 2

stanovisek. Celkem byly vytvořeny 3 skeny. Všechna mračna bodů, kde každé mračno tvořilo 1.2

milionu bodů s krokem po 20 cm, byla spojena do jednoho mračna v programu Geomagic

Studio 12. Fotogrammetrická metoda spočívala v pořízení přibližně 30 snímků komorou Nikon


44

D80 (10 Mpix, CCD senzor, 20 a 50mm objektiv). Komora byla před snímkováním kalibrována.

Velikost pixelu je v rozmezí 0,07 – 0,22 m. Snímky byly zpracovány v softwaru PhotoModeler

Scanner. Celkem bylo generováno 5 mračen ze stereopárů. Celkové mračno tvoří 2.1 milionu

bodů. Pro obě metody byla z mračna vytvořena 3D trojúhelníková síť, která byla editována

(výplně děr apod.). Nakonec byla obě mračna „napasována“ na sebe a byly vypočteny rozdíly

obou metod. Průměrná odlehlost mračen byla určena hodnotou 0,25 m, což lze při rozsahu

modelu označit za velmi slušný výsledek.

Obr. 3.3: Porovnání laserového skenování a OKS pro horský svah [8]

Nakonec řešitelka projektu uvádí, že nelze jednoznačně říct, která metoda se lépe hodí

k řešení daného problému, když oběma metodami lze dosáhnout shodně kvalitních výsledků.

Přeci jen uvádí, že vhodnější by mohla být metoda OKS, neboť její práce potvrdila obecné

výhody OKS, které jsou uvedeny v kapitole 1.1.

3.4 Využití open-source fotogrammetrických softwarů pro potřeby památkové dokumentace, jejich analýza a přesnost

BARTOŠ, Karol. Využitie open-source fotogrametrických softvérov pre potreby pamiatkovej dokumentácie, ich

analýza a presnosť. Košice, 2013. Dizertační práce. Technická univerzita v Košicích, Fakulta

baníctva, ekológie, riadenia a geotechnológií. [7]

Tato práce se zabývá testováním pěti volně dostupných softwarů využívajících algoritmus SfM.

Jedná se o tyto programy: VisualSFM, Bundler, Microsoft Photosynth, Photosynth Toolkit (volně

dostupný software určený pro tvorbu hustého mračna bodů ze snímků, které už byly zpracované


45

pomocí služby Microsoft Photosynth) a Autodesk 123D Catch. Jako referenční SW je zde použit

profesionální software PhotoModeler Scanner. Pro testování programů autor navrhnul 2 testy:

testování modelů geometrických těles

testování modelů historických památek

V prvním případě autor jako testovací tělesa zvolil žulový hranol o straně 7 cm a dřevěný

válec s průměrem a výškou přibližně 15 cm. Tento test rozdělil na dvě části. V první části určil

objem těles dvěma způsoby: laboratorně a pomocí SW PhotoModeler Scanner. Poté s takto

určenými referenčními objemy porovnával objemy těles určené jednotlivými programy. V druhé

části porovnával modely těles pomocí určení vzdáleností dvou 3D entit (mračen). Porovnání

prováděl ve volně dostupném softwaru CloudCompare.

Druhý test byl založen na porovnání modelů částí historických objektů (Zborovský hrad

a hrad Slanec, Slovensko). Příklad modelů vypočtených ze všech SW – vstupní brána

Zborovského hradu viz následující obrázek.

Obr. 3.4: Porovnání modelů vstupní brány Zborovského hradu [7]

Autor práce uvádí, že výsledky práce ukazují, že každý testovaný software poskytuje

rozdílné výsledky ať už v kvalitě rekonstrukce, kvalitě fototextury a nebo ve velikosti odchylky od

referenčního modelu. Jako SW s nejnižší kvalitou rekonstrukce a největšími odchylkami autor

určil: Microsoft Photosynth a Autodesk 123D Catch. Přičemž SW 123D Catch poskytuje

vizuálně nejpřitažlivější data (bez děr a s velmi nízkým šumem), zatímco software Photosynth

poskytuje data několikanásobně řidší než ostatní programy a pouze v podobě bodového mračna.

Software Bundler a Photosynth Toolkit poskytují kvalitnější výsledky, ale jejich spolehlivost je


46

velice nízká. Jako nejvhodnější software pro účely památkové péče se autorovi jeví software

VisualSFM, který na rozdíl od ostatních umožňuje použití jednotné kalibrace, detailní nastavení

parametrů ovlivňujících rekonstrukci a spolehlivé výsledky.

3.5 Ochrana a obnova kulturního dědictví metodami digitální fotogrammetrie

MARČIŠ, Marián. Ochrana a obnova kultúrneho dedičstva metódami digitálnej fotogrametrie. Bratislava,

2013. Dizertační práce. Slovenská technická univerzita v Bratislavě, Stavební fakulta. [6]

Tato práce popisuje velmi komplexně problém pořizování snímků památkových objektů za

účelem fotogrammetrického vyhodnocení. Hlavním cílem práce je stanovení efektivních postupů

pro sběr prostorových a texturových informací o památkových objektech aktuálními metodami

digitální fotogrammetrie. Přednostně jsou zde řešeny automatizované technologie (OKS).

Jedna kapitola je věnována prezentaci praktické aplikace fotogrammetrických softwarů

v památkové péči. Jedná se o tyto druhy aplikací: miniaturní objekty (např. hliněná váza),

archeologická naleziště (např. hrob), fasády historických budov, geodetická dokumentace

historických budov, využití UAV (nepilotované létající prostředky) pro dokumentaci hradů

a památek většího rozměru. Pro všechny tyto aplikace byly výhradně použity komerční softwary

Agisoft PhotoScan a PhotoModeler Scanner.

Nejvíce pozornosti zaslouží kapitola věnovaná testování SW na principu algoritmu SfM.

Testovacím objektem byla zvolena hlava repliky sochy Davida (celková výška sochy cca 1m). Jako

referenční model posloužil model vytvořený pomocí triangulačního skeneru Konica Minolta VI-

91. Objekt byl nasnímán komorami: Pentax 645 D (40 Mpx), Nikon D5100 (16 Mpx), Sony

Ericsson Xperia mini pro (5 Mpx). Poté byl referenční model porovnán v SW Geomagic Studio

s modely vytvořenými programy: Microsoft Photosynth, Hypr3D, Arc3D Webservice, Autodesk

123D Catch, VisualSFM, PhotoModeler Scanner a Agisoft PhotoScan.

Výsledky testování ukázaly, že aplikace Microsoft Photosynth naprosto nedostačuje pro

tvorbu detailních 3D modelů. Bodové mračno má velmi nízké rozlišení (řádově pouze desítky

tisíc bodů) i při použití komory Pentax s ultra velkým rozlišením 40 Mpx. Navíc program

nepodporuje tvorbu trojúhelníkové sítě.

Aplikace Hypr3D (dnes Cubify Capture) již dosahuje lepších výsledků, ale stále není vhodná pro

tvorbu detailních 3D modelů. Odchylka od referenčního modelu dosahuje hodnot i přes 1 mm.

Aplikace ARC3D Webservice se již svojí přesností pohybuje na jiné úrovni. Odchylky od

referenčního mračna zde dosahují hodnot – 0.2 mm až + 0.2 mm. Síť obsahuje přibližně 900 tisíc

trojúhelníků. Autodesk 123D Catch svými výstupy předčí Photosynth i Hypr3D. Autor dokonce


47

uvádí, že svými výstupy se dá srovnat s profesionálními komerčními softwary. Odchylky od

referenčního mračna dosahují vynikajících hodnot -0.1 mm až +0.1 mm pro snímky z aparátu

Pentax. Počet trojúhelníků je 1 mil. pro Nikon a dokonce 2.5 mil. pro Pentax. Software

VisualSFM dosahuje odchylek -0.1 mm až +0.1 při použití podprogramu PMVS2. Výsledné

mračno bodů bylo nutné převést na trojúhelníkovou síť v programu Geomagic Studio. Pro další

použití by však bylo potřeba model editovat (vyhladit, vyplnit díry) v nějakém externím

programu. Výhodou je rychlost výpočtu.

Pro profesionální program PhotoModeler Scanner se jako nutnost ukázala samostatná

kalibrace komory před výpočtem modelu. Ukázalo se dále, že výpočetní algoritmus má problémy

s konvergentními snímky. Výsledný model byl mírně deformovaný, což autor vysvětluje jako

důsledek nekvalitní kalibrace komory.

Program Agisoft PhotoScan dosahuje naprosto nejkvalitnějších výsledků. Dosahuje

odchylek do 0.05 mm, výjimečně 0.1 mm (komory Nikon a Pentax). Úroveň zachycení detailu se

dokonce zdá na vyšší úrovni, než dosahuje referenční model z triangulačního skeneru Konica.

Proto je jedna celá kapitola práce věnována podrobnému testování tohoto programu. Testy jsou

zaměřeny na: velikost cílových značek, základnový poměr, úhel osy záběru vůči snímkovací ploše

a zpracování ostrých hran. Následující obrázek zobrazuje detaily model ze všech komor.

Obr. 3.5: Detail modelů z komor: Sony Ericsson, Nikon a Pentax – Agisoft PhotoScan [6]

Jedna ze závěrečných kapitol se věnuje návrhu optimální konfigurace a výpočtu počtu

snímků pro snímkování třech typů památkových objektů: ploché (fasády), uzavřené z venku

(sochy a stavební objekty) a uzavřené zevnitř (interiéry).

Zajímavým výstupem této práce je vytvoření fotogrammetrické kalkulačky CRPC (Close

range photogrammetry calculator) pro platformu mobilních zařízení Android. Pomocí této kalkulačky

je možné provádět základní výpočty přímo v terénu před samotným snímkováním objektu. Mezi

tyto výpočty patří: určení GSD12 na základě parametrů použité komory a naopak, výpočet

apriorní přesnosti v hloubce modelu, výpočet optimální základny a další.

12 GSD znamená Ground sample distance. Jedná se o vzdálenost středů pixelů ve skutečnosti. Jedná se tedy

o rozlišovací schopnost snímků. Výraz původně vznikl v oblasti DPZ, proto slovo Ground v názvu. [10]

ČVUT v Praze 4. SESTAVENÍ TESTŮ A METODIKY TESTOVÁNÍ

48

4 Sestavení testů a metodiky testování

Tato kapitola má za cíl stanovit faktory, které by mohly mít vliv na kvalitu výsledného modelu

a které budou následně otestovány v kapitole 5. Podstatnou částí této kapitoly je samotné

sestavení technologického postupu testování vybraných parametrů.

4.1 Vlivy ovlivňující kvalitu modelu

Na kvalitu výsledného modelu má vliv spoustu faktorů. Samotný proces tvorby modelu se skládá

ze dvou velice komplexních částí:

1. pořizování vstupních dat – snímkování resp. natáčení videa

2. zpracování vstupních dat – proces výpočtu modelu

Protože druhou fázi – výpočet modelu lze jen minimálně ovlivnit (jen některé převážně komerční

OKS podporují možnost nastavit omezené množství parametrů výpočtu), zásadní možností jak

ovlivnit kvalitu výsledného modelu je převážně skrz první fázi – proces sběru vstupních dat –

snímkování. Následující podkapitoly budou tedy věnovány procesu sběru dat – snímkování.

4.1.1 Zásady správného snímkování podle autorů OKS

To, že klíčovou úlohu při použití OKS hraje sběr dat (snímkování), je patrné na webovských

stránkách jednotlivých tvůrců OKS. Téměř každý autor OKS má na svých stránkách uveden

návod na správné snímkování často také ve formě videotutoriálu (např. 123D Catch, Agisoft

PhotoScan a další). V těchto návodech se velice často opakují shodné zásady, kladoucí požadavky

jednak na snímaný objekt a jednak na samotný proces snímkování. Mezi tyto zásady patří:

objekt nesmí být průhledný, lesklý a vysoce odrazivý

nevhodná je též příliš homogenní (monotónní) textura objektu a též textura s opakujícím

se vzorem, jak eliminovat vliv příliš homogenní textury viz následující podkapitola 4.1.2

objekt se nesmí pohybovat, pohybuje se pouze komora

není vhodné snímkovat stylem „panoramování“, kdy fotograf s komorou stojí na jednom

místě a pořizuje snímky při horizontálním otáčení, vždy je nutné měnit polohu stanovisek

osvětlení objektu by mělo být konstantní a dostatečně silné

není vhodné snímkovat při přímém osvětlení sluncem, které kromě jiných negativních

vlivů má na svědomí výskyt nežádoucích stínů


49

naprosto nevhodné je používat blesk, který vytváří unikátní stíny pro každý snímek

snímky by měly mít vyrovnanou expozici (podexponované a přeexponované snímky

nejsou příliš vhodné)

zájmová část objektu by měla vyplňovat pokud možno celý snímek bez zbytečného okolí,

tzn. též pořizovat snímky objektu z co možná nejbližší vzdálenosti

každá zájmová část objektu by měla být zobrazena na alespoň 3 snímcích

překryt sousedních snímků by měl být alespoň 60 % (některé OKS doporučují až 90 %)

samozřejmostí jsou ostré snímky, tedy je nutné použít dostatečně krátkou dobu expozice

nebo v některých případech zvážit použití stativu

při snímkování detailů je lepší přistoupit k objektu blíže než používat zoom, pokud to

dovolí okolní podmínky

není vhodné používat extrémně širokoúhlé nebo naopak příliš teleskopické objektivy

hloubka ostrosti by měla být dostatečná a konzistentní, není tedy vhodné používat příliš

nízká clonová čísla, příliš vysoká čísla zase naopak můžou způsobovat rozmazané snímky

dostatečné rozlišení, často je uváděna minimální hodnota 5 Mpx, optimální cca 12 Mpx,

obecně platí čím větší rozlišení, tím podrobnější výsledek lze očekávat

hodnota ISO by měla být co možná nejnižší – čím vyšší ISO, tím větší výskyt šumu

není vhodné měnit nastavení komory během snímkování objektu

lépe je pořídit nadbytečné množství snímků a případný výběr provádět až v kanceláři

není vhodné snímky jakkoliv upravovat v PC, zvlášť nevhodné je provádět převzorkování

a operace měnící geometrické vlastnosti (odstraňování zkreslení vlivem distorze, otáčení

snímků, doostřování apod.)

snímky by měly obsahovat EXIF metadata

4.1.2 Zásadní parametry ovlivňující kvalitu modelu

Z výše uvedených doporučení pro správný sběr dat, byly vybrány ty parametry, které lze označit

za zásadní a které lze do určité míry ovlivnit. Jedná se o tyto parametry:

vhodnost textury pro obrazovou korelaci

světelné podmínky


50

vzdálenost snímkování

rozlišení snímku

Texturu objektu nelze příliš ovlivnit. Některými programy je doporučováno pro lepší

výsledek korelace umístit na příliš homogenní plochy nějaké výrazné prvky (např. barevné nebo

novinové papíry). Tato metoda může pomoci při snímkování např. plochých monotónních stěn

místností nebo nábytku. Členitým prvkům by bylo nutné pracně opatřit nějakou texturu (např.

laserovou dataprojekcí nějakého vzoru). Na příliš lesklé povrchy lze podle doporučení některých

OKS aplikovat speciální prášek (pudr), který potlačí odrazivost materiálu.

Světelné podmínky lze v exteriéru ovlivnit vhodnou dobou snímkování popř. použitím

statického umělého osvětlení. Nejpříznivější doba pro snímkování by podle jednotlivých tvůrců

OKS měla být při zatažené obloze, kdy přímé slunce nevytváří ostré dynamické stíny ztěžující

obrazovou korelaci. Dále je nutné, aby se světelné podmínky během snímkování příliš neměnily.

K problematice vhodného umělého osvětlení v interiéru se autoři OKS příliš nevyjadřují.

Jednoduchý návod a zhodnocení použití ateliérových a halogenových světel v interiéru uvádí

J. Roub ve své DP, [4].

Čím dále od objektu stojíme, tím menší je obrazový pixel ve skutečnosti. Tedy

vzdálenost snímkování a potažmo velikost pixelu je základním limitujícím faktorem

podrobnosti modelu. Např. při použití fotoaparátu s čipem 12 Mpx (4243 x 2828 pixelů)

a snímkování objektu (na šířku) o velikosti 40 m představuje jeden pixel ve skutečnosti cca

1 x 1 cm. Zatímco při snímkování malého objektu (4 m) představuje jeden pixel ve skutečnosti

cca 1 x 1 mm. Pokud bychom chtěli zmenšit velikost pixelu i pro větší objekty, bylo by potřeba

použít komoru s větším rozlišením nebo snímkovat objekt z bližší vzdálenosti. V tomto případě

by ale bylo nutné snímkovat objekt po částech, modely částí počítat samostatně a následně spojit

v jeden model v nějakém 3D modelovacím programu.

Rozlišení snímků lze ovlivnit volbou digitální komory s vysokým rozlišením snímacího

čipu. Již běžně je možné se setkat s kompaktními amatérskými aparáty s rozlišením senzoru

20 Mpx. Na trhu se již objevují kamery s rozlišením 40 Mpx (např. Pentax 645D). Přímá závislost

podrobnosti modelu na velikosti rozlišení byla potvrzena v [6], viz kapitola 3.5.

4.2 Sestavení testů

Pro provedení testování bylo snahou nalézt takové vlivy, které by mohly mít znatelný vliv na

kvalitu výsledného modelu, ale doposud jim nebyla věnována dostatečná pozornost. Po

konzultaci s vedoucím práce a dalšími odborníky z praxe byly sestaveny tři testy, které posuzují

vliv těchto faktorů:


51

1. Světelné podmínky v exteriéru

2. Konfigurace snímkování

3. Konstanta komory

Pro všechny testy byl sestaven Plán snímkování, který je uveden jako Příloha G. Tento

plán obsahuje datum provedeného snímkování, využití jednotlivých sérií snímkování

v jednotlivých testech a celkové počty snímků použitých pro tvorbu všech modelů. Jako testovací

objekt byl pro všechny tři testy zvolen společný objekt v exteriéru. Popis tohoto objektu

a důvodů pro jeho zvolení jsou náplní následující kapitoly 4.3.

4.3 Testovací objekt

Jako testovací objekt byla zvolena část opěrné zdi v areálu hlavního nádraží v Praze. Zeměpisné

souřadnice zdi jsou: 50° 04’ 57.3‘‘ N, 14° 26’ 15.9‘‘ E. Zeď má severozápadní orientaci, mírný

sklon a tvoří ji hrubě opracované kamenné zdivo (uprostřed částečně kyklopské) tmavé barvy.

Zájmová část zdi je přibližně 5 metrů široká a 3 metry vysoká, viz následující obrázek.

Obr. 4.1: Testovací objekt – opěrná zeď, hlavní nádraží v Praze [autor]

Tento typ objektu byl zvolen proto, že má různorodou texturu vhodnou pro obrazovou

korelaci. Dále má objekt ne příliš výraznou prostorovou členitost, tudíž nebudou tak vysoké

nároky na snímkování jako v případě velmi členitých objektů. Dalším důvodem je, že je objekt

dobře přístupný pro snímkování a okolí objektu umožňuje zřídit trvalou stabilizaci snímkovacích

stanovisek umožňující reprodukované snímkování v jiných dnech. Přístupnost objektu a způsob

stabilizace stanovisek viz Příloha C. Menší nevýhodou by mohla být orientace zdi, kdy při

snímkování v ranních hodinách by mohly nastat problémy se správnou expozicí snímku

v důsledku protisvětla.


52

Na objektu byly uměle stabilizovány dva body pro určení měřítka, viz Obr. 4.1. Body byly

stabilizovány žlutými zátkami od PET lahví a přibity nastřelovacími hřeby. Vzdálenost bodů byla

volena 3 m ± 0.005 m. Bylo možné zvolit tuto metodu s relativně nižší přesností, protože pro

následné porovnávání modelů není nutné mít rozměr modelu absolutně přesně (očekávané

odchylky modelu v řádech mm) a navíc modely budou na sebe „pasovány“ podobnostní

transformací13 pro odstranění vlivu chybně určeného měřítka, viz kapitola 4.6.3.

4.4 Použité přístrojové vybavení

Informace o použitém vybavení byly čerpány z [55]. Veškeré modely v rámci této práce byly

vypočteny ze snímků pořízených neměřickou komorou Canon EOS 450D v kombinaci s jedním

objektivem zn. Tamron. Více informací o této sestavě viz následující podkapitoly. Kromě

zmíněného fotoaparátu a objektivu byl též použit amatérský fotografický stativ Hama Star 62.

Obr. 4.2: Canon EOS 450D a Tamron AF 18-200 mm f/3.5-6.3 Di-II IF XR LD [54]

4.4.1 Canon EOS 450D

Jedná se o velice úspěšnou amatérskou digitální jednookou zrcadlovku DSLR s výměnnými

objektivy. Na trh byla uvedena v roce 2008 jako nástupce modelu EOS 400D z roku 2006.

Základní parametry jejího obrazového čipu uvádí následující tabulka.

Tab. 4.1: Základní vlastnosti senzoru komory Canon EOS 450D

Typ CMOS

Efektivní rozlišení 12.2 Mpx

Velikost 22.2 x 14.8 mm

Citlivost 100 - 1600 ASA

Crop faktor14 1.6 x

Pokročilý systém ochrany čipu proti prachu

13 Podobnostní transformace je typ transformace, při níž dochází k posunu, rotaci a změně měřítka. [9]

14 Crop faktor slouží k standardizaci zorných úhlů (ohniskových vzdáleností), které jsou po přenásobení

Crop faktorem vztaženy na velikost kinofilmové snímací plochy 36 x 24 mm. [10]


53

4.4.2 Tamron AF 18-200 mm f/3.5-6.3 Di-II IF XR LD

Tamron AF 18-200 je amatérský objektiv s proměnným ohniskem a automatickým ostřením.

Nevýhodou objektivu je, že nedisponuje funkcí stabilizace obrazu IS. Základní parametry

objektivu udává následující tabulka.

Tab. 4.2: Základní vlastnosti objektivu Tamron AF 18-200 mm f/3.5-6.3 Di-II IF XR LD

Složení 15 členů ve 13 skupinách

Ohnisková vzdálenost 18-200 mm (29-320 mm ekv.)

Maximální clona 3.5-6.3

Minimální clona 22

Horizontální zobrazovací úhel 63° 19'

Nejkratší vzdálenost ostření 0.45 m

Optické elementy s vysokou refrakcí

Optické elementy se zvláště nízkou disperzí světla

4.5 Společné nastavení komory a ostření scény

Aby zkoumané parametry ve všech třech typech testů nemohly být ovlivněny jinými proměnnými

parametry, byly následující parametry, které nebyly předmětem zkoumání, nastaveny ručně po

celou dobu snímkování. Jejich hodnoty byly voleny podle doporučení autorů OKS, viz kapitola

4.1.1, a podle diplomové práce J. Rouba [4], která se přímo zabývá problematikou získání

kvalitních snímků pro fotogrammetrické vyhodnocení. Pro všechny snímky pořízené v rámci

všech testů byly nastaveny tyto neměnné parametry:

Clona byla nastavena na hodnotu F8. Tato hodnota by měla zajistit dostatečnou hloubku

ostrosti scény při ještě rozumně krátkých časech expozice (snímkováno ve většině

případech „z ruky“) a kvalitnější kresbu objektivu než při nižších hodnotách.

Citlivost snímače byla nastavena na ISO 200. Tato hodnota se vyznačuje nízkým šumem,

zvládá velmi světlé i tmavší scény a oproti nejnižší dostupné hodnotě ISO 100 přispívá ke

zkrácení času expozice.

Rozlišení snímků bylo nastaveno nejvyšší možné a to 12 Mpx (4272 x 2848 pixelů).

Ostřící bod byl vybrán jako středový bod, aby se zabránilo chybnému zaostření scény na

nějaký okrajový bod, který může ležet mimo zájmový objekt. Ostření scény je podrobně

popsáno níže.


54

Dalšími nastavenými parametry jsou:

Vyvážení bílé bylo nastaveno na automatickou volbu AWB.

Režim měření expozice byl nastaven na volbu Poměrové měření.

Kompenzace expozice byla ponechána bez kompenzace na hodnotě 0 EV.

Styl Picture Style nastaven na Standarní (ostrý, výrazný snímek s živými barvami).

Snímkování probíhalo v režimu priority clony, kdy clona byla nastavena ručně na hodnotu F8

a čas expozice (obvykle 1/40 sekundy) byl vždy dopočten automaticky programem komory.

Ostření probíhalo tak, že scéna byla nejprve zaostřena automaticky pomocí funkce AF.

Bylo ale zjištěno, že automatické ostření neposkytuje uspokojivé výsledky (scéna nebyla dokonale

ostrá a při opakovaném ostření docházelo k rozdílným výsledkům). Scéna byla tedy zaostřena

manuálně (přepínač nastaven na MF), vyfotografována a provedena kontrola ostrosti snímku na

displeji fotoaparátu. To bylo opakováno několikrát, než bylo dosaženo dokonale ostrého snímku.

Potom přesná poloha ostřícího kroužku byla označena lihovým fixem a při opakovaném

snímkování v jiný den byla vždy jednoduše přesně ručně obnovena. Při snímkování každé série

pro jednotlivé modely všech testů mají tedy tyto snímky shodnou neměnnou polohu ostřícího

kroužku. Pro eliminaci otřesu fotoaparátu po stisknutí spouště bylo v případech s horšími

světelnými podmínkami snímkováno se samospouští nastavenou na 2 sekundy.

Snímky byly ukládány do formátu RAW a zároveň také do formátu JPEG. Všechny

modely byly vytvářeny ze snímků ve formátu JPEG, ačkoliv tvůrce softwaru Agisoft PhotoScan

doporučuje spíše použití TIFF formátu („vyvolaného“ z formátu RAW), viz kapitola 2.2.2.

Formát RAW nebyl tedy v této práci přímo využit. Lze jej ale v budoucnu využít pro případnou

možnost dalšího testování, neboť snímky ve formátu RAW jsou též uloženy na DVD disku.

4.6 Postup testování – tvorba a porovnání modelů

V této kapitole bude popsán kompletní postup tvorby a porovnání modelů, který byl vytvořen za

účelem testování vybraných parametrů. Tento postup zahrnuje postupně tyto technologické části,

které byly postupně řešeny s využitím uvedených programů:

1. Kalibrace komory – Agisoft Lens

2. Tvorba 3D modelu – Agisoft PhotoScan Professional

3. Porovnání modelů – CloudCompare

V následujících kapitolách jsou všechny tři fáze stručně popsány. Pro přesnou

dokumentaci a možnost opakovat jednotlivé postupy byl pro každou fázi pořízen videotutoriál


55

ovládání příslušného programu pomocí softwaru FastStone Capture, [56]. Videa obsahují české

popisy jednotlivých úkonů a jsou dostupná na přiloženém DVD disku ve složce G_Videa a také

na serveru YouTube, viz [57], [58] a [59].

4.6.1 Kalibrace komory – Agisoft Lens

V první řadě byla provedena kalibrace komory. Pojem kalibrace znamená určení prvků vnitřní

orientace komory. Mezi tyto prvky patří:

konstanta komory (ohnisková vzdálenost)

poloha hlavního bodu snímku15

průběh distorze objektivu (radiální a tangenciální)

Jak již bylo zmíněno výše, software Agisoft PhotoScan umožňuje výpočet kalibrace

komory dvěma způsoby. V prvním případě jsou kalibrační prvky komory neznámé a jsou

vypočteny tzv. samokalibrací přímo ze snímků zájmového objektu v rámci výpočtu modelu.

Prvky jsou přitom určovány najednou vždy pro skupiny se stejnou ohniskovou vzdáleností.

V druhém případě lze prvky vnitřní orientace komory určit předem a ručně je zadat do programu

před výpočtem modelu (tzv. kalibrace pomocí testovacího pole neboli předkalibrace).

K určení těchto kalibračních prvků vyvinuli tvůrci samostatný program Agisoft Lens,

který lze na rozdíl od PhotoScan bezplatně stáhnout ze stránek [60]. Instalační soubor použité

verze softwaru Agisoft Lens je uložen na DVD disku ve složce I_Instalace. Tento software

podporuje určení prvků kalibrace včetně nelineárních koeficientů distorze objektivu. Program

určí tyto prvky:

fx, fy – konstanta komory

cx, cy – souřadnice hlavního snímkového bodu

K1, K2, K3, P1, P2 – koeficienty radiální a tangenciální distorze

Pro určení koeficientů distorze software používá tzv. Brownův model, viz uživatelský manuál

k softwaru Agisoft Lens, [60]. Samotná kalibrace je vypočtena z minimálně trojice snímků

černobílé šachovnice, která je zobrazena na LCD obrazovce a postupně snímkována z různých

pozic. Vstupním souborem kalibrace jsou pouze snímky zachycující šachovnici.

15 Hlavní bod snímku je průsečík roviny snímku s paprskem procházejícím středem promítání

v obrazovém prostoru (středem výstupní pupily) a kolmým na rovinu snímku. [9]


56

Obr. 4.3: Agisoft Lens – vypočtená kalibrace s průběhy distorzí [autor]

Autoři programu uvádějí, že běžně není nutné provádět předkalibraci komory

a samokalibrace funguje spolehlivě pro standardní objektivy (ohnisková vzdálenost kolem 50 mm

pro ekv. 35 mm). Při použití širokoúhlých objektivů autoři doporučují zadat kalibrační parametry

komory ručně do SW Agisoft PhotoScan před výpočtem modelu. Protože v této práci bylo

výhradně snímkováno širokoúhlým zoom objektivem Tamron AF 18-200 mm pouze ve dvou

polohách (18 a 50 mm), byla předkalibrace provedena pro ohniskovou vzdálenost 18 mm (ekv.

29 mm) a 50 mm (ekv. 81 mm), která byla použita pouze v Testu 3, kapitola 5.3.

Samotný výpočet kalibrace nabízí pouze možnost vybrat, které volitelné parametry budou

vypočteny. V rámci kalibrace byly vždy vypočteny všechny volitelné parametry. Podrobný popis

procesu kalibrace viz videotutoriál ve složce G_Videa na DVD popř. online na stránce [57].

Šachovnice byla nasnímána s konstantou komory 18 mm nejprve pouze ze tří stanovisek

(zleva, uprostřed, zprava) a vypočtena kalibrace. Protože takto vypočtené parametry vykazovaly

velké směrodatné odchylky, byly přidávány postupně další snímky z různých náhodných pozic,

což neustále snižovalo směrodatné odchylky. Nakonec byla kalibrace vypočtena z 25 snímků. To

mělo za následek trojnásobný pokles původních směrodatných odchylek parametrů určených ze 3

snímků. Další přidávání snímků již nepřinášelo výrazné zlepšení a nemělo tedy význam. Příloha D

porovnává dosažené hodnoty parametrů a jejich směrodatné odchylky vypočtené ze 3 a z 25

snímků pro 18mm konstantu. Poté bylo provedeno snímkování pole a kalibrace pro konstantu

komory 50 mm pro účely Testu 3. Opět byla kalibrace vypočtena z 25 snímků. Příloha E

porovnává dosažené hodnoty parametrů a jejich směrodatné odchylky vypočtené z 25 snímků

pro konstantu komory 18 a 50 mm. Průběhy radiální a tangenciální distorze objektivu pro

ohniska 18 a 50 mm, vypočtené pro oba případy z 25 snímků, je možné shlédnout v Příloze F.


57

Snímky s ohniskovou vzdáleností 18 mm vykazují více než 3x větší hodnotu radiální distorze na

krajích snímků než snímky s ohniskovou vzdáleností 50 mm, více viz Test 3, kapitola 5.3.3.

Pro přesné posouzení vlivu použití nebo nepoužití předkalibrace na kvalitu výsledného

modelu by bylo vhodné provést další testování. V této práci toto testování provedeno nebylo.

4.6.2 Tvorba modelu – Agisoft PhotoScan

K tvorbě modelů sloužících pro testování vybraných faktorů byl vybrán software Agisoft

PhotoScan. K tomuto účelu byl vybrán pro své přednosti popsané v kapitole 2.6.1. V této práci

byl program použit ve verzi Agisoft PhotoScan Professional 0.9.1. V následujících odstavcích

bude stručně popsána technologie tvorby modelu v tomto softwaru, tak jak byla použita pro

výpočet všech modelů. Podrobný názorný popis tvorby modelu viz videotutoriál ve složce

G_Videa na DVD popř. online na stránce [58].

Nejprve byl vytvořen nový chunk (soubor snímků) v prostředí Workspace pomocí volby

Add Chunk. Poté byly do tohoto souboru nahrány všechny vstupní snímky volbou Add Photos…

Snímky byly nahrávány výhradně ve formátu JPEG bez jakýchkoliv předchozích úprav. Při

použití snímků s ohniskovou vzdáleností 18 mm (29 mm ekv.) byly ještě před orientací snímků

nahrány údaje kalibrace objektivu (viz kapitola 4.6.1). Nahrání XML souboru s kalibračními

parametry se provede podle schématu: Tools - Camera Calibration… - Initial - Load. Kalibrace

nebyla zadána jako fixní (Fix calibration), a tedy kalibrační parametry budou během výpočtu

vyrovnávány. Volba Fix calibration umožňuje tyto prvky fixovat, tzn. že nebudou vyrovnány

a zůstanou neměnné. Tato volba se doporučuje pouze v případě, že prvky jsou určeny vysoce

přesně. Dále byla spuštěna orientace snímků s generací řídkého mračna bodů pomocí volby Align

Photos… Proces orientace snímků má dva volitelné parametry: přesnost (Accuracy) – zvolena

možnost High (vysoká přesnost) a předvýběr párů snímků (Pair preselection) – zvolena možnost

Generic (páry určí software automaticky).

Po úspěšné orientaci a vygenerování řídkého mračna bodů, viz následující Obr. 4.4, se

přistoupilo k tvorbě hustého mračna bodů a samotného 3D modelu v prostředí Workspace

pomocí volby Build Geometry... Tento proces nabízí několik volitelných parametrů: typ objektu

(Object type) – zvolena možnost Height Field (vhodná pro rovinné objekty), tvar objektu (Geometry

type) – zvolena možnost Sharp (vhodné pro objekty s ostřejšími hranami), kvalita mračna (Target

quality) – zvolena možnost High (vysoká kvalita), počet trojúhelníků sítě (Face count) – zvolen

počet 1 000 000, práh filtru pro nejmenší komponenty modelu (Filter treshold) – zvolena hodnota

0.5 %, práh vyplnění děr modelu (Hole treshold) – zvolena hodnota 0.1 %. Tyto parametry byly pro

daný objekt zvoleny podle doporučení v návodu k softwaru dostupného z [12] a také podle

zkušeností J. Šediny, který ve své diplomové práci, [5], software Agiosft PhotoScan používal.


58

Obr. 4.4: Agisoft PhotoScan – vygenerované řídké mračno bodů [autor]

Dalším krokem byla tvorba přesné textury modelu. Tato operace se provádí v prostředí

Workspace pomocí volby Build Texture... Tento proces nabízí taktéž několik volitelných parametrů:

mapovací mód (Mapping mode) – zvolena možnost Generic (program se snaží nalézt kvalitní

texturu pro daný objekt automaticky), metoda míchání (Blending mode) – zvolena možnost Average

(výsledný pixel je průměrem z odpovídajících si pixelů na všech snímcích), šířka a výška textury

(Atlas width, Atlas height) – zvolena shodně možnost 2048 (počet pixelů), barevná hloubka (Color

depth) – zvolena možnost Standard (24-bitová hloubka).

Finálním krokem je nastavení měřítka modelu pomocí vzdálenosti zaměřené mezi dvěma

body, viz Obr. 4.1. Body, mezi kterými je změřena vzdálenost, se sejmuly pomocí volby Create

Marker. Vzdálenost mezi těmito body se vyznačila pomocí funkce Create Scale Bar. V prostředí

Ground Control byla tato vzdálenost nastavena na hodnotu 3 m. Na závěr byl model exportován

do formátu OBJ postupem File – Export Model…

Všechny modely vytvořené v rámci této práce jsou uloženy na DVD disku včetně všech

zdrojových snímků a kalibračních protokolů.

4.6.3 Porovnání modelů – CloudCompare

Všechny následující vytvořené testy jsou založeny na porovnávání modelů. Proto bylo potřeba

nalézt vhodný program, který na sebe „napasuje“ dva modely a vypočte jejich rozdílový rastr. Asi

nejznámějším komerčním programem, který je zaměřen na všestrannou práci s 3D daty včetně

porovnávání modelů, je Geomagic Studio [68]. Cena tohoto softwaru se pohybuje okolo

18 000 €. Snahou však bylo nalézt volně dostupný software, který by umožňoval jednoduché

a přitom kvalitní a spolehlivé výstupy srovnatelné s profesionálním softwarem. Tyto požadavky


59

splnil program CloudCompare, které ve své dizertační práci použil také K. Bartoš, [7], viz

kapitola 3.4.

CloudCompare je software primárně určený pro srovnávání dvou 3D bodových mračen

nebo zasíťovaných mračen (modelů). Jeho autorem je Francouz Daniel Girardeau-Montaut.

K tomuto účelu je založen na speciální octree16 struktuře. Program dokáže běžně pracovat

s mračny o více než 10 milionech bodů. V současnosti jej lze využít též k různorodým operacím

s 3D daty jako jsou: registrace, převzorkování, statistické výpočty apod. V následujících

odstavcích bude stručně popsána technologie porovnávání modelů v tomto SW, tak jak byla

sestavena a použita pro porovnání všech modelů ve všech třech testech. Podrobný názorný popis

porovnání modelů viz videotutoriál ve složce G_Videa na DVD popř. online na stránce [59].

Obr. 4.5: Program CloudCompare [autor]

Oba modely, které budou porovnávány, byly nahrány do prostředí CloudCompare

pomocí volby File – Open. V prvním kroku byly modely ořezány přibližně tak, aby zobrazovaly

pouze zájmovou část s malým přesahem. Ořez modelu byl proveden pomocí funkce Segment. Část

určená k ořezu byla označena polygonovým lasem (Polygonal selection), poté byla část modelu

určená k zachování inverzně označena volbou Segment out a na závěr odmazána nepotřebná část

funkcí Confirm and delete hidden points.

V dalším kroku byly modely přibližně transformovány na sebe použitím volby

Translate/rotate. Jak již název napovídá, děje se tak pomocí posunu a rotace jednoho z modelů.

Program též umožňuje přibližné ztotožnění modelů transformací ručním zvolením 3 identických

bodů funkcí Align two clouds by picking (at least 3) equivalent point pairs. Tato funkce se však příliš

neosvědčila, neboť z neznámých příčin její aplikace trvala neúměrně dlouhou dobu.

16 Octree je typ stromové struktury dat, kde každý uzel má právě osm potomků. [10]


60

První přesné ztotožnění (registrace) modelů bylo provedeno pomocí volby Finely registers

already (roughly) aligned entities (clouds or meshes). K tomuto účelu software využívá algoritmus ICP17.

Přesná registrace nabízí několik volitelných parametrů. Jako první určení referenčního (Model)

a registrovaného (Data) mračna, kritérium pro zastavení registrace (rozdíl předchozí a následující

iterace) Error difference – zadána hodnota 1.000e-10. Dále byla pro potlačení vlivu špatně určeného

měřítka zatržena volba Free scale parameter, která umožní změnu měřítka registrovanému mračnu.

Posledním použitým parametrem byla volba optimalizující rychlost výpočtu pro velká mračna

Random sampling limit – nastavena hodnota 1 000 000, která potlačí použití tohoto parametru,

neboť žádné mračno nemá více jak 1 mil. bodů. Poté byla spuštěna registrace mračen.

V některých případech bylo nutné registraci opakovat, neboť při prvním pokusu nedošlo

k dostatečnému přiblížení (Error difference dosahovala větších hodnot). Míru přiblížení dvou

mračen udává hodnota RMS18 (Root mean square) všech vypočtených vzdáleností.

Po první přesné registraci byl proveden opět ořez modelů. V tomto případě byly oba

modely již ořezávány najednou tak, aby porovnávané modely byly pokud možno co nejshodnější

a zobrazovaly pouze zájmovou část. K tomuto kroku bylo přistoupeno, protože bylo zjištěno, že

pokud budou porovnávány modely z prvního samostatného ořezu, ve výsledku se znatelně

projeví i rozdílné okrajové části, které vznikly vlivem nestejného ořezu, viz Obr. 4.5 a červený

pravý okraj modelu. Poté bylo provedeno druhé a finální ztotožnění (registrace) modelů, nyní

s kritériem Error difference nastaveným na přísnější hodnotu 1.000e-20.

Po registraci byl proveden výpočet rozdílového rastru obou mračen funkcí Compute

cloud/mesh distance. Tato funkce nabízí také několik volitelných parametrů. Jako první určení

referenčního modelu (Reference) a porovnávaného modelu (Compared). Poté proběhne přibližný

výpočet vzdálenosti. Pro přesný výpočet vzdálenosti byly použity tyto základní volitelné

parametry (General parameters): úroveň stromové struktury Octree level – nastavena hodnota 8,

maximální zobrazená vzdálenost Max. dist – nastavena hodnota 0,005 m, výpočet vzdáleností se

znaménkem Signed distances – povolena, výpočet s funkcí multi-threaded – povoleno. Pokud je

potřeba charakterizovat vzdálenost dvou mračen jednou hodnotou, k tomuto účelu je vypočtena

střední vzdálenost Mean distance a její směrodatná odchylka std deviation.

Při testování byla objevena skutečnost, že při registraci modelů a poté výpočtu

vzdálenosti modelů záleží na tom, jaký model bude označen za referenční, tedy že výsledky při

záměně referenčních modelů nejsou přesně inverzní. To je zřejmě způsobeno tím, že i při

17 ICP neboli Iterative Closest Point je algoritmus, jehož cílem je iterativní nalezení transformačních

parametrů, pro které platí, že celková chyba mezi body transformovaného mračna a nejbližšími body

referenčního mračna bude minimální. [10]

18 RMS znamená Root mean square neboli kvadratický průměr. Jedná se o statistickou veličinu představující

druhou odmocninu aritmetického průměru druhých mocnin daných hodnot. [10]


61

druhém přesném ořezu vznikne malý rozdíl mezi modely na krajích modelů. Výsledky jsou tím

více rozdílné, čím jsou modely rozdílněji ořezány. Proto je nutné věnovat zvýšenou pozornost

ořezu modelů a snažit se o to, aby porovnávané modely byly pokud možno co nejshodnější.

Na závěr byl rozdílový rastr vizualizován pomocí barevné hypsometrie, kdy pro záporné

hodnoty byla použita modrá barva, která přechází do zelené barvy, značící nulový rozdíl, ta

následně přechází do barvy červené, značící kladný rozdíl, viz Obr. 4.5. Na závěr byl uložen

histogram četností vzdáleností dvou modelů. Histogram se zobrazí pomocí funkce Show histogram.

Všechna provedená porovnání vytvořená v rámci této práce včetně instalačního souboru

použité verze softwaru CloudCompare jsou uložena na DVD disku.

ČVUT v Praze 5. TESTOVÁNÍ VYBRANÝCH PARAMETRŮ

62

5 Testování vybraných parametrů

Náplní této kapitoly je podat podrobný popis testování všech třech vybraných parametrů. Pro

každý test tento popis zahrnuje definici důvodu a základních předpokladů testování, přesný popis

snímkování a samotného postupu testování a samozřejmě zhodnocení dosažených výsledků.

Shrnutí proběhlého testování a dosažených výsledků bude uvedeno v Závěru této práce.

5.1 Test 1 – Světelné podmínky v exteriéru

Při snímkování objektů v exteriéru je primárním zdrojem osvětlení Slunce. Tento nejpřirozenější

typ osvětlení je však závislý na aktuálním stavu atmosféry, který je ale velmi proměnný v čase.

Mezi nejvýznamnější faktory ovlivňující průchod světla atmosférou patří: aktuální stav oblačnosti

(jasno, oblačno), poloha Slunce na obloze (denní doba, roční období) a obsah kapalných

a pevných částic v atmosféře (mlha, smog).

5.1.1 Důvod a předpoklad testování

Toto testování je provedeno za účelem posouzení, zda se na modelech daného testovacího

objektu nějakým způsobem projeví světelné podmínky při odlišných povětrnostních podmínkách.

Dále je cílem testování potvrdit či vyvrátit teorii o nejpříznivější době snímkování při zatažené

obloze.

Základním předpokladem je, že rozdílné světelné podmínky budou mít nějaký vliv na

vytvářené modely. Druhým předpokladem je, že nejkvalitnější model poskytnou snímky, které

byly pořízeny za zatažené oblohy, tedy při rozptýleném světle19, neboť tyto podmínky jsou

doporučovány většinou autorů OKS, např. 123D Catch, [16], nebo Agisoft PhotoScan, [12].

5.1.2 Snímkování

Všechny snímky byly pořízeny s ohniskovou vzdáleností 18 mm a „z ruky“. Jelikož objekt není

příliš členitý a nedosahuje velkých rozměrů, byly snímky pořízeny s ideálním 100% překrytem.

Aby objekt pokrýval celý snímek (foceno na šířku), byla při vodorovném zobrazovacím úhlu 63°

snímkovací stanoviska volena ve vzdálenosti 4 m od středu objektu. Snímkovací stanoviska tak

vytváří kruhovou výseč kolem objektu o poloměru 4 m, viz Obr. 5.1. Tento způsob byl zvolen

19 Rozptýlené světlo je světlo, které přichází ze všech směrů a rovnoměrně osvětluje povrch celého

objektu, takže nevznikají žádné tvrdé stíny, odrazy nebo oslnění. U denního světla je to světlo při zcela

zatažené obloze. [62]


63

proto, aby nemuselo docházet k přeostřování při snímkování z jednotlivých stanovisek

a opakované snímkování probíhalo za pokud možno stejných podmínek. Stanoviska byla

stabilizována dřevěnými kolíky, viz Příloha C.

Počet snímků byl volen tak, aby bylo dosaženo dostatečné efektivity výpočtu modelu. To

znamená, aby s ohledem na opakovaný výpočet modelu pro různé testy nebyl výpočet příliš

časově náročný, ale na druhou stranu aby byl dostatečně kvalitní. V [6] bylo provedeno testování

optimálního počtu snímků na základě základnového poměru sousedních snímků v sérii. Jako

kompromis mezi dostatečnou hloubkovou přesností modelu a schopností zachycení členitosti

objektu se jevil autorovi poměr mezi 1:2 až 1:5. Byl tedy zvolen poměr 1:4, což při vzdálenosti od

objektu 4 m představuje délku základny (vzdálenost sousedních snímků) 1 m. Pro objekt bylo

vždy pořízeno 6 konvergentních snímků, rovnoměrně rozložených kolem objektu a po 1 m, viz

Obr. 5.1. Takto bylo vždy pořízeno několik sérií snímků za sebou. Z těchto snímků byly v PC

vybrány nejkvalitnější (především nejostřejší) snímky pro výpočet modelů, obdobně v Testu 2 a 3.

Obr. 5.1: Test 1 – schéma konfigurace snímkování [autor]

Ve stejné konfiguraci snímkování byly pořízeny snímky za těchto povětrnostních

potažmo světelných podmínek, které se běžně v exteriéru vyskytují:

Zataženo – optimální rozptýlené světlo

Slunečno – ostré světlo vytvářející stíny

Po dešti – zataženo po dešti, textura objektu ovlivněna vodou

Jasno – celý objekt ve stínu při jasné obloze

V prvním případě bylo snímkováno při zatažené obloze. Tento typ osvětlení poskytuje

tzv. měkké neboli rozptýlené světlo. Toto světlo způsobuje rovnoměrné osvětlení scény bez


64

tvrdých stínů, nežádoucích odrazů a oslněných míst. Takto nasvícená scéna je časově stabilní

(nedochází k náhlým změnám osvětlení a pohybu stínů jako důsledek pohybu oblačnosti resp.

Slunce) a vizuálně postrádá plasticitu. Toto osvětlení je pro své výhody (především absence stínů

a stálost v čase) doporučováno tvůrci OKS jako nejvhodnější pro aplikaci obrazové korelace.

V druhém případě byl objekt nasnímán při jasné slunečné obloze v pozdních

odpoledních hodinách. Pozdní odpoledne bylo zvoleno proto, že zájmový objekt má

severozápadní orientaci, tedy k přímému osvitu stěny dochází v pozdnějších hodinách. V tomto

případě je scéna osvětlena tzv. tvrdým neboli ostrým světlem. Tento typ osvětlení se vyznačuje

výraznou plasticitou. Dále se zde na rozdíl od osvětlení při zatažené obloze projevuje významná

nestabilita vlivem pohybu Slunce. Dalším negativním vlivem může být výskyt přeexponovaných

(příliš jasné jasy) a naopak podexponovaných míst (příliš tmavé stíny) na snímku. Následující

obrázek porovnává snímky modelů Zataženo a Slunečno. Nejnápadnějším rozdílem je výskyt oblasti

s trvalým stínem u osvětlení Slunečno, který se rozprostírá z pravého dolního rohu přes horní část

až do levého horního rohu, a velmi dobře patrný rozdíl v plasticitách snímků.

Obr. 5.2: Test 1 – Zataženo vs. Slunečno [autor]

Ve třetím případě byl objekt snímán při zatažené obloze po proběhlém dešti. Světelné

podmínky jsou v tomto případě shodné jako v prvním případě, ale rozdílem je, že textura objektu

byla ovlivněna stékající vodou. Jelikož objekt nestačil dostatečně vyschnout, nachází se na jeho

povrchu vlhké oblasti. Tyto oblasti mají tmavší barvu, ve které je potlačena heterogenní textura

objektu. Převážně se jedná o spáry mezi kameny. Dále může u vlhkého povrchu docházet

k nežádoucím odleskům, což se ale v případě tohoto objektu neprojevilo. Odlesky a odrazy od

vlhkých míst nebo dokonce na hladinách louží jsou zcela zjevně problémem v případě tvorby

modelů vodorovných staveb (silnice, dálnice), viz následující obrázek.


65

Obr. 5.3: Test 1 – odraz na hladině louže [63]

V posledním případě byl objekt nasnímán při jasné obloze, ale v dřívějších hodinách. To

znamená, že objekt nebyl přímo vystaven slunečnímu svitu, ale byl kompletně zakryt ve stínu.

Tento typ osvětlení se blíží prvnímu případu při zatažené obloze. Všechny typy osvětlení jsou

k nahlédnutí v Příloze H.

5.1.3 Postup testování

Nejprve byly vytvořeny modely pro všechny čtyři případy podle postupu uvedeného v kapitole

4.6.2. Jako referenční model byl vybrán model při optimálních světelných podmínkách, tedy při

zatažené obloze a tento model byl nazván Zataženo. Další modely byly nazvány Slunečno, Po dešti

a Jasno. Následující tabulka představuje základní dosažené parametry vytvořených modelů

v programu Agisoft PhotoScan Professional. Mezi tyto parametry patří: Point Cloud – počet bodů

řídkého mračna, Reprojection Error20 – chyba reprojekce, Faces - počet trojúhelníků sítě, Vertices –

počet bodů husté sítě a Doba – doba výpočtu husté sítě bodů. Podrobné informace o modelech

Zataženo, Slunečno, Po dešti a Jasno a procesech jejich tvorby jsou uvedeny v Přílohách I, J, K a L.

Tab. 5.1: Test 1 - základní parametry modelů

Model Point Cloud Reprojection Error Faces Vertices Doba [s]

Zataženo 41218 0.36 (max 1.10) 972175 491667 231

Slunečno 42169 0.54 (max 1.64) 974145 492314 232

Po dešti 41711 0.39 (max 1.17) 968842 490142 227

Jasno 40688 0.36 (max 1.10) 971751 491528 232

20 Reprojection Error je geometrická chyba odpovídající obrazové vzdálenosti mezi bodem zobrazovaným

a určeným. Používá se k vyčíslení blízkosti odhadu polohy 3D bodu a jeho správné projekční polohy. [10]


66

Z Tab. 5.1 je patrné, že všechny modely jsou stejně husté a jejich tvorba trvala přibližně stejně

dlouho. Mírně vyšší hodnotu Reprojection Error (dále RE) vykazuje model Slunečno. Naopak

nejmenší hodnotu RE vykazují modely Zataženo a Jasno.

V druhém kroku bylo provedeno porovnání modelů Slunečno, Po dešti a Jasno s modelem

Zataženo podle postupu z kapitoly 4.6.3. Následující tabulka představuje základní dosažené

parametry registrace porovnávaných modelů v programu CloudCompare. První model je vždy

model referenční (v tomto případě vždy model Zataženo), platí i všude dale v dalších testech.

Tab. 5.2: Test 1 - základní parametry registrace modelů

Porovnání modelů RMS [m] Střední vzdálenost [m] Směrodatná odchylka [m]

Zataženo - Slunečno 0.005991 0.000038 0.001498

Zataženo - Po dešti 0.005886 0.000090 0.001048

Zataženo - Jasno 0.005895 -0.000001 0.001033

Z tabulky je patrné, že nepatrně menších hodnot RMS dosahují modely Po dešti a Jasno. Výraznější

rozdíl lze spatřit v hodnotě směrodatné odchylky, kdy model Slunečno dosahuje o téměř 0.5 mm

větší hodnoty než v případě modelů Po dešti a Jasno. S ohledem na velikost směrodatné odchylky

(mm) vůči velikosti střední vzdálenosti (tisíciny mm) není hodnota střední vzdálenosti příliš

vypovídající hodnotou.

Barevné vizualizace odchylek modelů Zataženo – Slunečno, Zataženo – Po dešti a Zataženo –

Jasno jsou uvedeny jako Přílohy M, N a O. Následující obrázek porovnává jednotlivé histogramy

četností vzdáleností modelů.


67

Obr. 5.4: Test 1 – porovnání histogramů četností vzdáleností modelů [autor]

5.1.4 Zhodnocení dosažených výsledků

Následující tabulka zobrazuje procentuální zastoupení jednotlivých maximálních vzdáleností

bodů všech porovnávaných dvojic modelů.

Tab. 5.3: Test 1 – zastoupení vzdáleností modelů

Modely < 1 mm < 2 mm < 3 mm < 4 mm < 5 mm Percentil

Zataženo - Slunečno 59 85 94 97 100

[%] Zataženo - Po dešti 78 94 98 99 100

Zataženo - Jasno 77 95 98 99 100

Z tabulky je na první pohled patrné, že dobré shody s modelem Zataženo dosahují modely Po dešti

a Jasno. U těchto modelů má 94 % resp. 95 % bodů vzdálenost menší než 2 mm. U modelu

Slunečno tuto hodnotu nepřekročuje jen 85 % bodů.


68

Při pohledu na všechny tři vizualizace rozdílů (Přílohy M, N a O) nejprve zaujme

problémová zastíněná vhloubená část v levém horním okraji. U všech porovnávaných modelů

jsou zde velké, převážně kladné, rozdíly (červená barva). V tomto místě má optická korelace

problémy se správnou identifikací odpovídajících si bodů a při různém osvětlení vyhodnotí tuto

oblast odlišně. Právě tato oblast má největší měrou na svědomí výskyt červeného sloupce

(vzdálenost +5 mm) u histogramů všech porovnávaných dvojic modelů. To platí i pro zbylé dva

testy. Následující obrázek zobrazuje problémovou část a její projev mezi modely Zataženo a Jasno.

Obr. 5.5: Test 1 – problémová vhloubená část u modelů Zataženo a Jasno [autor]

V případě porovnání modelů Zataženo a Jasno dochází k výborné shodě modelů, viz

Příloha O. Kromě výše popsaného problému s vhloubenou částí se zde nevyskytují žádné

výraznější rozdíly. Na několika málo místech ve spárách se objevují menší nevýrazné záporné

oblasti se vzdáleností do -4 mm. V pravé části vizualizace je patrná nevelká oblast, kde se na

povrchu kamenů vyskytují vzdálenosti do +3 mm. Tento rozdíl je zřejmě způsoben výskytem

černé jednolité textury (stěna polita černou barvou), viz Obr. 5.2, kde může mít, stejně jako

v případě stínů u vhloubené části, optická korelace problémy. O nejlepší kvalitě a shodě těchto

modelů také svědčí nejmenší hodnota Reprojection Error.

Při pohledu na vizualizaci porovnání modelů Zataženo a Po dešti (Příloha N) je stejně jako

v předchozím případě patrná velmi dobrá shoda těchto modelů. Jediným výraznějším rozdílem je

výskyt kladných rozdílů (do +4 mm) na spárách mezi kameny převážně ve střední části modelu,

viz následující obrázek.

Obr. 5.6: Test 1 – detail rozdílu modelů Zataženo a Po dešti ve spárách [autor]


69

Tento rozdíl je pravděpodobně způsoben tím, že po proběhlém dešti zůstávají vlhké především

tyto spáry. Vlhké spáry se vyznačují tmavší barvou, ve které je potlačena heterogenní textura

objektu, která je podmínkou pro úspěšnou korelaci. Při podrobném zkoumání zdrojových

snímků modelů je rozdíl v heterogenitě suchých (Zataženo) a mokrých (Po dešti) spár dobře patrný.

Následující obrázek zobrazuje rozdíl v textuře suché a mokré spáry.

Obr. 5.7: Test 1 – porovnání textury suché (vlevo) a mokré (vpravo) spáry [autor]

V případě porovnání modelů Zataženo a Slunečno jsou již patrné velmi výrazné rozdíly mezi

modely, viz Příloha M. I hodnota Reprojection Error u modelu Slunečno je mnohem vyšší než

u ostatních modelů, viz Tab. 5.1. Kladné rozdíly (do +4 mm) na povrchu a hranách kamenů se

vyskytují na většině plochy modelu. Dále je dobře patrný předěl mezi trvale zastíněnou částí

v pravém horním rohu objektu a osvětleným zbytkem objektu. Tato zastíněná část se vyznačuje

vzdáleností přibližně -2.5 mm, viz pravá část Obr. 5.8. Jak již bylo zmíněno výše, obrazová

korelace má zjevně problémy se správným vyhodnocením v takto zastíněných místech. Druhým

nejvýznamnějším rozdílem je výskyt záporných (až –5 mm) vzdáleností, které přecházejí v kladné

vzdálenosti (až +5mm), v horním a dolním rohu levé části modelu, viz levá část Obr. 5.8.

Obr. 5.8: Test 1 – detail rozdílu modelů Zataženo a Slunečno v rozích modelu [autor]

Přesnou příčinu těchto rozdílů se nepodařilo určit. Pravděpodobně tyto rozdíly budou mít

souvislost s výše popsanými obecnými negativními vlivy snímkování při jasné slunečné obloze.

Následující obrázek dokazuje projevy nestability osvětlení. Mezi pořízením levého a pravého

snímku uplynulo „pouze“ 10 minut, ale rozdíly v postavení stínů jsou již velmi dobře patrné.


70

Obr. 5.9: Test 1 – časová nestabilita osvětlení [autor]

Ačkoliv byly ze všech pořízených snímků při tomto typu osvětlení vybrány snímky, které byly

pořízeny v co možná v nejkratším časovém okamžiku, uplynula od pořízení prvního a posledního

snímku série 1 minuta. I při podrobném porovnání snímků pořízených po 1 minutě je patrná

změna postavení stínů. Pro lepší prezentaci nestability byl tento projev dokumentován na

snímcích pořízených po 10 minutách.

Dalším negativním vlivem, který byl odhalen až při následném prohlížení snímků v PC,

byl výskyt nežádoucího odrazu v optické soustavě objektivu, jenž se projevil u 2 (z celkově 6

snímků) krajních snímků. Tento vliv by bylo možné v případě daného objektu jednoduše

eliminovat použitím sluneční clony. Následující obrázek zobrazuje projev odrazu na levém

krajním snímku série, kde byl jeho projev vlivem severozápadní orientace objektu největší.

Obr. 5.10: Test 1 – projev odrazu světla v objektivu [autor]

Pro přesné určení příčin všech popsaných rozdílů mezi modely by bylo potřeba provést

další testování. Proběhlé testování ukázalo, že pro tento testovací objekt se specifickou

severozápadní orientací lze dosáhnout shodných výsledků při pořízení snímků během zatažené

oblohy (v literatuře označované za optimální podmínky, viz např. návod k softwaru Agisoft

PhotoScan, [12]) a při jasné obloze v době, kdy se objekt nachází ještě v celkovém stínu. Při

zatažené obloze po proběhlém dešti je výsledek pro tento typ objektu též velmi srovnatelný

s ideálními podmínkami při zatažené obloze.


71

První předpoklad o vlivu světelných podmínek na vytvářené modely byl tedy potvrzen.

Druhý předpoklad o lepší kvalitě modelu ze snímků za světelných podmínek při zatažené obloze

je též možné přijmout na základě nižší hodnoty RE. Dále lze tento závěr rozšířit o poznatek, že

pro daný objekt se specifickou severozápadní orientací dosahuje shodné kvality i model pořízený

při jasné obloze v čase, kdy je ještě celý model ve stínu.

5.2 Test 2 – Konfigurace snímkování

Co se týče konfigurace snímkování, různí autoři OKS doporučují různé postupy snímkování.

V podstatě lze rozlišit dvě základní technologie pořizování snímků: snímky s rovnoběžnými

osami záběru a snímky s konvergentními osami záběrů. Jak uvádí [6] na str. 111, tak pro tvorbu

modelů v softwaru Agisoft PhotoScan by se měly používat kombinace konvergentních

a paralelních snímků. Pro úspěšný průběh obrazové korelace nezáleží ani tak na tom, jestli jsou

snímky paralelní nebo konvergentní. Důležité je, aby sousední snímky byly: dostatečně

podobné, měly dostatečný překryt a aby zájmová část objektu byla vždy zachycena na nejméně

3 snímcích. Co se týče překrytu, tak tvůrce neuvádí přesný požadavek na minimální překryt

snímků pro aplikaci v pozemní fotogrammetrii. V Užitečných tipech na snímkování (Useful Tips on

Image Capture), uvedených na stránkách programu Agisoft PhotoScan, [12], se pouze pro leteckou

fotogrammetrii uvádí požadované hodnoty překrytu: 80 % ve směru letu a 60 % mezi letovými

řadami. U jiných OKS je uváděna hodnota 60 %, někdy dokonce 90 % bez ohledu na oblast

použití. Na základě těchto úvah byl v této práci jako minimální překryt snímků v pozemní

fotogrammetrii označen překryt 67 % (2/3 snímku), který při paralelním snímkování v řadě

zajišťuje, aby všechny části zájmového objektu byly zobrazeny právě na třech snímcích.

Tvůrci programu Agisoft PhotoScan sestavili univerzální základní schéma snímkování pro

různé typy objektů, kde rozeznávají tyto základní případy:

fasáda

interiér

uzavřený objekt

Následující obrázek zobrazuje doporučenou konfiguraci snímkování pro všechny tři typy objektů.

Tyto konfigurace rozšířené ještě o nevhodné způsoby snímkování jsou též uvedeny jako

Příloha A.


72

Obr. 5.11: Test 2 – doporučená konfigurace snímkování pro Agisoft PhotoScan [12]



objektu nějakým způsobem projeví rozdílná konfigurace snímkování.

Základním předpokladem je, že rozdílná konfigurace snímkování bude mít vliv na 3D síť

modelu. Druhým předpokladem je, že lepších výsledků by měl dosáhnout model ze snímků

s přibližně rovnoběžnou osou záběru, neboť v návodu k softwaru Agisoft PhotoScan se pro

snímkování rovinných objektů (fasáda apod.) doporučuje právě tento typ snímkování, viz Obr.

5.11.

5.2.2 Snímkování

Protože není vždy možné snímkovat objekt s ideálním 100% překrytem (hustá zástavba, překážky

apod.), tak jako v případě Testu 1, je někdy nutné zvolit jiný způsob snímkování s menším

překrytem. V tomto případě byla pro návrh snímkovacích konfigurací zvolena tato limitující

kritéria:

1. vzdálenost od objektu max. 2.5 m

2. počet snímků 6

3. všechny části objektu zobrazeny na alespoň 3 snímcích

Na základě těchto kritérií byly navrženy dvě konfigurace snímkování, viz následující obrázek.


73


V obou případech probíhalo snímkování výhradně s ohniskovou vzdáleností 18 mm

a „z ruky“ a v obou případech bylo snímkováno při zatažené obloze. V prvním případě byl

zvolen postup klasického stereosnímkování, nazván Stereo, doporučovaného autory softwaru pro

objekty typu fasáda. Při vzdálenosti 2.5 m od objektu byla vypočtena vzdálenost sousedních

stanovisek tak, aby měl snímek se svými sousedními snímky společný již zmiňovaný

dvoutřetinový překryt (67 %), který zajistí ještě třetinový překryt (33 %) s dalšími snímky. Tato

vzdálenost je rovna 1.0 m. Potom, jak je vidět z Obr. 5.12, je naprostá většina objektu (80 %)

zobrazena vždy na třech snímcích, tak jak je doporučováno i autory softwaru. Nedostatkem této

konfigurace je existence okrajových částí (každá 10 % plochy objektu), které jsou zobrazeny

pouze na dvou snímcích. K odstranění tohoto nedostatku by bylo vždy nutné porušit ostatní

kritéria: buď přidat po jednom snímku na každou stranu, nebo snímkovat objekt z větší

vzdálenosti (v tomto případě 3 m). Mírné porušení třetího kritéria bylo považováno jako nejlepší

kompromis a při zhodnocení dosažených výsledků bude brán na toto zřetel.

Aby bylo možné dodržet všechna tři kritéria bez výhrady, byla navržena druhá

konfigurace, kombinující stereosnímkování a konvergentní snímkování, a nazvána Kombinace. Jak

je vidět na Obr. 5.12, dvě stanoviska s rovnoběžnými osami záběru (červená barva) byla zvolena

ve vzdálenosti 2.5 m tak, aby pokryla celý objekt a přitom měla společný překryt 20 %. Tyto

stereosnímky byly doplněny dvojicí šikmých snímků z obou stran (modrá a zelená barva), které

mají také vzdálenost 2.5 m od objektu (nemusí docházet k přeostřování), osy záběru svírají

s osami paralelních snímků 35° a každá dvojice zobrazuje celý objekt se společným

dvoutřetinovým překrytem (67 %). Potom, jak je vidět z Obr. 5.12, je prostřední část objektu

zobrazena na všech šesti snímcích, další části na pěti resp. čtyřech snímcích a krajní oblasti na

třech snímcích. Kritérium o zobrazení všech částí na alespoň 3 snímcích je tedy dodrženo.


74


Nejprve byly vytvořeny modely pro oba případy podle postupu uvedeného v kapitole 4.6.2, pro

první konfiguraci model nazván Stereo, pro druhou konfiguraci model nazván Kombinace. Pro další

porovnání modelů byl také převzat model Zataženo z Testu 1, který má optimální 100% překryt

konvergentních snímků. Následující tabulka představuje základní dosažené parametry

vytvořených modelů. Podrobné informace o modelech Stereo a Kombinace a procesech jejich

tvorby jsou v Přílohách P a Q. Informace o modelu Zataženo je v Příloze I.

Tab. 5.4: Test 2 – základní parametry modelů


Stereo 42132 0.30 (max 0.90) 980920 496082 81

Kombinace 29642 0.29 (max 0.89) 936796 478191 110

Zataženo 41218 0.36 (max 1.10) 972175 491667 231

Z tabulky je patrné, že modely Stereo a Zataženo mají odpovídající hustotu. Model Kombinace

vykazuje tříčtvrtinovou hustotu řídkého mračna (Point Cloud) oproti ostatním dvěma modelům.

Hustá mračna (Faces, Vertices) všech tří modelů mají řádově stejnou hustotu. Co se týče hodnot

Reprojection Error, tak modely Stereo a Kombinace dosahují srovnatelných hodnot. Model Zataženo má

tuto hodnotu nepatrně vyšší. Toto lze vysvětlit 100% překrytem snímků u tohoto modelu, kdy je

vytvořeno více korelačních dvojic, což má za následek i zvýšení hodnoty Reprojection Error, i když

ve skutečnosti může být tento model nejkvalitnější, což je také předpokládáno. I doba potřebná

pro tvorbu modelů napovídá o složitosti jednotlivých korelací. Model Zataženo pro vytvoření

potřeboval v porovnání s modelem Kombinace 2x více času a v porovnání s modelem Stereo

dokonce 3x více času. Je logické, že korelace na stereosnímcích je procesně méně náročnější než

korelace na snímcích konvergentních a navíc u modelu Zataženo se 100% překrytem všech

snímků bylo velmi pravděpodobně vytvořeno i více korelačních dvojic snímků.

V druhém kroku bylo provedeno porovnání modelů podle postupu z kapitoly 4.6.3.

Nejprve byly porovnány modely Stereo (referenční) a Kombinace mezi sebou a poté byly jednotlivě

porovnány s modelem Zataženo (referenční). Následující tabulka představuje základní dosažené

parametry registrace porovnávaných modelů v programu CloudCompare.

Tab. 5.5: Test 2 – základní parametry registrace modelů


Stereo - Kombinace 0.00508 0.000043 0.001489

Zataženo - Stereo 0.00511 0.000058 0.001534

Zataženo - Kombinace 0.00541 0.000282 0.002049


75

Z hodnot RMS je patrné, že velmi dobré shody dosahují modely Stereo - Kombinace a Stereo -

Zataženo. Naopak model Kombinace v porovnání s modelem Zataženo dosahuje řádově mnohem

vyšších hodnot těchto parametrů. I hodnota směrodatné odchylky je o 0.5 mm větší než

v případě ostatních dvojic. Dokonce i hodnota střední vzdálenosti je několikanásobně vyšší

u dvojice Zataženo – Kombinace, ale jak již bylo zmíněno v Testu 1, není to příliš vypovídající

hodnota.

Barevné vizualizace odchylek modelů Stereo – Kombinace, Zataženo – Stereo a Zataženo –

Kombinace jsou uvedeny jako Přílohy R, S a T. Následující obrázek zobrazuje histogramy četností

vzdáleností modelů.

Obr. 5.13: Test 2 – porovnání histogramů četností vzdáleností modelů [autor]


76



bodů všech porovnávaných dvojic modelů.



Stereo - Kombinace 56 83 92 95 100

[%] Zataženo - Stereo 58 84 94 97 100

Zataženo - Kombinace 42 71 86 92 100

Z tabulky je na první pohled patrné, že modely nedosahují příliš výrazné shody. Nejvíce rozdílné

jsou přitom modely Zataženo a Kombinace, kdy rozdíl menší než 1 mm vykazuje pouze 42 % bodů.

Naopak nejlepší shody dosahují modely Zataženo a Stereo, u kterých hodnotu 1 mm nepřekračuje

58 % všech bodů.

Při pohledu na vizualizaci rozdílů nejprve opět zaujme problémová zastíněná vhloubená

část, kde jsou tradičně velké kladné rozdíly (červená). Nejméně se přitom tato část projevuje mezi

modely Zataženo a Stereo. Dalším nápadným znakem je výskyt chybné struktury v levé části

modelu Kombinace. Tato chybová struktura se projevila v obou srovnáních, kde se vyskytuje model

Kombinace, ale též je patrná i při pouhém prohlížení modelu Kombinace. Jedná se o opakující se

vhloubené kruhové části velikosti tenisového míčku, viz následující obrázek.

Obr. 5.14: Test 2 – detail rozdílu modelů v krajní levé části [autor]

Z obrázku je patrné, že tato chyba dosahuje hodnot někde kolem -3 mm v případě srovnání

s modelem Stereo a -4 mm v případě srovnání s modelem Zataženo. Nepodařilo se zjistit přesnou

příčinu této specifické opakující se chybové struktury .

Kromě výše zmíněných problémů jsou z Obr. 5.14 též patrná chybná místa ve spárách

mezi kameny a na hranách kamenů. Na hranách kamenů je v případě modelu Kombinace patrný

výskyt „výrůstků“. Ani v tomto případě se nepodařilo stanovit přesnou příčinu těchto negativních

jevů.


77

Obecně však lze v případě modelu Kombinace problém spatřovat v šikmých snímcích, které

byly pořízeny z velké blízkosti. Jednak lze očekávat, že optická korelace bude mít s těmito

šikmými snímky větší problémy než se stereosnímky (model Stereo) popř. konvergentními snímky

z větší vzdálenosti (model Zataženo). Toto dokládá i počet bodů řídkého mračna, který, jak již

bylo zmíněno výše, je v případě modelu Kombinace 75% oproti modelům Stereo a Zataženo, viz Tab.

5.4. Nevýhodou šikmých snímků z velké blízkosti je také skutečnost, že výborně zaostřena je

pouze střední část snímku. Okrajové části snímku mají v tomto případě vzdálenost 2x tak menší

resp. větší než je vzdálenost k zaostřenému středu, což i při použití clony F8 nezajistí dostatečnou

hloubku ostrosti a tyto části jsou již poměrně rozmazané. O hloubce ostrosti je podrobněji

pojednáno v případě Testu 3, kapitola 5.3.4. Následující obrázek zobrazuje dvě shodné části

zobrazené na frontálním snímku a na šikmém snímku pro posouzení rozdílné ostrosti a celkové

odlišnosti snímků v důsledku velkého úhlu, který spolu svírají osy záběrů. V neposlední řadě je

i velikost pixelů ve skutečnosti (GSD) v horizontálním směru několikrát větší u šikmých snímků

než u frontálních snímků. Je zřejmé, že proces obrazové korelace nebude v tomto případě pro

výpočetní software tak jednoduchý.

Obr. 5.15: Test 2 – porovnání rozdílnosti frontálního a šikmého snímku [autor]

V případě porovnání modelů Zataženo a Stero (Příloha S) se nevyskytují nějaké výraznější

specifické chyby jako u obou porovnání, kde se vyskytuje model Kombinace. Větších záporných

odchylek (cca -4 mm) dosahuje několik míst ve spárách mezi kameny, které se vyskytují po celém

objektu. Lze se domnívat, že tyto chyby jsou důsledkem obecně menší heterogenity textury spár

(prostý beton) a tedy obtížnějšímu procesu korelace. Dále lze spatřit mírně vyšší kladné rozdíly na

krajích modelů, které jsou pravděpodobně způsobeny skutečností, že úplné kraje (10 % z každé

strany, viz kapitola 5.2.2) objektu jsou pokryty pouze dvěma snímky, zatímco střed objektu je

pokryt třemi snímky. Tyto dva typy rozdílů jsou patrny již z celkového náhledu vizualizace

vzdáleností, Příloha S.


78

Pro přesné určení příčin specifických chyb u modelu Kombinace by bylo potřeba provést

další testování. Proběhlé testování ukázalo, že není příliš vhodné snímkovat rovinný objekt

způsobem, který byl použit u modelu Kombinace. Mnohem spolehlivější výsledky lze dosáhnout se

snímkováním objektu s přibližně rovnoběžnými osami záběru, tak jak je doporučováno i tvůrcem

softwaru Agisoft PhotoScan. Ovšem menší nevýhodou tohoto způsobu je, že je v některých

případech, kdy je omezen odstup od objektu, nutné pořídit více snímků. Dále lze potvrdit, že pro

dosažení spolehlivých výsledků je potřeba zájmovou oblast pokrýt alespoň třemi snímky.

První předpoklad o vlivu konfigurace snímkování na vypočtený model byl tedy potvrzen.

Druhý předpoklad o lepší kvalitě modelu ze snímků s přibližně rovnoběžnou osou záběru lze

také potvrdit.

5.3 Test 3 – Konstanta komory

Konstanta komory21 neboli ohnisková vzdálenost je základním parametrem fotografického

objektivu. Existuje mnoho variant dělení objektivů podle ohniskové vzdálenosti. Jednou z nich je

následující dělení obsahující i odpovídající hodnoty vodorovných zorných úhlů pro kinofilmový

formát 36 x 24 mm:

Tab. 5.7: Test 3 – rozdělení objektivů podle ohniskové vzdálenosti [64]

Formát Rybí Velmi Normální Základní

Dlouho- Tele-

36 x 24 mm oko širokoúhlý širokoúhlý ohniskový objektiv

Ohnisková vzdál. [mm] 6 - 16 12 - 21 24 - 35 38 - 60 70 - 135 > 135

Hz zorný úhel [°] > 180 113 - 81 74 - 54 51 - 33 29 - 15 < 15

Dále lze objektivy rozdělit podle jejich konstrukce. Zde rozlišujeme dva základní případy:

pevné ohnisko

plynule posuvné ohnisko (tzv. zoom)

Objektivy s pevným ohniskem se vyznačují jednodušší konstrukcí, která poskytuje lepší

světelnost22 objektivu. Objektivy s proměnným ohniskem mají složitější konstrukci, tedy

disponují horší světelností a celkově horší optickou kvalitou (projevují se optické vady). Jejich

předností je variabilita ve snímkování různě vzdálených objektů.

21 Konstanta komory je vzdálenost hlavního snímkového bodu od středu promítání (střed výstupní pupily)

v obrazovém prostoru. [9]

22 Světelnost objektivu (Lens speed) vyjadřuje, kolik světla dopadne na snímač. Její hodnoty jsou udávány

základním clonovým číslem, které vyjadřuje poměr ohniskové vzdálenosti a průměru vstupní pupily. [10]


79



objektu nějakým způsobem projeví rozdílná ohnisková vzdálenost snímků.

Základním předpokladem je, že rozdílná ohnisková vzdálenost bude mít vliv na 3D síť

modelu. Druhým předpokladem je, že lepších výsledků by měl dosáhnout model ze snímků

s menším ohniskem, neboť v návodu k softwaru Agisoft PhotoScan se uvádí, že se širokoúhlými

objektivy lze dosáhnout lepších výsledků než s teleobjektivy.

5.3.2 Snímkování

Objekt byl nasnímán objektivem Tamron 18-200 mm, viz kapitola 4.4.2, se dvěma různě

nastavenými ohniskovými vzdálenostmi: 18 mm a 50 mm. V obou případech bylo snímkováno

při zatažené obloze. Následující tabulka zobrazuje základní parametry pořízených snímků.

Tab. 5.8: Test 3 – základní parametry snímkování

Ohnisková vzdálenost Zobrazovací úhel Vzdálenost od objektu Stativ

18 mm (ekv. 29 mm) 63° 19' 4.0 m NE

50 mm (ekv. 81 mm) 25° 02' 11.5 m ANO

Následující obrázek zobrazuje půdorysné schéma snímkování.


Pro ohnisko 18 mm byly použity snímky z Testu 1 při zatažené obloze. Jedná se o sérii 6

konvergentních snímků se 100% překrytem, tvořící vějíř kolem zájmového objektu. Snímky byly

foceny „z ruky“ ze vzdálenosti 4.0 m od středu objektu, podrobněji viz kapitola 5.1.2.


80

Ve druhém případě bylo snímkováno obdobným způsobem, ale při použití ohniskové

vzdálenosti 50 mm. Konvergentní snímky tvoří podobný vějíř jako v případě 18mm snímků, ale

ve větší vzdálenosti od objektu. Aby snímky s ohniskem 50 mm zobrazovaly stejnou část

zájmového objektu, bylo nutno od objektu odstoupit na vzdálenost 11.5 m. Při této vzdálenosti

a použité cloně F8 se jevily snímky focené „z ruky“ jako mírně rozmazané. Proto bylo nutné pro

snímkování použít stativ.


Nejprve byla provedena kalibrace komory v programu Agisoft Lens ze snímků s ohniskovou

vzdáleností 50 mm (použito 25 snímků), aby bylo možné porovnat hodnoty distorzí23 objektivu

se snímky s ohniskem 18 mm (kalibrace provedena již pro Test 1). Proces kalibrace viz kapitola

4.6.1. Následující tabulka zobrazuje hodnoty radiální24 a tangenciální25 složky distorze na krajích

snímků pro oba případy.

Tab. 5.9: Test 3 – vliv distorze na krajích snímků

Ohnisková vzdálenost Radiální distorze [pix] Tangenciální distorze [pix]

18 mm 120 1.2

50 mm 35 1.5

Z Tab. 5.9 je patrné, že snímky s ohniskovou vzdáleností 18 mm vykazují více než 3x větší

hodnotu radiální distorze na krajích snímků než snímky s ohniskovou vzdáleností 50 mm. 120

pixelů odpovídá ve skutečnosti vzdálenosti přibližně 140 mm. Podrobné srovnání dosažených

kalibračních parametrů pro obě ohniska viz Příloha E. Hodnoty tangenciální distorze dosahují

u obou ohniskových vzdáleností srovnatelných hodnot. Graf průběhu distorze pro ohnisko

18 mm a 50 mm viz Příloha F.

V druhém kroku byly vytvořeny modely pro oba případy podle postupu uvedeného

v kapitole 4.6.2. Pro ohnisko 18 mm byl použit model Zataženo z Testu 1 (použity kalibrační

parametry z předkalibrace, ale nefixovány), model nazván 18 mm a použit jako model referenční.

Pro ohnisko 50 mm byl vytvořen model bez použití kalibračních parametrů určených

předkalibrací z důvodu vysokých hodnot směrodatných odchylek vypočtených kalibračních

parametrů. Směrodatné odchylky parametrů jsou i 3x větší než v případě 18mm ohniska, viz

23 Distorzí objektivu nazýváme souhrn zbytkových vad objektivu projevující se posunem obrazu bodu od

jeho správné polohy v rovině snímku; distorze má radiální a tangenciální složku. [9]

24 Radiální distorzí označujeme posuny bodů o radiální vzdálenosti r' na snímku o hodnotu Δr'. [9]

25 Tangenciální distorze je vyvolána nepřesnou centrací jednotlivých čoček a působí kolmo na směr

radiální. [1]


81

Příloha E. Model byl nazván 50 mm. Následující tabulka představuje základní dosažené parametry

vytvořených modelů. Podrobné informace o modelech 18 mm (Zataženo) a 50 mm a procesech

jejich tvorby jsou v Přílohách I a U.

Tab. 5.10: Test 3 – základní parametry modelů


18 mm 41218 0.36 (max 1.10) 972175 491667 231

50 mm 39246 0.35 (max 1.05) 976174 493722 218

Z Tab. 5.10 je patrné, že modely mají odpovídající hustotu a jejich tvorba trvala přibližně stejně

dlouho. Nepatrně vyšší hodnotu Reprojection Error vykazuje model 18 mm, hodnoty jsou však

srovnatelné.

V druhém kroku bylo provedeno porovnání modelů podle postupu z kapitoly 4.6.3.

I když pro porovnání modelů (registrace) byl jako referenční model použit model 18 mm, tak pro

výpočet vzdáleností byl jako referenční model použit model 50 mm. Protože v tomto případě se

o něco méně na vzdálenostech modelů projevila nepřesnost v nestejném ořezu modelů.

Následující tabulka představuje základní dosažené parametry registrace porovnávaných modelů

v programu CloudCompare.

Tab. 5.11: Test 3 – základní parametry registrace modelů


18 mm - 50 mm 0.00592 0.000023 0.000936

Z hodnoty střední vzdálenosti modelů a její směrodatné odchylky i RMS je patrné, že modely

byly úspěšně registrovány a dosahují dobré shody.

Barevná vizualizace odchylek modelů 18 mm – 50 mm je uvedena jako Příloha V.

Následující obrázek zobrazuje histogram četností vzdáleností modelů.

Obr. 5.17: Test 3 – histogram četností vzdáleností modelů [autor]


82



bodů obou modelů.



18 mm - 50 mm 80 96 99 99 100 [%]

Z tabulky je patrné, že téměř všechny body (99 %) mají vzdálenost menší než 3 mm. Dokonce

80 % bodů má vzdálenost do 1 mm.

Dobrá shoda modelů je patrná i při podrobném zkoumání vizualizace rozdílů modelů,

Příloha V. Kromě problémové zastíněné vhloubené části, kde jsou tradičně velké kladné rozdíly

(červená), se menší rozdíly modelů vyskytují v krajních partiích modelů. Následující detailní

obrázek zachycuje problémovou vhloubenou část a výskyt menších kladných rozdílů v levé horní

části modelu a výskyt menších záporných rozdílů v pravé dolní části modelu.

Obr. 5.18: Test 3 – detail rozdílu modelů v krajních částech [autor]

Výše zmíněné rozdíly v okrajových třetinách by mohly být způsobeny dvěma faktory.

Buď by se mohlo jednat o vliv rozdílné hloubky ostrosti26, tedy rozostřenosti okrajových oblastí

na krajních šikmých snímcích nebo o působení rozdílné radiální distorze.

Hloubka ostrosti závisí přímo úměrně na cloně (v obou případech F8), dále přímo

úměrně na vzdálenosti od objektu a nepřímo úměrně na velikosti ohniskové vzdálenosti. Tyto

dva posledně zmíněné vlivy tedy při snímání s větším ohniskem a při dodržení stejné kompozice

působí proti sobě, ne však naprosto stejnou velikostí, že by se navzájem vyrušily a hloubka

26 Hloubkou ostrosti objektivu se rozumí rozdíl vzdálenosti mezi nejbližšími a nejvzdálenějšími předměty,

které objektiv zobrazí s přípustnou neostrostí. [9]


83

ostrosti zůstala naprosto shodná. V tomto případě je hloubka ostrosti u snímků s 50mm

ohniskem nepatrně větší, a tedy okraje krajních šikmých snímků jsou mírně ostřejší než u snímků

s 18mm ohniskem, jak vyplývá z podrobného zkoumání snímků, viz následující detail.

Obr. 5.19: Test 3 – detail rozdílu v ostrosti na krajích snímků [autor]

Stejně tak by tyto rozdíly mohly být způsobeny působením radiální distorze, neboť

všechny snímky série zobrazují celý objekt a osa snímkování směřuje vždy přibližně do středu

objektu. Poté krajní části objektu jsou vždy zobrazeny na krajních částech všech snímků.

V krajních partiiích snímků dosahují hodnoty radiální distorze u snímků s 18mm ohniskem

hodnoty od 40 až do 120 pixelů (přibližně 1/3 snímku).

Pro přesné určení příčiny těchto rozdílů by bylo potřeba provést další testování. I přes

rozdíly popsané výše, lze označit oba modely za srovnatelně přesné a při velikosti objektu 5 m

znamenají milimetrové rozdíly chyby v řádech setin procenta. Např. pro účely památkové péče

nebo architektonické studie je tento rozdíl zanedbatelný. Výhodou snímkování s malým

ohniskem (blízko snímaného objektu) je, že při denních světelných podmínkách lze ostré snímky

pořizovat přímo „z ruky“. V praxi je často snímkování v blízkosti zájmového objektu jedinou

možností v důsledku husté zástavby. Pokud ale naopak podmínky nedovolují přistoupit

k snímanému objektu co nejblíže (překážka, řeka, rušná komunikace atd.), je možné snímat objekt

z větší vzdálenosti s větším ohniskem při dosažení srovnatelné přesnosti. V tomto případě je ale

nutností použití fotografického stativu. Výhodou snímkování s větším ohniskem je větší hloubka

ostrosti, jak bylo popsáno výše. Hloubka ostrosti se projevila jako významný parametr, který je

navíc ovlivněn mnoha faktory (clona, ohnisková vzdálenost, vzdálenost k objektu, doba

expozice). Z tohoto důvodu by bylo potřeba jí věnovat další podrobnější testování.

První předpoklad o vlivu ohniskové vzdálenosti na vypočtený model je tedy možné

potvrdit, ačkoliv tento vliv je velice nepatrný. Druhý předpoklad o lepší kvalitě modelu ze snímků

s menším ohniskem nelze potvrdit, neboť pro určení absolutní přesnosti by bylo nutné pořídit

referenční model některou nezávislou přesnější metodou. Z provedeného testování lze též

usoudit, že program Agisoft PhotoScan si velice dobře poradí se snímky, které vykazují velký vliv

radiální distorze.

ČVUT v Praze ZÁVĚR

84

Závěr

Hlavním cílem této práce bylo podat ucelený pohled na oblast OKS, aby se potenciální uživatel

mohl v dané problematice zorientovat. Důraz byl mimo jiné kladen na volně dostupné webové

aplikace a různé typy uživatelů. K dosažení tohoto cíle byly věnovány tři úvodní kapitoly.

V úvodu práce byly uvedeny základní metody získání 3D bodového mračna, mezi něž

patří OKS, a jejich výhody a nevýhody. Mezi podstatné výhody OKS patří především: nízká

pořizovací cena zařízení, dostupnost barevné informace ze snímků, eliminace času stráveného

terénními pracemi a v neposlední řadě také variabilita ve zpracování projektů různých velikostí

(od milimetrů až po desítky metrů). Dále byly stručně nastíněny teoretické základy procesu

výpočtu modelu, založené na principu obrazové korelace.

V druhé, stěžejní, kapitole práce byly OKS roztříděny podle několika různých hledisek.

Ukázalo se, jak různorodá je daná oblast a že je možné nalézt mnoho dělících hledisek, kterými

jsou např. oblast použití, formát vstupních a výstupních dat a použité vybavení. Klíčové hledisko

pro dělení OKS bylo spatřeno v původu softwaru. Podle tohoto kritéria byly OKS rozděleny do

čtyř kategorií: čistě komerční SW, nadstavba 3D modelovacího systému, volně dostupný SW

komerčních autorů a akademický SW. V rámci těchto kategorií byly stručně popsány jednotlivé

programy, které zasloužily bližší pozornost. Jedná se především o programy se zajímavými

charakteristikami a o programy, které již byly podrobeny testování v nějaké předchozí práci.

Nejdůležitějším výstupem této kapitoly je sestavení tabulky, Příloha B, ve které jsou uvedeny

jednotlivé vyhledané OKS, se kterými se autor práce seznámil, a jejich významné parametry.

Jako vůbec nejlepší program je možné označit Agisoft PhotoScan Professional. Jeho

hlavní přednosti jsou přesnost a spolehlivost, které byly ověřeny několika nezávislými pracemi.

Mezi jeho další přednosti patří především univerzální použití (pozemní i letecká fotogrammetrie)

a jednoduché intuitivní ovládání. Pro tyto své kvality byl též vybrán k testování parametrů

v druhé části práce. Jedinou nevýhodou může být jeho relativně vyšší pořizovací cena (3 499 $).

Mezi volně dostupnými OKS není snadné určit nejlepšího zástupce. Obecně mají tyto programy

omezenou použitelnost (většinou jen nekomerční účely), jejich výsledky nejsou příliš spolehlivé,

výpočet je velmi neprůhledný a často autoři nepokračují ve vývoji, SW tudíž velice rychle

zastarává. Ze všech volně dostupných projektů se jako nejlepší jeví program VisualSFM. Jak bylo

zjištěno v několika nezávislých pracích, tento SW dosahuje velmi slušné přesnosti na úrovni

profesionálních programů. Nevýhodou tohoto programu může být poměrně složitá instalace

a neintuitivní obsluha aplikace. Z volně dostupných webových aplikací je možné za nejlepší

označit projekt 123D Catch společnosti Autodesk. Tato aplikace se především vyznačuje

jednoduchým intuitivním ovládáním a množstvím podporovaných výstupních formátů modelů,


85

které jsou po vizuální stránce velmi kvalitní. Co se ale týče přesnosti aplikace, tak různí autoři

došli k rozdílným závěrům.

Třetí kapitola, věnovaná průzkumu dřívějších prací zabývajících se porovnáváním

a posouzením přesnosti jednotlivých OKS, prokázala, že s profesionálními komerčními

i některými volně dostupnými OKS lze dosáhnout velmi uspokojivé přesnosti. Tato přesnost se

pohybuje v řádech mm pro objekty do velikosti několika metrů a v řádech cm pro objekty větších

rozměrů.

Druhá část práce, reprezentovaná dvěma kapitolami, byla vytvořena s cílem stanovení

a otestování vybraných faktorů, které by mohly mít vliv na kvalitu výsledného modelu, ale

doposud jim nebyla věnována dostatečná pozornost. Testy se zabývaly těmito parametry: světelné

podmínky v exteriéru, konfigurace snímkování a konstanta komory. Pro tato testování byl ve

čtvrté kapitole sestaven technologický postup, počínaje kalibrací komory v softwaru Agisoft Lens,

přes tvorbu modelu v SW Agisoft PhotoScan Professional a konče porovnáním modelů v SW

CloudCompare. Pro možnost opakované aplikace byl celý postup zdokumentován pomocí

instruktážních videí.

Závěrečná pátá kapitola byla věnována samotnému testování vybraných parametrů.

Test 1 byl zaměřen na testování vlivu světelných podmínek v exteriéru. Model Zataženo,

vytvořený za ideálních světelných podmínek při zatažené obloze, vykazoval velmi dobrou shodu

s modely Jasno (jasná obloha, objekt v trvalém stínu) a Po dešti (zatažená obloha, objekt vlhký po

proběhlém dešti). 94 % všech bodů mělo u těchto modelů vzdálenost menší než 2 mm od

modelu Zataženo. Pro daný objekt je tedy možné dosáhnout téměř shodných výsledků při těchto

odlišných podmínkách. U modelu Slunečno se již rozdíl znatelně projevil. Vzdálenost do 2 mm od

referenčního modelu Zataženo vykazovalo již jen 85 % bodů. Největším nedostatkem těchto

podmínek je kromě výskytu nežádoucích stínů též jejich rychlá změna v čase, což bylo

dokumentováno na snímcích pořízených v rozmezí pouhých 10 minut. Dále byla za těchto

podmínek prokázána nezbytnost použití sluneční clony. Hypotézu o vlivu světelných podmínek

na model zkoumaného objektu je tedy možné přijmout. Dále lze potvrdit hypotézu o lepší kvalitě

modelu při zatažené obloze.

Test 2 se zabýval testováním vlivu konfigurace snímkování. Proběhlé testování ukázalo,

že není příliš vhodné snímkovat daný rovinný objekt způsobem, který byl použit u modelu

Kombinace (kombinace kovergentních a stereosnímků pořízených z velké blízkosti). Mnohem

spolehlivější výsledky při snímkování z velké blízkosti lze dosáhnout se snímkováním objektu

s přibližně rovnoběžnými osami záběru (model Stereo), tak jak je doporučováno tvůrcem softwaru

Agisoft PhotoScan v případě rovinných objektů. Menší nevýhodou tohoto způsobu je, že

v některých případech, kdy je omezen odstup od objektu, je nutné pořídit o něco více snímků.


86

Dále lze konstatovat, že pro dosažení spolehlivých výsledků je potřeba zájmovou oblast pokrýt

alespoň třemi snímky. Hypotézu o vlivu konfigurace snímkování na vypočtený model je tedy

možné potvrdit. Druhý předpoklad o lepší kvalitě modelu ze snímků s přibližně rovnoběžnou

osou záběru lze též potvrdit.

Test 3 byl zaměřen na testování vlivu konstanty komory na model testovaného objektu.

Testování ukázalo, že modely pořízené s ohniskovou vzdáleností 18 mm a 50 mm dosahují velmi

dobré shody. Téměř všechny body (99 %) mají vzdálenost menší než 3 mm. Výhodou

snímkování s malým ohniskem je, že při denních světelných podmínkách lze ostré snímky

pořizovat přímo „z ruky“. Pokud ale naopak podmínky nedovolují přistoupit k snímanému

objektu co nejblíže, je možné pro daný objekt dosáhnout srovnatelné přesnosti při snímkování

s větší konstantou komory. V tomto případě je ale nezbytné použití stativu. Výhodou snímkování

s větším ohniskem je pro daný objektiv a objekt větší hloubka ostrosti. Hypotézu o vlivu

ohniskové vzdálenosti na vypočtený model daného testovacího objektu lze potvrdit, i když tento

vliv je velmi malý. Druhý předpoklad o lepší kvalitě modelu ze snímků s menším ohniskem nelze

potvrdit, neboť pro určení absolutní přesnosti by bylo nutné pořídit referenční model některou

nezávislou přesnější metodou.

Závěrem lze k proběhlému testování konstatovat, že pro daný objekt a podmínky měla

největší vliv na kvalitu výsledného modelu konfigurace snímkování. Podstatný vliv měly světelné

podmínky a minimální vliv měla konstanta komory. Proběhlé testování též ukázalo nezbytnost

pořizovat nadbytečné množství snímků a výběr vhodných snímků provádět až po podrobném

posouzení na PC.

K proběhlému testování je též nutné zdůraznit, že tyto výsledky jsou platné pro konkrétní

objektiv, konkrétní zkoumaný model, konfiguraci snímků, software atd. Pro vyslovení

obecnějších závěrů by bylo nutné zkoumat více komor (objektivů), více typů objektů, snímkovat

v různých konfiguracích a výpočet provádět pomocí různých výpočetních systémů. Pro určení

absolutní přesnosti modelů by bylo nutné pořídit referenční model některou přesnější metodou,

např. laserovým skenováním velmi přesným skenerem. Dosaženým výsledkům testování nelze

tedy už kvůli výše zmíněným okolnostem přikládat zvláštní význam. Mohou být však vodítkem

pro sestavení dalších podrobnějších testů a zkoumání dalších parametrů ovlivňujících kvalitu

snímků, potažmo modelů. Hlavní význam tohoto testování lze tedy spatřovat v sestavení

a přesné dokumentaci jednoho z možných technologických postupů pro testování parametrů

ovlivňujících kvalitu modelů vytvářených pomocí OKS.

Po dokončení této práce se ukázalo, jak komplexní a široká je daná problematika, kolik

vlivů by mohlo působit na kvalitu 3D modelů a kolik dalších testování různých programů

a parametrů by bylo možné uskutečnit. Mezi tyto parametry, kterým by bylo vhodné věnovat

pozornost a další testování, především patří:


87

hloubka ostrosti snímků se všemi jejími činiteli

překryt snímků

použití umělého osvětlení v interiéru

post processing úpravy snímků (vyvážení bílé, korigování expozice, úprava histogramu)

vliv kalibračních parametrů určených předkalibrací a samokalibrací

Bylo by možné jistě najít ještě spoustu dalších parametrů. Toto vše přesahuje rámec práce

a mohlo by být námětem pro nějaké další práce.

Tato práce zachytila pouze nepatrnou část dané problematiky OKS a pouze jeden časový

úsek v období rozvoje této univerzální technologie. Jako univerzální můžeme tuto technologii

nazvat, protože programy OKS dávají běžnému uživateli do rukou možnost vytvářet nejen

efektní, ale jak již bylo v několika pracích potvrzeno, také kvalitní výstupy ve formě zasíťovaného

a fotorealisticky otexturovaného 3D modelu nejrůznějších objektů a předmětů. To vše při

minimálních pořizovacích nákladech vybavení (komora a software). V budoucnu lze očekávat, že

v této oblasti bude vývoj pokračovat stejně překotným tempem jako doposud. Budou přibývat

další programy, které budou dostupné stále širšímu spektru běžných uživatelů, odborníků

i neodborníků, proces tvorby modelů bude stále více automatizován a jejich oblast využití bude

stále širší. Již nyní existuje velké množství odvětví, kde OKS svými výstupy hrají

nepostradatelnou roli. Jedná se zejména o tyto aplikace: tvorba modelů budov a objektů

v památkové péči, uměleckých předmětů, modelů lidského těla v medicíně, dokumentace místa

dopravní nehody a místa trestného činu, výpočet kubatur, při nárazových testech automobilů

a také při modelování filmových scén. Dále lze též očekávat velký rozmach letecké

fotogrammetrie pomocí stále více dostupných UAV leteckých prostředků, které nacházejí své

uplatnění také v mnoha oblastech lidské činnosti, kterými jsou: výpočet kubatur, mapovací práce

menších lokalit, průmyslových parků a liniových staveb, snímkování komplexů budov atd.

Z těchto důvodů je i v budoucnu nutné věnovat této oblasti fotogrammetrie zvýšenou pozornost

a především neustále testovat spolehlivost výsledků jednotlivých OKS.

ČVUT v Praze POUŽITÉ ZDROJE

88

Použité zdroje

[1] PAVELKA, Karel. Fotogrammetrie 1. Praha: Česká technika - nakladatelství ČVUT, 2009.

ISBN 978-80-01-04249-6.

[2] PAVELKA, Karel. Fotogrammetrie 2. Praha: Česká technika - nakladatelství ČVUT, 2011.

ISBN 978-80-01-04719-4.

[3] BOHÁČ, Ondřej. 123D Catch - testování nástroje pro tvorbu detailních 3D modelů. Praha, 2012.

Bakalářská práce. ČVUT v Praze, Fakulta stavební, Katedra mapování a kartografie.

Vedoucí práce Ing. Jindřich Hodač, Ph.D.

[4] ROUB, Jiří. Kvalita digitálních snímků v kontextu pozemní forogrammetrie. Praha, 2013.

Diplomová práce. ČVUT v Praze. Vedoucí práce Ing. Jindřich Hodač, Ph.D.

[5] ŠEDINA, Jaroslav. Porovnání 3D skenovacích metod s mračnem bodů, vytvořením obrazovou

korelací v digitální fotogrammetrii. Praha, 2012. Diplomová práce. ČVUT v Praze, Fakulta

stavební, Katedra mapování a kartografie. Vedoucí práce Prof. Dr. Ing. Karel Pavelka.

[6] MARČIŠ, Marián. Ochrana a obnova kultúrneho dedičstva metódami digitálnej fotogrametrie.

Bratislava, 2013. Dizertační práce. Slovenská technická univerzita v Bratislavě, Fakulta

stavební, Katedra geodézie. Vedoucí práce prof. Ing. Štefan Sokol.

[7] BARTOŠ, Karol. Využitie open-source fotogrametrických softvérov pre potreby pamiatkovej

dokumentácie, ich analýza a presnosť. Košice, 2013. Dizertační práce. Technická univerzita

v Košicích, Fakulta baníctva, ekológie, riadenia a geotechnológií. Vedoucí práce prof.

Dr. Ing. Janka Sabová.

[8] KOLECKA, Natalia. Photo-based 3D scanning vs. laser scanning – competitive data

acquisition methods for digital terrain modelling of steep mountain slopes. In:

International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences,

Volume XXXVIII-4/W19. Hannover, Německo: 2011 ISPRS Hannover Workshop,

14. - 17. června 2011, s. 6.

[9] Slovník VÚGTK. VUGTK [online]. © 2005 - 2013 [cit. 2013-12-19]. Dostupné z:

http://www.vugtk.cz/slovnik/

[10] Wikipedia: The Free Encyclopedia [online]. 2001 [cit. 2013-12-19]. Dostupné z:

http://en.wikipedia.org/wiki/Main_Page

http://www.vugtk.cz/slovnik/

http://en.wikipedia.org/wiki/Main_Page


89

[11] PhotoModeler Scanner Overview. PhotoModeler: close-range photogrammetry and image-based

modeling [online]. © 2013 [cit. 2013-12-16]. Dostupné z:

http://www.photomodeler.com/products/scanner/default.html

[12] Agisoft PhotoScan Professional. Agisoft [online]. © 2006—2013 [cit. 2013-12-16].

Dostupné z: http://www.agisoft.ru/products/photoscan/professional/

[13] Vi3Dim 3d reconstruction. Vi3Dim Technologies [online]. © 2012 [cit. 2013-12-16].

Dostupné z: http://www.vi3dim.com/#!3d-reconstruction/c23jx

[14] PhotoScan. Tgi3D: Revolution in 3D Modeling [online]. © 2010 [cit. 2013-12-16]. Dostupné

z: http://www.tgi3d.com/index.php?Page=PhotoScan

[15] Photogrammetry plugin for Rhino [online]. 2009 [cit. 2013-12-16]. Dostupné z:

http://www.rhinophoto3d.com/

[16] Autodesk 123D Catch: 3d model from photos. Autodesk 123D: Free 3D Modeling Software,

3D Models, DIY Projects, Personal Fabrication Tools [online]. © 2013 [cit. 2013-12-16].

Dostupné z: http://www.123dapp.com/catch

[17] Cubify Collections: Cubify Capture make your 2D photos into 3D models. Cubify:

Express Yourself in 3D [online]. © 2013 [cit. 2013-12-16]. Dostupné z:

http://cubify.com/products/capture/index.aspx?tb_create_capture

[18] ARC 3D [online]. [2005] [cit. 2013-12-17]. Dostupné z: http://www.arc3d.be/

[19] CMP SfM Web Service [online]. [2011] [cit. 2013-12-17]. Dostupné z:

http://ptak.felk.cvut.cz/sfmservice/

[20] VisualSFM: A Visual Structure from Motion System. Changchang Wu [online]. 2011 [cit.

2013-12-17]. Dostupné z: http://ccwu.me/vsfm/

[21] Bundler: Structure from Motion (SfM) for Unordered Image Collections. Cornell

University: Department of Computer Science [online]. 2008 [cit. 2013-12-17]. Dostupné z:

http://www.cs.cornell.edu/~snavely/bundler/

[22] My3DScanner [online]. © 2011 [cit. 2013-12-17]. Dostupné z:

http://www.my3dscanner.com/

[23] VisualSize.com [online]. © 2007-2011 [cit. 2013-12-18]. Dostupné z:

http://www.visualsize.com/

http://www.photomodeler.com/products/scanner/default.html

http://www.agisoft.ru/products/photoscan/professional/

http://www.vi3dim.com/#!3d-reconstruction/c23jx

http://www.tgi3d.com/index.php?Page=PhotoScan

http://www.rhinophoto3d.com/

http://www.123dapp.com/catch

http://cubify.com/products/capture/index.aspx?tb_create_capture

http://www.arc3d.be/

http://ptak.felk.cvut.cz/sfmservice/

http://ccwu.me/vsfm/

http://www.cs.cornell.edu/~snavely/bundler/

http://www.my3dscanner.com/

http://www.visualsize.com/


90

[24] Insight3d: opensource image based 3d modeling software [online]. [2009] [cit. 2013-12-18].

Dostupné z: http://insight3d.sourceforge.net/

[25] PHOV [online]. 2010 [cit. 2013-12-18]. Dostupné z: http://www.phov.eu/

[26] 3DF Zephyr Pro: 3d models from photos - 3Dflow. 3Dflow: Computer Vision Specialists

[online]. 2013 [cit. 2013-12-18]. Dostupné z: http://www.3dflow.net/3df-zephyr-pro-

3d-models-from-photos/

[27] Brainstorm Technology LLC: PhotoSketch Plugin [online]. c 2013 [cit. 2013-12-18]. Dostupné

z: http://www.brainstormllc.com/

[28] DroneMapper: Aerial Imagery Processing and Photogrammetry [online]. 2012 [cit. 2013-11-19].

Dostupné z: http://dronemapper.com/

[29] Pix4D [online]. 2011 [cit. 2013-12-19]. Dostupné z: http://pix4d.com/

[30] Correlator 3D: photogrammetry software description. SimActive: Photogrammetry software

for the generation of high-quality geospatial data from imagery [online]. © 2013 [cit. 2013-11-19].

Dostupné z: http://www.simactive.com/en/software-description

[31] Turn photos into 3D models automatically with Smart3DCapture™. Acute3D: Capturing

reality with automatic 3D photogrammetry software [online]. © 2013 [cit. 2013-11-19].

Dostupné z: http://www.acute3d.com/smart3dcapture/

[32] Areo - Areohawk. Areo [online]. © 2012 [cit. 2013-11-19]. Dostupné z:

http://areo.co.nz/areohawk/

[33] Leica Geosystems: HDS [online]. © 2013 [cit. 2013-11-19]. Dostupné z: http://hds.leica-

geosystems.com/thumbs/originals/AGJN_1242.jpg

[34] Emerald [online]. 2013 [cit. 2013-12-19]. Dostupné z:

http://www.emeraldinsight.com/content_images/fig/1560130104005.png

[35] Quadrocopter L4. Jamcopters [online]. © 2013 [cit. 2013-11-19]. Dostupné z:

http://www.jamcopters.cz/quadrocopter-l4-p14

[36] Trimble UX5. Unmanned Systems Technology [online]. © 2013 [cit. 2013-11-19]. Dostupné

z: http://www.unmannedsystemstechnology.com/2013/06/trimble-introduce-next-

generation-unmanned-aircraft-system-for-photogrammetric-aerial-mapping/

http://insight3d.sourceforge.net/

http://www.phov.eu/

http://www.3dflow.net/3df-zephyr-pro-3d-models-from-photos/

http://www.3dflow.net/3df-zephyr-pro-3d-models-from-photos/

http://www.brainstormllc.com/

http://dronemapper.com/

http://pix4d.com/

http://www.simactive.com/en/software-description

http://www.acute3d.com/smart3dcapture/

http://areo.co.nz/areohawk/

http://hds.leica-geosystems.com/thumbs/originals/AGJN_1242.jpg

http://hds.leica-geosystems.com/thumbs/originals/AGJN_1242.jpg

http://www.emeraldinsight.com/content_images/fig/1560130104005.png

http://www.jamcopters.cz/quadrocopter-l4-p14

http://www.unmannedsystemstechnology.com/2013/06/trimble-introduce-next-generation-unmanned-aircraft-system-for-photogrammetric-aerial-mapping/

http://www.unmannedsystemstechnology.com/2013/06/trimble-introduce-next-generation-unmanned-aircraft-system-for-photogrammetric-aerial-mapping/


91

[37] Enwaii photogrammetry for VFX [online]. c 2011 [cit. 2013-11-19]. Dostupné z:

http://www.banzai-pipeline.com/home.html

[38] Soubor:Phalaenopsis JPEG.jpg. Wikipedie: Otevřená encyklopedie [online]. 2006 [cit. 2013-

11-19]. Dostupné z: http://cs.wikipedia.org/wiki/Soubor:Phalaenopsis_JPEG.jpg

[39] Soubor:Comparison of JPEG and PNG.png. Wikipedie: Otevřená encyklopedie [online].

2013 [cit. 2013-11-19]. Dostupné z:

http://cs.wikipedia.org/wiki/Soubor:Comparison_of_JPEG_and_PNG.png

[40] Kinect. Wikipedia: The Free Encyclopedia [online]. 2013 [cit. 2013-11-20]. Dostupné z:

http://en.wikipedia.org/wiki/Kinect

[41] Kinect Fusion. MSDN: Microsoft Developer Network [online]. © 2013 [cit. 2013-11-20].

Dostupné z: http://msdn.microsoft.com/en-us/library/dn188670.aspx

[42] ReconstructMe: Real Time 3D Scanning Software [online]. © 2013 [cit. 2013-11-20]. Dostupné

z: http://reconstructme.net/

[43] 3D Mesh Generation with KScan3D software and Kinect [online]. © 2013 [cit. 2013-11-20].

Dostupné z: http://www.kscan3d.com/

[44] Matterport 3D models of real interior spaces [online]. © 2013 [cit. 2013-11-20]. Dostupné z:

http://matterport.com/

[45] Optický korelační skener OKS. Lfgm.fsv.cvut.cz: photogrammetry web site [online]. 2009 [cit.

2013-11-20]. Dostupné z: http://lfgm.fsv.cvut.cz/~reznicek/CIPA2009_OKS.ppt

[46] Evo Suite: 3D reconstruction model from images, generate point clouds with high-

density. Menci Software [online]. © 2013 [cit. 2013-11-20]. Dostupné z:

http://www.menci.com/close-range-photogrammetry/evo-suite-3d-model

[47] Agisoft StereoScan. Agisoft [online]. © 2006—2013 [cit. 2013-11-22]. Dostupné z:

http://www.agisoft.ru/products/stereoscan/

[48] Photosculpt: PhotoSculpt creates 3D models and textures from 2 photos [online]. © 2010

[cit. 2013-11-22]. Dostupné z: http://photosculpt.net/

[49] Pixdim [online]. © 2005-2009 [cit. 2013-11-22]. Dostupné z: http://www.pixdim.com/

http://www.banzai-pipeline.com/home.html

http://cs.wikipedia.org/wiki/Soubor:Phalaenopsis_JPEG.jpg

http://cs.wikipedia.org/wiki/Soubor:Comparison_of_JPEG_and_PNG.png

http://en.wikipedia.org/wiki/Kinect

http://msdn.microsoft.com/en-us/library/dn188670.aspx

http://reconstructme.net/

http://www.kscan3d.com/

http://matterport.com/

http://lfgm.fsv.cvut.cz/~reznicek/CIPA2009_OKS.ppt

http://www.menci.com/close-range-photogrammetry/evo-suite-3d-model

http://www.agisoft.ru/products/stereoscan/

http://photosculpt.net/

http://www.pixdim.com/


92

[50] Match Photo: Modeling from photos. SketchUp Knowledge Base [online]. 2013

[cit. 2013- 1-23]. Dostupné z: http://help.sketchup.com/en/article/94920

[51] Cloud Computing [online]. c 2008 - 2010 [cit. 2012-11-06]. Dostupné z:

http://www.cloudcomputing.cz/

[52] Photosynth: Capture your world in 3D. [online]. 2012 [cit. 2013-11-23]. Dostupné z:

http://photosynth.net/

[53] SynthExport. CodePlex: Open Source Project Hosting [online]. © 2006-2013 [cit. 2013-11-23].

Dostupné z: http://synthexport.codeplex.com/

[54] AARON: Digitální fotoaparáty, videokamery, tablety, sluchátka a konzole [online]. © 2005 -

2013 [cit. 2013-11-27]. Dostupné z: http://www.aaron.cz/

[55] Digital Photography Review [online]. © 1998 - 2013 [cit. 2013-11-27]. Dostupné z:

http://www.dpreview.com/

[56] FastStone Screen Capture: The Best Screen Capture Software. FastStone: Image Viewer,

Screen Capture, Photo Resizer ... [online]. © 2013 [cit. 2013-11-27]. Dostupné z:

http://www.faststone.org/FSCaptureDetail.htm

[57] Agisoft Lens - kalibrace komory. YouTube [online]. © 2013 [cit. 2013-11-27]. Dostupné

z: http://www.youtube.com/watch?v=cHD9ZAd-oaQ

[58] Agisoft PhotoScan Professional - tvorba modelu. YouTube [online]. © 2013 [cit. 2013-

11-27]. Dostupné z: http://www.youtube.com/watch?v=cY0TUnpGFsA

[59] CloudCompare - porovnání modelů. YouTube [online]. © 2013 [cit. 2013-11-27].

Dostupné z: http://www.youtube.com/watch?v=GxSNgn-dlAU

[60] Agisoft Lens. Agisoft [online]. © 2006—2013 [cit. 2013-11-27]. Dostupné z:

http://www.agisoft.ru/products/lens/

[61] CloudCompare: Open Source project. DGhoMe: Daniel Girardeau-Montaut [online]. 2012

[cit. 2013-11-27]. Dostupné z: http://www.danielgm.net/cc/

[62] Rozptýlené světlo. Wikipedie: Otevřená encyklopedie [online]. 2011 [cit. 2013-11-28].

Dostupné z:

http://cs.wikipedia.org/wiki/Rozpt%C3%BDlen%C3%A9_sv%C4%9Btlo

http://help.sketchup.com/en/article/94920

http://www.cloudcomputing.cz/

http://photosynth.net/

http://synthexport.codeplex.com/

http://www.aaron.cz/

http://www.dpreview.com/

http://www.faststone.org/FSCaptureDetail.htm

http://www.youtube.com/watch?v=cHD9ZAd-oaQ

http://www.youtube.com/watch?v=cY0TUnpGFsA

http://www.youtube.com/watch?v=GxSNgn-dlAU

http://www.agisoft.ru/products/lens/

http://www.danielgm.net/cc/

http://cs.wikipedia.org/wiki/Rozpt%C3%BDlen%C3%A9_sv%C4%9Btlo


93

[63] Louže. Naše voda [online]. 2013 [cit. 2013-11-28]. Dostupné z: http://www.nase-

voda.cz/wp-content/uploads/2013/10/d%C3%A9%C5%A1%C5%A5-lou%C5%BEe-

DSCN5298_-_kopie.jpg

[64] Rozdělení objektivů a jejich charakteristické vlastnosti. Photomysteria [online]. 2002 [cit.

2013-11-29]. Dostupné z: http://photo.mysteria.cz/clanky/objekt6.html

[65] Rhinoceros [online]. © 2012 [cit. 2013-11-30]. Dostupné z: http://www.rhino3d.com/

[66] SketchUp: 3D for Everyone [online]. © 2013 [cit. 2013-11-30]. Dostupné z:

http://www.sketchup.com/

[67] MeshLab [online]. 2012 [cit. 2013-12-02]. Dostupné z: http://meshlab.sourceforge.net/

[68] Geomagic Studio Overview. Geomagic 3D software from 3D Systems [online]. © 2013 [cit.

2013-12-02]. Dostupné z: http://geomagic.com/en/products/studio/overview/

http://www.nase-voda.cz/wp-content/uploads/2013/10/d%C3%A9%C5%A1%C5%A5-lou%C5%BEe-DSCN5298_-_kopie.jpg



http://photo.mysteria.cz/clanky/objekt6.html

http://www.rhino3d.com/

http://www.sketchup.com/

ČVUT v Praze SEZNAM ZKRATEK

94

Seznam zkratek

3D Trojrozměrný

3DF 3D Format

AF Autofocus

ASA American Standards Association

ASCII American Standard Code for Information Interchange

ASPRS American Society of Photogrammetry and Remote Sensing

AVI Audio Video Interleave

AWB Auto White Balance

CCD Charge-coupled device

CMOS Complementary metal–oxide–semiconductor

CMVS Clustering Views for Multi-view Stereo

COLLADA COLLAborative Design Activity

DMT Digitální model terénu

DPZ Dálkový průzkum Země

DSLR Digital single-lens reflex camera

DXF Drawing Exchange Format

EOS Electro-Optical System

EXIF Exchangeable image file format

FBX Filmbox

GIF Graphics Interchange Format

GIS Geografické informační systémy

GPS Globální polohovací systém

GSD Ground sample distance

HW Hardware

Hz Horizontální

ICP Iterative Closest Point

IF Internal Focusing

IS Image stabilization

ISPRS International Society for Photogrammetry and Remote Sensing

JPEG Joint Photographic Experts Group

IPM Inventor Publisher Mobile

KMZ Keyhole Markup Language

LAS LASer

ČVUT v Praze SEZNAM ZKRATEK

95

LCD Liquid crystal display

LD Low Dispersion elements

MNČ Metoda nejmenších čtverců

MB Megabyte

MF Manual focus

Mpx Megapixel

MS Microsoft

NURBS Non-uniform rational basis spline

OKS Optický korelační systém

PC Personal computer

PDF Portable Document Format

PE Professional edition

PET Polyethylentereftalát

PLY Polygon File Format

PMVS Patch-based Multi-view Stereo

PNG Portable Network Graphics

ppm Parts per million

RANSAC Random Sample Consensus

RE Reprojection Error

RGB Red, Green, Blue

RMS Root mean square

SE Standard edition

SfM Software for Motion

SIFT Scale-invariant feature transform

S-JTSK Systém Jednotné trigonometrické sítě katastrální

STL STereoLithography

SW Software

TIFF Tagged Image File Format

TIN Triangulated irregular network

U3D Universal 3D

UAV Unmanned aerial vehicle

VRML Virtual Reality Modeling Language

VÚGTK Výzkumný ústav geodetický, topografický a kartografický, v.v.i.

WMV Windows Media Video

WRL Virtual Reality Modeling Language

XR Extra Refractive Index glass

ČVUT v Praze SEZNAM TABULEK

96

Seznam tabulek

Tab. 2.1: Software pro leteckou fotogrammetrii ................................................................................... 18

Tab. 2.2: SW využívající senzor Kinect................................................................................................... 22

Tab. 2.3: Třídy komor ............................................................................................................................... 24

Tab. 2.4: Komerční SW ............................................................................................................................. 28

Tab. 2.5: Nadstavba 3D modelovacího systému ................................................................................... 30

Tab. 2.6: Volně dostupný SW od komerčních autorů .......................................................................... 32

Tab. 2.7: Volně dostupný akademický SW ............................................................................................. 34

Tab. 3.1: Přesnost modelů podle J. Šediny ............................................................................................. 42

Tab. 4.1: Základní vlastnosti senzoru komory Canon EOS 450D ..................................................... 52

Tab. 4.2: Základní vlastnosti objektivu Tamron AF 18-200 mm f/3.5-6.3 Di-II IF XR LD ......... 53

Tab. 5.1: Test 1 - základní parametry modelů ........................................................................................ 65

Tab. 5.2: Test 1 - základní parametry registrace modelů ...................................................................... 66

Tab. 5.3: Test 1 – zastoupení vzdáleností modelů ................................................................................ 67

Tab. 5.4: Test 2 – základní parametry modelů ....................................................................................... 74

Tab. 5.5: Test 2 – základní parametry registrace modelů ..................................................................... 74

Tab. 5.6: Test 2 – zastoupení vzdáleností modelů ................................................................................ 76

Tab. 5.7: Test 3 – rozdělení objektivů podle ohniskové vzdálenosti ................................................. 78

Tab. 5.8: Test 3 – základní parametry snímkování ................................................................................ 79

Tab. 5.9: Test 3 – vliv distorze na krajích snímků ................................................................................. 80

Tab. 5.10: Test 3 – základní parametry modelů ..................................................................................... 81

Tab. 5.11: Test 3 – základní parametry registrace modelů ................................................................... 81

Tab. 5.12: Test 3 – zastoupení vzdáleností modelů .............................................................................. 82

ČVUT v Praze SEZNAM OBRÁZKŮ

97

Seznam obrázků

Obr. 1.1: Laserový skener Leica a triangulační skener Konica Minolta ............................................. 11

Obr. 1.2: Obrazová korelace .................................................................................................................... 12

Obr. 1.3: SIFT – propojení snímků pomocí charakteristických bodů ............................................... 14

Obr. 1.4: SfM – program Bundler ........................................................................................................... 15

Obr. 1.5: PMVS – generace prvků patch ................................................................................................ 16

Obr. 2.1: Quadrocopter L4 a profesionální UAV Trimble UX5 ........................................................ 18

Obr. 2.2: JPEG se vzrůstajícím komprimačním poměrem zleva doprava ........................................ 19

Obr. 2.3: Porovnání JPEG vlevo a PNG vpravo .................................................................................. 20

Obr. 2.4: Senzor Microsoft Kinect .......................................................................................................... 21

Obr. 2.5: Systém Matterport ..................................................................................................................... 22

Obr. 2.6: Kódové značky – PhotoModeler Scanner ............................................................................. 26

Obr. 2.7: PhotoModeler Scanner – tvorba 3D modelu ........................................................................ 28

Obr. 2.8: Agisoft PhotoScan – rozložení kamer ................................................................................... 29

Obr. 2.9: Vi3Dim – detail trojúhelníkové sítě modelu ......................................................................... 30

Obr. 2.10: Tgi3D PhotoScan – nadstavba programu SketchUp ......................................................... 31

Obr. 2.11: Rhinophoto – kódové a doplňkové značky, měřítkový přípravek .................................. 31

Obr. 2.12: Pracovní prostředí 123D Catch ............................................................................................ 32

Obr. 2.13: Pracovní prostředí Cubify Capture BETA .......................................................................... 33

Obr. 2.14: Microsoft PhotoSynth – lokalizace modelu ........................................................................ 34

Obr. 2.15: CMP Webservice SfM – prezentační video modelu ......................................................... 35

Obr. 2.16: ARC3D – rozhraní pro nahrávání snímků na server ........................................................ 35

Obr. 2.17: VisualSFM – orientace snímků ............................................................................................ 36

Obr. 2.18: Definice měřítka pomocí přípravku, Rhinophoto ............................................................ 37

Obr. 2.19: Trojúhelníková síť s texturou – 123D Catch Beta............................................................. 38

Obr. 3.1: Porovnání referenčního modelu s modelem z Agisoft PhotoScan ................................... 42

Obr. 3.2: Geometrická přesnost modelu 123D Catch Beta – odchylky bodů .................................. 43

Obr. 3.3: Porovnání laserového skenování a OKS pro horský svah .................................................. 44

Obr. 3.4: Porovnání modelů vstupní brány Zborovského hradu ....................................................... 45

Obr. 3.5: Detail modelů z komor: Sony Ericsson, Nikon a Pentax – Agisoft PhotoScan .............. 47

Obr. 4.1: Testovací objekt – opěrná zeď, hlavní nádraží v Praze ....................................................... 51

Obr. 4.2: Canon EOS 450D a Tamron AF 18-200 mm f/3.5-6.3 Di-II IF XR LD ....................... 52

Obr. 4.3: Agisoft Lens – vypočtená kalibrace s průběhy distorzí ....................................................... 56

Obr. 4.4: Agisoft PhotoScan – vygenerované řídké mračno bodů ..................................................... 58

ČVUT v Praze SEZNAM OBRÁZKŮ

98

Obr. 4.5: Program CloudCompare .......................................................................................................... 59

Obr. 5.1: Test 1 – schéma konfigurace snímkování.............................................................................. 63

Obr. 5.2: Test 1 – Zataženo vs. Slunečno .............................................................................................. 64

Obr. 5.3: Test 1 – odraz na hladině louže .............................................................................................. 65

Obr. 5.4: Test 1 – porovnání histogramů četností vzdáleností modelů ............................................. 67

Obr. 5.5: Test 1 – problémová vhloubená část u modelů Zataženo a Jasno .................................... 68

Obr. 5.6: Test 1 – detail rozdílu modelů Zataženo a Po dešti ve spárách ......................................... 68

Obr. 5.7: Test 1 – porovnání textury suché (vlevo) a mokré (vpravo) spáry .................................... 69

Obr. 5.8: Test 1 – detail rozdílu modelů Zataženo a Slunečno v rozích modelu ............................. 69

Obr. 5.9: Test 1 – časová nestabilita osvětlení ....................................................................................... 70

Obr. 5.10: Test 1 – projev odrazu světla v objektivu ........................................................................... 70

Obr. 5.11: Test 2 – doporučená konfigurace snímkování pro Agisoft PhotoScan .......................... 72

Obr. 5.12: Test 2 – schéma konfigurace snímkování ........................................................................... 73

Obr. 5.13: Test 2 – porovnání histogramů četností vzdáleností modelů .......................................... 75

Obr. 5.14: Test 2 – detail rozdílu modelů v krajní levé části ............................................................... 76

Obr. 5.15: Test 2 – porovnání rozdílnosti frontálního a šikmého snímku ........................................ 77

Obr. 5.16: Test 3 – schéma konfigurace snímkování ........................................................................... 79

Obr. 5.17: Test 3 – histogram četností vzdáleností modelů ................................................................ 81

Obr. 5.18: Test 3 – detail rozdílu modelů v krajních částech .............................................................. 82

Obr. 5.19: Test 3 – detail rozdílu v ostrosti na krajích snímků ........................................................... 83

ČVUT v Praze OBSAH DVD

99

Obsah DVD

Přiložený DVD disk obsahuje následující adresáře a podadresáře s obsahem:

A A_Text: obsahuje text práce ve formátu PDF

B B_Kalibrace_komory: obsahuje 2 hlavní podadresáře:

- 18mm: obsahuje 2 podadresáře 03_snimky a 25_snimku, které oba obsahují

projekt kalibrace ve formátu LNZ, vypočtené kalibrační parametry ve

formátu XML a zdrojové snímky pro kalibraci

- 50mm: obsahuje projekt kalibrace ve formátu LNZ, vypočtené kalibrační

parametry ve formátu XML a zdrojové snímky pro kalibraci v adresáři

Foto

C C_Test_1: obsahuje 5 hlavních podadresářů:

- 1_Zatazeno: obsahuje projekt modelu ve formátu PSZ, model ve formátu OBJ

a adresář Foto, který obsahuje zdrojové snímky modelu ve

formátu JPEG a podadresář Raw se snímky ve formátu RAW

- 2_Slunecno: dtto

- 3_Po_desti: dtto

- 4_Jasno: dtto

- POROVNANI: obsahuje všechny porovnávané dvojice modelů ve formátu BIN

(CloudCompare)

D D_Test_2: obsahuje 3 hlavní podadresáře:

- 1_Stereo: obsahuje projekt modelu ve formátu PSZ, model ve formátu OBJ



- 2_Kombinace: dtto


(CloudCompare)

ČVUT v Praze OBSAH DVD

100

E E_Test_3: obsahuje 2 hlavní podadresáře:

- 1_50mm: obsahuje projekt modelu ve formátu PSZ, model ve formátu OBJ




(CloudCompare)

F F_Obrazky: obsahuje všechny obrázky uvedené v práci v plném rozlišení

G G_Videa: obsahuje instruktážní videa pro všechny tři fáze tvorby

a porovnání modelů

H H_Prilohy: obsahuje všechny přílohy v originálních formátech

I I_Instalace: obsahuje instalační soubor SW Agisoft Lens, Agisoft

PhotoScan Professional (demoverze) a CloudCompare

ČVUT v Praze SEZNAM PŘÍLOH

101

Seznam příloh

A Agisoft PhotoScan – doporučené konfigurace snímkování ..................................... 102

B Optické korelační systémy – rozdělení podle abecedy ............................................ 103

C Přístupnost testovacího objektu a stabilizace snímkovacích stanovisek ................ 104

D Porovnání kalibračních parametrů ze 3 a z 25 snímků ............................................ 105

E Porovnání kalibračních parametrů konstant 18 a 50 mm ........................................ 105

F Průběh distorzí objektivu pro konstantu 18 a 50 mm .............................................. 106

G Plán snímkování pro všechny testy a počet snímků ................................................ 107

H Test 1 – rozdílné světelné podmínky ........................................................................ 108

I Test 1, 2, 3 – informace modelu Zataženo ............................................................... 109

J Test 1 – informace modelu Slunečno ....................................................................... 110

K Test 1 – informace modelu Po dešti ......................................................................... 111

L Test 1 – informace modelu Jasno ............................................................................. 112

M Test 1 – vizual. porovnání modelů Zataženo – Slunečno ........................................ 113

N Test 1 – vizualizace porovnání modelů Zataženo – Po dešti ................................... 114

O Test 1 – vizualizace porovnání modelů Zataženo – Jasno ....................................... 115

P Test 2 – informace modelu Stereo ............................................................................ 116

Q Test 2 – informace modelu Kombinace ................................................................... 117

R Test 2 – vizualizace porovnání modelů Stereo – Kombinace .................................. 118

S Test 2 – vizualizace porovnání modelů Zataženo – Stereo ...................................... 119

T Test 2 – vizual. porovnání modelů Zataženo – Kombinace .................................... 120

U Test 3 – informace modelu 50 mm ........................................................................... 121

V Test 3 – vizualizace porovnání modelů 18 mm – 50 mm ......................................... 122

ČVUT v Praze PŘÍLOHY

102

Přílohy

A Agisoft PhotoScan – doporučené konfigurace snímkování

- zdroj: [12]


103

B Optické korelační systémy – rozdělení podle abecedy


104

C Přístupnost testovacího objektu a stabilizace snímkovacích stanovisek


105

D Porovnání kalibračních parametrů ze 3 a z 25 snímků

Kalibrační Hodnota Rozdíl

Směrodatná odchylka

parametry 3 snímky 25 snímků 3 snímky 25 snímků

Konstanta komory (x) 3415.72 3425.92 10.20 2.42 0.73

Konstanta komory (y) 3415.31 3425.68 10.37 2.23 0.71

Hlavní bod (x) 2172.86 2173.62 0.75 1.49 0.60

Hlavní bod (y) 1497.15 1496.15 -1.00 1.21 0.49

Skew 0.905 0.372 -0.533 0.257 0.092

K1 -0.1841 -0.1868 -0.0027 0.0050 0.0020

K2 0.103 0.131 0.029 0.032 0.013

K3 0.010 -0.084 -0.093 0.080 0.033

K4 -0.03259 0.06705 0.09964 0.00463 0.00085

P1 0.000817 0.000833 0.000016 0.000072 0.000028

P2 0.000389 0.000429 0.000040 0.000087 0.000034

E Porovnání kalibračních parametrů konstant 18 a 50 mm

Kalibrační Hodnota Rozdíl

Směrodatná odchylka

parametry 18 mm 50 mm 18 mm 50 mm

Konstanta komory (x) 3425.92 9326.04 - 0.73 1.89

Konstanta komory (y) 3425.68 9329.64 - 0.71 1.68

Hlavní bod (x) 2173.62 2161.07 -12.55 0.60 2.15

Hlavní bod (y) 1496.15 1506.89 10.74 0.49 1.65

Skew 0.372 -1.657 -2.029 0.092 0.308

K1 -0.1868 0.2614 0.4482 0.0020 0.0114

K2 0.131 1.715 1.583 0.013 0.619

K3 -0.084 -14.701 -14.617 0.033 13.270

K4 0.06705 124.28600 124.21895 0.00085 9473.01000

P1 0.000833 -0.002245 -0.003078 0.000028 0.000118

P2 0.000429 -0.001847 -0.002277 0.000034 0.000172


106

F Průběh distorzí objektivu pro konstantu 18 a 50 mm


107

G Plán snímkování pro všechny testy a počet snímků


108

H Test 1 – rozdílné světelné podmínky


109

I Test 1, 2, 3 – informace modelu Zataženo


110

J Test 1 – informace modelu Slunečno


111

K Test 1 – informace modelu Po dešti


112

L Test 1 – informace modelu Jasno


113

M Test 1 – vizual. porovnání modelů Zataženo – Slunečno


114

N Test 1 – vizualizace porovnání modelů Zataženo – Po dešti


115

O Test 1 – vizualizace porovnání modelů Zataženo – Jasno


116

P Test 2 – informace modelu Stereo


117

Q Test 2 – informace modelu Kombinace


118

R Test 2 – vizualizace porovnání modelů Stereo – Kombinace


119

S Test 2 – vizualizace porovnání modelů Zataženo – Stereo


120

T Test 2 – vizual. porovnání modelů Zataženo – Kombinace


121

U Test 3 – informace modelu 50 mm


122

V Test 3 – vizualizace porovnání modelů 18 mm – 50 mm

Documents

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZEgeo.fsv.cvut.cz/proj/dp/2014/ondrej-bohac-dp-2014.pdf · v tomto odvětví fotogrammetrie zorientovat. Tato oblast je jednou z nejmodernějších