ΔΙΕΡΕΎΝΗΣΗ ΜΕΘΌΔΩΝ ΑΠΕΙΚΌΝΙΣΗΣ ΤΡΙΣΔΙΆΣΤΑΤΗΣ ΓΕΩΧΩΡΙΚΉΣ ΠΛΗΡΟΦΟΡΊΑΣ, ΜΙΚΡΉΣ ΚΛΊΜΑΚΑΣ, ΜΕ ΑΞΙΟΠΟΊΗΣΗ ΜΕΘΌΔΩΝ UAV ΚΑΙ ΤΕΧΝΟΛΟΓΙΏΝ ΥΠΟΛΟΓΙΣΤΙΚΉΣ ΌΡΑΣΗΣ.

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΤΜΗΜΑ ΓΕΩΓΡΑΦΙΑΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΓΕΩΓΡΑΦΙΑ & ΕΦΑΡΜΟΣΜΕΝΗ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ ΔΙΕΡΕΎΝΗΣΗ ΜΕΘΌΔΩΝ ΑΠΕΙΚΌΝΙΣΗΣ ΤΡΙΣΔΙΆΣΤΑΤΗΣ ΓΕΩΧΩΡΙΚΉΣ ΠΛΗΡΟΦΟΡΊΑΣ, ΜΙΚΡΉΣ ΚΛΊΜΑΚΑΣ, ΜΕ ΑΞΙΟΠΟΊΗΣΗ ΜΕΘΌΔΩΝ UAV ΚΑΙ ΤΕΧΝΟΛΟΓΙΏΝ ΥΠΟΛΟΓΙΣΤΙΚΉΣ ΌΡΑΣΗΣ. Δουκαρή Μιχαέλα επιβλέπων καθηγητής: Ν. Σουλακέλλης Οκτώβριος 2015 ΜΥΤΙΛΗΝΗ

Πανεπιστήμιο Αιγαίου Τμήμα Γεωγραφίας Πρόγραμμα μεταπτυχιακών σπουδών: Γεωγραφία και Εφαρμοσμένη Γεωπληροφορική Διπλωματική Διατριβή: Διερεύνηση μεθόδων απεικόνισης τρισδιάστατης γεωχωρικής πληροφορίας, μικρής κλίμακας, με αξιοποίηση μεθόδων UAV και τεχνολογιών υπολογιστικής όρασης. Δουκαρή Μιχαέλα Τριμελής Επιτροπή: Βαΐτης Μ. Σουλακέλλης Ν. Τοπουζέλης Κ. ΟΚΤΩΒΡΙΟΣ 2015 i

Copyright Δουκαρή Μιχαέλα, 2015 Τμήμα Γεωγραφίας, Πανεπιστήμιο Αιγαίου Η διατριβή αυτή αποτελεί πνευματικό προϊόν της Δουκαρή Μιχαέλας. Αντίγραφα (με οποιοδήποτε τρόπο) τμημάτων ή και ολόκληρης, δεν μπορούν να γίνουν χωρίς τη συγκατάθεση της υπογράφουσας. Απαγορεύεται η αντιγραφή, η αποθήκευση και διανομή της παρούσας εργασίας, εξ ολοκλήρου ή τμήματος αυτής για εμπορικό σκοπό. Επιτρέπεται η ανατύπωση, αποθήκευση και διανομή για σκοπό μη κερδοσκοπικό, εκπαιδευτικής ή ερευνητικής φύσης, υπό την προϋπόθεση να αναφέρεται η πηγή προέλευσης και να διατηρείται η παρούσα σημείωση. Ερωτήματα που αφορούν τη χρήση της εργασίας για κερδοσκοπικό σκοπό πρέπει να απευθύνονται προς το συγγραφέα. Οι απόψεις και τα συμπεράσματα που περιέχονται σε αυτή τη διατριβή εκφράζουν το συγγραφέα και δεν πρέπει να θεωρηθεί ότι αντιπροσωπεύουν τις επίσημες θέσεις του Πανεπιστημίου Αιγαίου. ii

Πρόλογος Η παρούσα διπλωματική εργασία αφορά στην διερεύνηση μεθόδων απεικόνισης τρισδιάστατης γεωχωρικής πληροφορίας, με τη χρήση μεθόδων UAV και τεχνολογιών υπολογιστικής όρασης. Με σκοπό τη διερεύνηση λογισμικού ανοιχτού και κλειστού κώδικα για την επεξεργασία των δεδομένων καθώς και εξαγωγή ορθοφωτογραφίας και ψηφιακού μοντέλου εδάφους, των περιοχών ενδιαφέροντος. Αρχικά αναλύονται οι αλγοριθμικές διαδικασίες υπολογιστικής όρασης, που χρησιμοποιούνται στη μεθοδολογία, καθώς και οι απαραίτητες διαδικασίες για την συλλογή δεδομένων. Στη συνέχεια παρουσιάζονται εφαρμογές στην παραλία της σκάλας Ερεσού και στο Αρχαίο θέατρο Μυτιλήνης, καθώς και τα αποτελέσματα που προέκυψαν. Θα ήθελα να ευχαριστήσω τον επιβλέποντα καθηγητή μου, κ. Νικόλαο Σουλακέλλη, για την ευκαιρία που μου έδωσε να μελετήσω ένα τόσο ενδιαφέρον θέμα στα πλαίσια της διπλωματικής μου εργασίας. Καθώς και τους κ. Απόστολο Παπακωνσταντίνου, μεταδιδακτορικό ερευνητή του εργαστηρίου Χαρτογραφίας & Γεωπληροφορικής και τον κ. Τοπουζέλη Κωνσταντίνο, λέκτορα του τμήματος Επιστημών της θάλασσας, για την βοήθεια, την καθοδήγηση και τις γνώσεις που μου προσέφεραν καθ όλη τη διάρκεια εκπόνησης της διπλωματικής μου εργασίας. Ευχαριστώ επίσης το Εργαστήριο Χαρτογραφίας & Γεωπληροφορικής για την διάθεση του συστήματος UAV και υπολογιστών που χρησιμοποιήθηκαν για τη συλλογή δεδομένων και την επεξεργασία τους. iii

Πίνακας Περιεχομένων Πρόλογος... iii Πίνακας Περιεχόμενων... iv Πίνακας Εικόνων... vii Πίνακας Διαγραμμάτων... xi Πίνακας Πινάκων... xii Πίνακας Συντομογραφιών... xiii Περίληψη... xiv Abstract... xv Εισαγωγή... xvi Κεφάλαιο 1 ο... 1 1. Φωτογραμμετρική Απεικόνιση... 1 1.1 Σημαντικότερα στάδια εξέλιξής της φωτογραμμετρίας... 2 1.2 Πλεονεκτήματα μεθόδου... 2 1.3 Μειονεκτήματα μεθόδου... 3 1.4 Βασικά βήματα φωτογραμμετρικής διαδικασίας... 3 1.4.1 Εσωτερικός προσανατολισμός... 4 1.4.2 Εξωτερικός προσανατολισμός... 3 Κεφάλαιο 2 ο... 5 2 Αεροφωτογραφία & Unmanned Aerial Vehicles (UAV)... 5 2.1 Ιστορική εξέλιξη αεροφωτογραφίας... 5 2.2 Τύποι αεροφωτογραφιών... 6 2.3 Unmanned Aerial Vehicles (UAV)... 6 2.3.1 Επισκόπηση εξέλιξης των UAV... 8 2.3.2 Ταξινόμηση Κατηγοριοποίηση των UAV... 10 2.3.3 Πλεονεκτήματα χρήσης UAV... 14 2.3.4 Περιορισμοί χρήσης των UAV... 15 2.3.5 Ισχύουσα Νομοθεσία... 15 iv

2.3.6 Πεδία Εφαρμογής UAV... 16 Κεφάλαιο 3 ο... 20 3 Προγραμματισμός Πτήσης... 20 3.1 Σχεδιασμός και είδη αυτόνομων Πτήσεων... 21 3.2 Μεταβλητές σχεδιασμού πτήσης... 23 3.2.1 Αισθητήρας... 24 3.2.2 Ύψος πτήσης... 25 3.2.3 Ανάλυση εικόνων (GSD Ground Sample Distance)... 25 3.2.4 Επικάλυψη φωτογραφιών... 26 3.2.5 Γεωμετρία κάμερας - Προβολές φωτογραφιών... 26 3.3 Διαδικασία Γεωαναφοράς... 28 3.3.1 Άμεση Γεωαναφορά (Direct Georeference)... 29 3.3.2 Έμμεση Γεωαναφορά (Indirect Georeference)... 29 3.3.3 Σημεία ελέγχου (Ground Control Points, GCPs)... 30 Κεφάλαιο 4 ο... 32 4 Μεθοδολογία... 32 4.1 Μέθοδος Structure from motion (SFM)... 32 4.1.1 Αλγόριθμος SIFT... 34 4.1.2 Ευθυγράμμιση και προσανατολισμός φωτογραφιών... 37 4.2 Ανακατασκευή τρισδιάστατου μοντέλου... 39 4.3 Διαδικασία Γεωαναφοράς... 40 4.4 Λογισμικά Επεξεργασίας... 41 Κεφάλαιο 5 ο... 44 5 Λογισμικό Ανοιχτού Κώδικα (Visual SFM)... 44 5.1 Διαδικασία επεξεργασίας... 45 Κεφάλαιο 6 ο... 51 6 Λογισμικό κλειστού κώδικα (Agisoft Photoscan)... 51 6.1 Διαδικασία επεξεργασίας... 52 Κεφάλαιο 7 ο... 60 v

7 Συστήμα συλλογής χωρικής πληροφορίας... 60 7.1 UAV (μη επανδρωμένο εναέριο όχημα)... 60 7.2 Αισθητήρας (φωτογραφική μηχανή)... 62 7.3 Επίγειες (τοπογραφικές) μετρήσεις σημείων ελέγχου (GCPs)... 62 7.4 Χρησιμοποιούμενα Λογισμικά... 63 Κεφάλαιο 8 ο... 65 8 Πρώτη Περιοχή Μελέτης: Παραλία Σκάλας Ερεσού... 65 8.1 Σχεδιασμός πτήσης... 65 8.2 Σημεία ελέγχου (GCPs)... 68 8.3 Συλλογή Δεδομένων... 70 8.4 Επεξεργασία Αποτελέσματα... 71 8.4.1 Λογισμικό Ανοιχτού Κώδικα (Visual SFM CMPMVS)... 71 8.4.2 Λογισμικό Κλειστού Κώδικα (Agisoft Photoscan)... 74 Κεφάλαιο 9 ο... 79 9 Δεύτερη Περιοχή Μελέτης : Αρχαίο θέατρο Μυτιλήνης... 79 9.1 Σχεδιασμός πτήσης... 80 9.2 Σημεία ελέγχου (GCPs)... 81 9.3 Συλλογή Δεδομένων... 83 9.4 Επεξεργασία Αποτελέσματα... 84 9.4.1 Λογισμικό Ανοιχτού Κώδικα (Visual SFM CMPMVS)... 84 9.4.2 Λογισμικό Κλειστού Κώδικα (Agisoft Photoscan)... 88 Κεφάλαιο 10 ο... 91 10 Σύγκριση Αποτελεσμάτων... 91 Κεφάλαιο 11 ο... 98 11 Συμπεράσματα... 98 Παράρτημα... 102 Βιβλιογραφία... 104 vi

Πίνακας Εικόνων Εικόνα 1.1: Απεικόνιση αντικειμένου σε διαδοχικές εικόνες μιας αεροφωτοληψίας. Πηγή: (Πέτσα, 2000)... 4 Εικόνα 1.2: Βασικές παράμετροι εσωτερικού προσανατολισμού. Πηγή: (Πέτσα, 2000)... 2 Εικόνα 1.3: Σχετικός και απόλυτος προσανατολισμός στερεοζεύγους. Πηγή: (Πέτσα, 2000)... 4 Εικόνα 2.1: Τύποι αεροφωτογραφιών.... 6 Εικόνα 2.2:Πειράματα αεροφωτογράφισης με τη χρήση περιστεριών και χαρταετών. (Newhall, 1969)... 8 Εικόνα 2.3: Χρήση μπαλονιού με κάμερα για αεροφωτογράφιση. (Whittlesey, 1970) 9 Εικόνα 2.4: UAV σταθερών πτερύγων (Przybilla και Wester-Ebbinghaus, 1979)... 9 Εικόνα 2.5: UAV περιστρεφόμενων πτερυγίων (Wester-Ebbinghaus, 1980)... 10 Εικόνα 2.6: Ταξινόμηση UAV με βάση την εμβέλεια και το υψόμετρο (Peter van Blyenburgh,1999).Μετάφραση από: (Eisenbeiss and Grün 2009)... 11 Εικόνα 2.7 Ταξινόμηση UAV με βάση το ύψος πτήσης και την εμβέλεια. Πηγή: (Ε.Commission 2007)... 12 Εικόνα 2.8: Ταξινόμηση μεθόδων αποτύπωσης με συσχέτιση της ακρίβειας και του μεγέθους της περιοχής μελέτης. Μετάφραση από: (Eisenbeiss 2011)... 13 Εικόνα 2.9: Εφαρμογές με τη χρήση UAV. Μετάφραση από: (Ritzinger 2014)... 18 Εικόνα 3.1: Σχεδιασμός πτήσης.... 21 Εικόνα 3.2: Πλέγμα σχεδίου πτήσης.... 22 Εικόνα 3.3: Πλέγμα διπλού σχεδίου πτήσης.... 22 Εικόνα 3.4: Πτήση μονής (αριστερά) και διπλής (δεξιά) πορείας... 23 Εικόνα 3.5: Είδη αισθητήρων για UAV... 24 Εικόνα 3.6: Υπολογισμός ανάλυσης εικόνας.... 25 Εικόνα 3.7: Τρόποι λήψης εικόνων.... 27 Εικόνα 3.8: Φωτογραφία κατακόρυφης λήψης (αριστερά) και πλάγιας λήψης (δεξιά).... 28 Εικόνα 3.9: Τρόποι σήμανσης σημείων ελέγχου στο έδαφος.... 30 Εικόνα 4.1: Structure from motion... 33 Εικόνα 4.2: Εφαρμογή του SIFT αλγορίθμου σε μια εικόνα (αριστερά), περιγραφή των χαρακτηριστικών σημείων, keypoint descriptors (δεξιά). (Lowe 2004), (Westoby et al. 2012)... 36 Εικόνα 4.3: Εφαρμογή αλγορίθμου RANSAC.... 36 Εικόνα 4.4: Αντιστοίχιση κοινών χαρακτηριστικών σημείων στις φωτογραφίες.... 37 vii

Εικόνα 4.5: Εφαρμογή αλγορίθμου Bundle Adjustment.... 37 Εικόνα 4.6: Υπολογισμός θέσεων τρισδιάστατων σημείων από 3 φωτογραφίες.... 38 Εικόνα 4.7: Αποτέλεσμα ευθυγράμμισης και προσανατολισμού φωτογραφιών.... 38 Εικόνα 4.8: Πυκνό νέφος σημείων (dense point cloud) και επιφάνεια τριγωνικού πλέγματος (mesh).... 39 Εικόνα 4.9: Επιφάνεια τριγωνικού πλέγματος: Αποτέλεσμα τριγωνισμού με τη μέθοδο Poisson.... 40 Εικόνα 4.10: Σημεία ελέγχου εδάφους (GCPS) στις φωτογραφίες και στο νέφος σημείων.... 41 Εικόνα 5.1: Εισαγωγή εικόνων στο περιβάλλον του λογισμικού, προβολή επιπλέον πληροφοριών στο παράθυρο δεξιά.... 46 Εικόνα 5.2: Αντιστοιχίσεις φωτογραφιών (Spanning tree).... 46 Εικόνα 5.3: Αντιστοιχίσεις χαρακτηριστικών σημείων, ανά ζεύγη εικόνων.... 47 Εικόνα 5.4:Match matrix, εναέριων φωτογραφιών με κανονικό σχέδιο πτήσης (αριστερά) και με μη κανονικό σχεδιασμό πλάγιων φωτογραφιών.... 47 Εικόνα 5.5: Ευθυγράμμιση φωτογραφιών (camera positions) και αραιό νέφος σημείων (sparse point cloud).... 48 Εικόνα 5.6: Πυκνό νέφος σημείων (dense point cloud).... 48 Εικόνα 5.7: Τοποθέτηση σημείων ελέγχου στις φωτογραφίες (αριστερά), προβολή των σημείων ελέγχου στο νέφος σημείων (δεξιά).... 49 Εικόνα 5.8: Τριγωνικό πλέγμα: Αποτέλεσμα τριγωνισμού με τη μέθοδο Poisson. (Meshlab)... 50 Εικόνα 5.9: Διαδικασία επεξεργασίας στο λογισμικό CMPMVS (dense point cloud,mesh,textured mesh).... 50 Εικόνα 6.1: Εισαγωγή φωτογραφιών στο περιβάλλον του Agisoft Photoscan.... 53 Εικόνα 6.2: Ευθυγράμμιση φωτογραφιών(alignment) και αραιό νέφος σημείων(sparse point cloud).... 54 Εικόνα 6.3: Καλή αντιστοίχιση σημείων (350 σωστά, μπλε γραμμές/ 87 λάθος κόκκινες γραμμές) και κακή αντιστοίχιση σημείων (5 σωστά / 18 λάθος).... 54 Εικόνα 6.4: Πυκνό νέφος σημείων (dense point cloud).... 55 Εικόνα 6.5: Επιφάνεια τριγωνικού πλέγματος (mesh)... 55 Εικόνα 6.6: Τρισδιάστατο μοντέλο με υφή και χρώμα (texture)... 56 Εικόνα 6.7: Σημεία ελέγχου (GCPS), τοποθετημένα στην περιοχή μελέτης.... 57 Εικόνα 6.8: Ταξινόμηση νέφους σημείων με δύο κλάσεις: έδαφος (καφέ χρώμα), λοιπά σημεία (λευκό χρώμα).... 57 Εικόνα 6.9: Ταξινόμηση του νέφους σημείων με κατηγορίες κλάσεων.... 58 viii

Εικόνα 6.10: 3D τριγωνική επιφάνεια (mesh) με όλες τις κλάσεις (αριστερά) για δημιουργία DSM και μόνο με το ανάγλυφο του εδάφους (δεξιά), για δημιουργία DTM.... 58 Εικόνα 7.1: Επίγειος σταθμός και UAV.... 61 Εικόνα 7.2: Φωτογραφική μηχανή και βασικά χαρακτηριστικά της.... 62 Εικόνα 7.3: Σύστημα DGPS και βασικά χαρακτηριστικά.... 63 Εικόνα 8.1: Πορεία πρώτης αυτόνομης πτήσης (υπόβαθρο Google Sat).... 66 Εικόνα 8.2: Πορεία δεύτερης αυτόνομης πτήσης (υπόβαθρο Google Sat).... 66 Εικόνα 8.3: Πορεία τρίτης αυτόνομης πτήσης (υπόβαθρο Google Sat).... 67 Εικόνα 8.4: Πορεία τέταρτης αυτόνομης πτήσης (υπόβαθρο Google Sat).... 67 Εικόνα 8.5: Πορεία πέμπτης αυτόνομης πτήσης (υπόβαθρο Google Sat).... 67 Εικόνα 8.6: Στόχοι σημεία ελέγχου στο έδαφος.... 68 Εικόνα 8.7: Διάταξη σημείων ελέγχου, σε όλο το εύρος της περιοχής μελέτης... 70 Εικόνα 8.8: Θέσεις κάμερας ανά λήψη φωτογραφίας και επικάλυψη φωτογραφιών. 71 Εικόνα 8.9: Νέφος σημείων (dense point cloud), στο λογισμικό Visual SFM.... 72 Εικόνα 8.10: Τριγωνική επιφάνεια (mesh) 3D μοντέλου (δεξιά) και προσθήκη υφής (αριστερά), στο VisualSFM.... 72 Εικόνα 8.11:Πυκνό νέφος σημείων, τριγωνική επιφάνεια και απόδοση υφής και χρώματος, στο λογισμικό CMPMVS.... 73 Εικόνα 8.12: Ψηφιακό μοντέλο εδάφους από το λογισμικό CMPMVS.... 73 Εικόνα 8.13: Ορθοφωτογραφία, από το λογισμικό CMPMVS.... 74 Εικόνα 8.14: Νέφος σημείων (dense point cloud), στο Agisoft Photoscan.... 76 Εικόνα 8.15: Διακριτική ικανότητα (GSD) 2,96 cm και 1.8 μm2.... 76 Εικόνα 8.16: Τριγωνική επιφάνεια (mesh) 3D μοντέλου (δεξιά) και προσθήκη υφής και χρώματος (αριστερά), στο Agisoft Photoscan.... 77 Εικόνα 8.17: Γεωαναφερμένη ορθοφωτογραφία περιοχής μελέτης.... 77 Εικόνα 8.18: Ψηφιακό μοντέλο εδάφους (DEM) περιοχής μελέτης.... 78 Εικόνα 9.1: Πορεία πρώτης αυτόνομης πτήσης (υπόβαθρο Google Sat).... 80 Εικόνα 9.2: Πορεία δεύτερης αυτόνομης πτήσης (υπόβαθρο Google Sat).... 80 Εικόνα 9.3: Πορεία τρίτης αυτόνομης πτήσης (υπόβαθρο Google Sat).... 81 Εικόνα 9.4: Στόχοι σημεία ελέγχου στο έδαφος.... 82 Εικόνα 9.5: Διάταξη σημείων ελέγχου, σε όλο το εύρος της περιοχής μελέτης... 82 Εικόνα 9.6: Θέσεις κάμερας ανά λήψη φωτογραφίας και επικάλυψη φωτογραφιών. 84 Εικόνα 9.7: Νέφος σημείων (dense point cloud), στο λογισμικό Visual SFM.... 85 Εικόνα 9.8: Τριγωνική επιφάνεια (mesh) 3D μοντέλου (δεξιά) και προσθήκη υφής και χρώματος (αριστερά), στο λογισμικό Meshlab.... 85 Εικόνα 9.9:Νέφος σημείων (dense point cloud), στο λογισμικό CMPMVS.... 86 ix

Εικόνα 9.10: Τριγωνική επιφάνεια (mesh) 3D μοντέλου (δεξιά) και προσθήκη υφής και χρώματος (αριστερά), στο λογισμικό CMPMVS.... 86 Εικόνα 9.11: Ορθοφωτοχάρτης, από το λογισμικό CMPMVS.... 87 Εικόνα 9.12: Ψηφιακό Μοντέλο Εδάφους, από το λογισμικό CMPMVS.... 87 Εικόνα 9.13: Νέφος σημείων (dense point cloud), στο λογισμικό Agisoft Photoscan.... 89 Εικόνα 9.14: Τριγωνική επιφάνεια (mesh) 3D μοντέλου (δεξιά) και προσθήκη υφής και χρώματος (αριστερά), στο λογισμικό Agisoft Photoscan.... 89 Εικόνα 9.15: Γεωαναφερμένη Ορθοφωτογραφία, από το λογισμικό Agisoft Photoscan.... 90 Εικόνα 9.16: Ψηφιακό μοντέλο εδάφους, από το λογισμικό Agisoft Photoscan.... 90 Εικόνα 10.1: Πυκνό νέφος σημείων, όπως προέκυψε από τα λογισμικά VisualSFM, Agisoft Photoscan και CMPMVS, αντίστοιχα.... 95 Εικόνα 10.2: Σημεία που αποτελούν θόρυβο (αριστερά) και δημιουργία διπλής τριγωνικής επιφάνειας (δεξιά),στο κάτω μέρος της επιφάνειας (CMPMVS).... 96 Εικόνα 10.3: Χαρακτηριστικά ορθοφωτογραφίας, από το λογισμικό Agisoft Photoscan.... 97 Εικόνα 10.4 : Χαρακτηριστικά ορθοφωτογραφίας, από το λογισμικό CMPMVS.... 97 x

Πίνακας Διαγραμμάτων Διάγραμμα 4.1: Αλγοριθμικές Διαδικασίες SFM.... 34 Διάγραμμα 5.1: Διαδικασία επεξεργασίας στο λογισμικό Visual SFM.... 45 Διάγραμμα 6.1: Διαδικασία επεξεργασίας στο λογισμικό Agisoft Photoscan... 52 xi

Πίνακας Πινάκων Πίνακας 8.1: Συντεταγμένες σημείων ελέγχου στην παραλία Ερεσού, σε UTM 35N. 69 Πίνακας 8.2: Στοιχεία των αυτόνομων πτήσεων που πραγματοποιήθηκαν για την συλλογή των απαιτούμενων αεροφωτογραφιών.... 70 Πίνακας 8.3: Σφάλματα (RMSE) των σημείων ελέγχου στην παραλία Ερεσού.... 75 Πίνακας 9.1 : Συντεταγμένες Σημείων ελέγχου.... 81 Πίνακας 9.2: Στοιχεία των αυτόνομων πτήσεων που πραγματοποιήθηκαν για την συλλογή των απαιτούμενων αεροφωτογραφιών.... 83 Πίνακας 9.3: Σφάλματα (RMSE) των σημείων ελέγχου στο Αρχαίο Θέατρο.... 88 Πίνακας 10.1: Ποσοτική σύγκριση μεταξύ των λογισμικών ανοιχτού και κλειστού κώδικα.... 93 Πίνακας 10.2 : Ποιοτική σύγκριση μεταξύ των λογισμικών ανοιχτού και κλειστού κώδικα... 95 xii

Πίνακας Συντομογραφιών CMVS: Cluster Multi View Stereo DEM: Digital Elevation Model DGPS: Differential GPS DSM: Digital Surface Model DTM: Digital Terrain Model GCP: Ground Control Point GIS: Geographical Information System GNSS: Global Navigation Satellite System GPS: Global Positioning System HALE: High-altitude, long-endurance INS: Inertial Navigation System LiDAR: Light Detection and Ranging MALE: Medium-altitude, long-endurance MAV: Micro Aerial Vehicle M-class: Micro & Mini UAV systems NAV: Nano Air Vehicles PMVS: Patch- based Multi View Stereo RMSE: Root Mean Squared Error RTK: Real Time Kinematic SFM: Structure From Motion TUAV: Tactical UAV UAS: Unmanned Aircraft System UAV: Unmanned Aerial Vehicle UTM: Universal Transverse Mercator VTOL: Vertical take-off and landing WGS84: World Geodetic System 1984 3D: Three - Dimensional xiii

Περίληψη Η δημιουργία τρισδιάστατων μοντέλων, από αλληλουχίες ψηφιακών φωτογραφιών, με τη χρήση μεθόδων και αλγορίθμων υπολογιστικής όρασης έχει αναπτυχθεί πολύ τα τελευταία χρόνια ενώ χρησιμοποιείται ευρύτατα σε πολλούς επιστημονικούς τομείς και εφαρμογές. Οι μέθοδοι αυτές σε συνδυασμό με τη χρήση μη επανδρωμένων εναέριων οχημάτων (UAV), ως εναέριες πλατφόρμες συλλογής δεδομένων, αποτελεί μια εναλλακτική και ευέλικτη μέθοδο για τη δημιουργία τρισδιάστατης γεωχωρικής πληροφορίας. Στην εργασία αυτή παρουσιάζεται αναλυτικά η διαδικασία ανάκτησης εναέριων φωτογραφιών με τη χρήση UAV, η επεξεργασία τους με τη μέθοδο Structure from motion (SFM), σε λογισμικά ανοιχτού και κλειστού κώδικα, καθώς και τα παραγόμενα αποτελέσματα της τρισδιάστατης μοντελοποίησης και απεικόνισης της χωρικής πληροφορίας (π.χ. ορθοφωτογραφία, ψηφιακό μοντέλο εδάφους, τρισδιάστατη απεικόνιση περιοχών μελέτης). Πρόσθετα στην εργασία αυτή παρουσιάζονται και αναλύονται οι δυνατότητες της χρήσης UAV σε δύο επιμέρους εφαρμογές: 1. Καταγραφή παρακολούθηση διάβρωσης και μεταφοράς φερτών υλικών σε παράκτια περιοχή. (Παραλία σκάλας Ερεσού) 2. Καταγραφή αρχαιολογικού χώρου. (Αρχαίο Θέατρο Μυτιλήνης) Τέλος, παρουσιάζονται οι δυσκολίες και τα προβλήματα που αντιμετωπίστηκαν για την ολοκλήρωση της συλλογής και της επεξεργασίας των χωρικών δεδομένων με τη χρήση UAV καθώς και η σύγκριση των παραγόμενων αποτελεσμάτων ως προς την ακρίβεια και την ποιότητα τους. xiv

Abstract The use of Unmanned Aerial Vehicles (UAV) data acquisition of spatial data are used widely in the last years in many scientific fields and applications. This study presents a workflow called UAV-SFM where computer vision algorithms and Structure from motion pipeline are used for the 3D visualization of spatial data derived for UAS platforms. In this workflow the combination of UAV as aerial platforms for spatial data acquisition and Structure from motion pipelines consist an alternative and flexible method for the 3D reconstruction of spatial data. The workflow presented consist of a) UAV mission planning b) spatial data acquisition and c) the use of Structure from Motion (SFM) software and algorithms (open and non-open source). Furthermore the produced 3D models and visualizations of the study areas (orthophoto, digital elevation model) are presented as well as with the comparison of the results for both open and non-open source algorithmic pipelines. All the difficulties and problems encountered to the collection and processing of the spatial data using UAS platforms are presented. Additionally this work presents and analyzes the geovisualizations produced from the proposed methodology in two real world applications: 1. Monitoring Coastline Morphology (Beach of Skala Eresou) 2. Mapping Cultural Heritage (Ancient Theatre of Mytilini) Finally the comparison of the produced results, as far as the accuracy and quality concerns and the great potential of using UAVs into 3D geovisualization are discussed. xv

Εισαγωγή Τα τελευταία χρόνια η χρήση μη επανδρωμένων εναέριων συστημάτων (UAS), για την συλλογή δεδομένων ικανών να αποτυπώσουν με μεγάλη ακρίβεια την πολυπλοκότητα της γεωχωρικής πληροφορίας σε τρισδιάστατες απεικονίσεις, αποτελεί μια γρήγορη και ευέλικτη μέθοδο. Η επεξεργασία των υψηλής ανάλυσης αεροφωτογραφιών που ανακτώνται από τα UAS, γίνεται με τη χρήση τεχνολογιών υπολογιστικής όρασης και προηγμένων λογισμικών φωτογραμμετρίας, με στόχο την παραγωγή μεγάλης ακρίβειας χωρικής πληροφορίας, ορθοφωτογραφιών, τρισδιάστατων απεικονίσεων κτλ. Η χρήση των μη επανδρωμένων εναέριων οχημάτων για την συλλογή χωρικών δεδομένων, αυξάνεται συνεχώς λόγω των πλεονεκτημάτων τους σε σύγκριση με παραδοσιακές μεθόδους αποτύπωσης για χρήση σε φωτογραμμετρικές και τρισδιάστατες απεικονίσεις. Πλεονεκτήματα της χρήσης των εναέριων οχημάτων, αποτελούν η ταχύτητα συλλογής δεδομένων, η κάλυψη περιοχών μεγάλης κλίμακας, το πλήθος των πληροφοριών μετρήσεων που συλλέγονται σε μικρό χρονικό διάστημα καθώς και η ικανότητα χαρτογράφησης δυσπρόσιτων περιοχών, καθώς οι μετρήσεις γίνονται από απόσταση. Κύριος στόχος της παρούσας μελέτης είναι η διερεύνηση μεθόδων τρισδιάστατης απεικόνισης χωρικής πληροφορίας, με τη χρήση τεχνολογιών υπολογιστικής όρασης και των UAS ως εναέριες πλατφόρμες συλλογής δεδομένων. Στο πλαίσιο της παρούσας εργασίας διερευνάται η χρήση λογισμικών πολυεικονικής φωτογραμμετρίας ανοιχτού και κλειστού κώδικα σε εφαρμογές καταγραφής και παρακολούθησης της διάβρωσης και μεταφοράς φερτών υλικών στην παράκτια περιοχή της Σκάλας Ερεσού καθώς και της καταγραφής των υφιστάμενων δομών του Αρχαίου Θεάτρου Μυτιλήνης,. Πρόσθετα πραγματοποιείται σύγκριση και αξιολόγηση των αποτελεσμάτων που προκύπτουν από τα διαφορετικά λογισμικά επεξεργασίας, ενώ στο τέλος γίνονται προτάσεις για την βέλτιστη χρήση και τον συγκερασμό των τεχνολογιών UAS και των λογισμικών υπολογιστικής όρασης. Στο πρώτο κεφάλαιο, παρουσιάζεται σύντομη περιγραφή της επιστήμης της φωτογραμμετρίας και της φωτογραμμετρικής διαδικασίας, καθώς και η εξέλιξη της, από την αναλογική μέχρι την εναέρια φωτογραμμετρία, με χρήση UAS. Στο δεύτερο κεφάλαιο, γίνεται αναφορά στην αεροφωτογραφία, την ιστορική εξέλιξη της καθώς και τους τύπους αεροφωτογραφιών. Στη συνέχεια, παρουσιάζονται αναλυτικά τα UAS, ως προς τος ορισμό, την εξέλιξη, καθώς και τις διαθέσιμες κατηγοριοποιήσεις τους. Ενώ αναφέρονται εφαρμογές χρήσης τους όπως π.χ. στους xvi

τομείς της αρχαιολογίας, τηλεπισκόπισης, καθώς και για την πρόληψη κινδύνων, την προστασία του περιβάλλοντος κ.α. Στο τρίτο κεφάλαιο, γίνεται αναφορά στις ενέργειες και τις διαδικασίες που πρέπει να ακολουθηθούν πριν την πραγματοποίηση πτήσης UAS για την ανάκτηση χωρικής πληροφορίας, καθώς και των παραμέτρων που πρέπει να λαμβάνονται υπόψη, για το σωστό σχεδιασμό πτήσης και την λήψη καλής ποιότητας δεδομένων. Στο τέταρτο κεφάλαιο, αναπτύσσεται η μεθοδολογία που ακολουθήθηκε με τη χρήση της μεθόδου Structure from motion καθώς και των αλγορίθμων που χρησιμοποιεί. Καθώς και μια αναφορά σε διαθέσιμα λογισμικά επεξεργασίας, τα οποία ακολουθούν αυτή τη μεθοδολογία. Στο πέμπτο και έκτο κεφάλαιο, γίνεται περιγραφή των διαδικασιών που ακολουθούν τα λογισμικά, ανοιχτού κώδικα Visual SFM, σε συνδυασμό με το CMPMVS και κλειστού κώδικα Agisoft Photoscan, αντίστοιχα. Τα οποία και χρησιμοποιούνται στη συνέχεια για την παραγωγή των 3D απεικονίσεων στις περιοχές μελέτης. Καθώς και αναφορά στις δυνατότητες και τα αποτελέσματα που προσφέρει το καθένα. Στο έβδομο κεφάλαιο, παρουσιάζονται τα επιμέρους τμήματα του συστήματος UAS, τα οποία χρησιμοποιήθηκαν στις περιοχές μελέτης, για τη συλλογή χωρικής πληροφορίας. Ενώ γίνεται αναφορά και στα λογισμικά επεξεργασίας που χρησιμοποιήθηκαν για την δημιουργία τρισδιάστατης απεικόνισης. Στο όγδοο και ένατο κεφάλαιο, περιγράφονται αναλυτικά οι διαδικασίες και τα αποτελέσματα που προέκυψαν από τις εφαρμογές καταγραφής της παραλίας σκάλας Ερεσού και του Αρχαίου θεάτρου Μυτιλήνης, αντίστοιχα. Στο δέκατο κεφάλαιο, παρουσιάζεται μια ποσοτική και ποιοτική σύγκριση μεταξύ των παραγόμενων προϊόντων, των λογισμικών ανοιχτού και κλειστού κώδικα. Τέλος, στο ενδέκατο κεφάλαιο, γίνεται αξιολόγηση και αναφορά στα προβλήματα που προέκυψαν με τη χρήση UAV σε συνδυασμό με τη μέθοδο SFM, για τη συλλογή και επεξεργασία χωρικής πληροφορίας. xvii

Κεφάλαιο 1 ο 1. Φωτογραμμετρική Απεικόνιση Η Φωτογραμμετρία αποτελεί την τέχνη, επιστήμη και τεχνολογία για την απόκτηση αξιόπιστης πληροφορίας σχετικά με φυσικά αντικείμενα και το περιβάλλον, μέσα από διαδικασίες καταγραφής, μέτρησης και ερμηνείας φωτογραφικών εικόνων αλλά και προτύπων ηλεκτρομαγνητικής ακτινοβολίας (ASP, 1980). Είναι μια επιστήμη καταγραφής και τεκμηρίωσης των γεωμετρικών και ποιοτικών χαρακτηριστικών αντικειμένων, του πραγματικού κόσμου. Έτσι εμφανίζει πολλές ομοιότητες με επιστήμες όπως η τοπογραφία, η χαρτογραφία, και η τηλεπισκόπιση, με τη διαφορά ότι οι φωτογραμμετρικές μετρήσεις γίνονται έμμεσά και όχι άμεσα. Ως εκ τούτου, αποτελούν έμμεσους τρόπους καταγραφής της θέσης, του σχήματος και των διαστάσεων των αντικειμένων, καθώς δεν χρησιμοποιούν απευθείας μετρήσεις πάνω στο αντικείμενο, αλλά τη μετρική πληροφορία που συλλέγεται πάνω σε μια φωτογραφική εικόνα. Η μετρική πληροφορία εμπεριέχει και την αναγνώριση του αντικειμένου, αλλά κυρίως έχει ως περιεχόμενο τον ακριβή προσδιορισμό της θέσης του αντικειμένου στον τρισδιάστατο χώρο, σε σχέση με άλλα αντικείμενα ή σε σχέση με ένα σύστημα αναφοράς και τον ακριβή προσδιορισμό γεωμετρικών στοιχείων όπως μήκη, πλάτη, ύψη, γωνίες κ.α. Ένα άλλο χαρακτηριστικό της φωτογραμμετρίας είναι ότι οι μεθοδολογίες της διαμορφώνονται ακολουθώντας στενά την εξέλιξη της τεχνολογίας της ψηφιακής πληροφορίας. Έτσι απαιτείται συνεχής εκπαίδευση και ενημέρωση πάνω σε διάφορα θέματα όπως η επεξεργασία ψηφιακών εικόνων, συστημάτων πληροφοριών κ.α. (Πατιάς 1991) 1

1.1 Σημαντικότερα στάδια εξέλιξής της φωτογραμμετρίας Αναλογική φωτογραμμετρία, όπου με χρήση των οπτικομηχανικών μέσων κατέστη δυνατή η εξαγωγή της θέσης στις τρεις διαστάσεις λεπτομερειών ενός εικονιζόμενου αντικειμένου σε ένα στερεοζεύγος φωτογραφιών, οι οποίες έχουν ληφθεί από διαφορετικές θέσεις με σημαντική επικάλυψη. Αναλυτική φωτογραμμετρία, όπου οι φωτογραμμετρικές διαδικασίες γίνονται με υπολογιστικά μέσα, ενώ για πρώτη φορά χρησιμοποιούνται Η/Υ για τον υπολογισμό των παραμέτρων των φωτογραφικών εικόνων και των προσανατολισμών τους, καθώς και ο προσδιορισμός στον τρισδιάστατο χώρο της θέσης των λεπτομερειών των αντικειμένων. Ψηφιακή φωτογραμμετρία, που σημαίνει το τέλος της επεξεργασίας των αναλογικών φωτογραφιών, αφού πλέον γίνεται με υπολογιστικά μέσα σε ψηφιακές απεικονίσεις (σκαναρισμένες εικόνες ή πρωτογενείς ψηφιακές εικόνες) όχι μόνο του ορατού φάσματος της Η/Μ ακτινοβολίας αλλά και άλλων προτύπων της όπως πχ. στο μήκος κύματος των μικροκυμάτων, υπέρυθρων ακτινών κλπ. Πλέον η φωτογραμμετρία βρίσκεται στο επόμενο στάδιο εξέλιξής της, όπου σε συνδυασμό με τις δυνατότητες που προσφέρει η υπολογιστική όραση (Computer Vision) -ένα από τα πιο γρήγορα εξελισσόμενα πεδία της επιστήμης των υπολογιστώνμπορεί να παράγει με τη χρήση φωτογραφιών, πλήρη τρισδιάστατα αντικείμενα και ορθοφωτογραφίες. Τα λογισμικά, έχουν τη δυνατότητα να επεξεργάζονται μεγάλο αριθμό φωτογραφιών και να παράγουν προϊόντα που χαρακτηρίζονται από υψηλό βαθμό ακριβείας. Οι περισσότερες διαδικασίες για την παραγωγή τους, πραγματοποιούνται αυτόματα χωρίς την παρέμβαση του χρήστη. 1.2 Πλεονεκτήματα μεθόδου Ταχύτητα: η παραγωγή χαρτών με φωτογραμμετρικές μεθόδους είναι ταχύτερη από οποιαδήποτε άλλη μεθοδολογία που στηρίζεται σε επίγειες μετρήσεις. Η κάλυψη μιας περιοχής είναι μεγαλύτερη, με τη χρήση εναέριων μέσων από ότι με επίγειες μετρήσεις, οι οποίες απαιτούν και περισσότερο χρόνο συλλογής πληροφοριών. Οικονομία: μικρό κόστος, το οποίο συνδέεται άμεσα με την ταχύτητα της συλλογής δεδομένων. Προσπελασιμότητα εδάφους: είναι σαφές το πλεονέκτημα των φωτογραμμετρικών έναντι των επίγειων μετρήσεων σε περιπτώσεις όπως αρκτικές περιοχές, πυκνής βλάστησης, απόκρημνα μέρη, ερήμους, ηφαιστειογενείς περιοχές κ.α. 2

Συνεχής απεικόνιση: στη φωτογραμμετρία οι πληροφορίες συλλέγονται από φωτογραφίες, οι οποίες αποτελούν συνεχή απεικόνιση του φυσικού κόσμου. Περιοχές με λεπτομέρειες απαιτούν υπερβολικά πολλές επίγειες μετρήσεις για την αποτύπωση τους, σε αντίθεση με τις πληροφορίες που παρέχονται από τις φωτογραφίες. 1.3 Μειονεκτήματα μεθόδου Πολλές πηγές σφαλμάτων: απαιτούνται πολυπλοκότερες μεθοδολογίες επεξεργασίας για την απαλοιφή των σφαλμάτων και για την παραγωγή αποτελεσμάτων ακριβείας. Απαίτηση σημείων ελέγχου: η φωτογραμμετρία βασίζει τις μεθοδολογίες της σε κάποια ήδη υπάρχουσα πληροφορία. Είναι δηλαδή απαραίτητη η ύπαρξη γνωστών σημείων στο έδαφος. Η μεθοδολογία εξαρτάται από το αποτέλεσμα προηγούμενων επίγειων μετρήσεων. 1.4 Βασικά βήματα φωτογραμμετρικής διαδικασίας Όπως αναφέρθηκε ήδη, η φωτογραμμετρία ορίζεται ως ένα σύνολο τεχνικών που αποσκοπούν στην απόδοση, δηλαδή στον πιστότερο γεωμετρικό προσδιορισμό αντικειμένων του τρισδιάστατου χώρου, από μετρήσεις σε εικόνες. Αρχικά γίνεται ο σχεδιασμός λήψης των εικόνων, λαμβάνοντας υπόψη τα διατιθέμενα μέσα, όπως τον τύπο της μηχανής λήψης. Στη συνέχεια λαμβάνει χώρα η συλλογή των εικόνων, µε λήψεις αεροφωτογραφιών, επίγειες λήψεις ή και µε δορυφορικές εικόνες. Ακολουθεί η επεξεργασία των εικόνων λήψης, με υπολογισμό των σημείων του χώρου, καθώς και των γεωδαιτικών συντεταγμένων τους. Τα σημεία του τρισδιάστατου χώρου απεικονίζονται στην εικόνα μέσω μιας δέσμης ακτίνων προβολής, που συντρέχουν στο κέντρο προβολής της εικόνας και κάθε σημείο βρίσκεται πάνω στην ακτίνα που του αντιστοιχεί, χωρίς όμως να είναι γνωστή η ακριβής του θέση. Έτσι γίνεται σαφές ότι με τη χρήση μιας μόνο εικόνας, δεν είναι δυνατός ο προσδιορισμός ή η αποτύπωση του τρισδιάστατου χώρου. Χρειάζονται λοιπόν τουλάχιστον δύο διαδοχικές εικόνες, που έχουν ληφθεί από διαφορετικό σημείο. Οι διαφορετικές προοπτικές απεικονίσεις που προκύπτουν, επιτρέπουν τη δημιουργία συνθηκών τεχνητής στερεοσκοπικής όρασης, στην οποία στηρίζεται το μεγαλύτερο μέρος των φωτογραμμετρικών εφαρμογών. 3

Εικόνα 1.1: Απεικόνιση αντικειμένου σε διαδοχικές εικόνες μιας αεροφωτοληψίας. Πηγή: (Πέτσα, 2000) Για τον σωστό προσδιορισμό των τρισδιάστατων σημείων, ως αλληλοτοµίες δύο δεσμών ακτινών, αυτές θα πρέπει να έχουν προηγουμένως, τοποθετηθεί και προσανατολιστεί σωστά στον χώρο. Αυτό προϋποθέτει την εξασφάλιση ότι οι δέσμες είναι κεντρικές προβολές, δηλαδή ότι έχουν προσανατολιστεί εσωτερικά (ανάπλαση δέσμης ακτινών) και εξωτερικά (αποκατάσταση θέσης της δέσμης στον χώρο) 1.4.1 Εσωτερικός προσανατολισμός Εσωτερικός προσανατολισμός, ονομάζεται η διαδικασία κατά την οποία αποκαθίσταται η πορεία της φωτεινής ακτίνας μέσα στη μηχανή, κατά τη στιγμή της λήψης. Δηλαδή αναφέρεται στην εσωτερική γεωμετρία της φωτομηχανής κατά τη στιγμή λήψης της κάθε φωτογραφίας. Ο προσδιορισμός των παραμέτρων του εσωτερικού προσανατολισμού ονομάζεται βαθμονόμηση μηχανής (camera calibration). Βαθμονόμηση μιας μετρικής μηχανής είναι η διαδικασία προσδιορισμού των γεωμετρικών χαρακτηριστικών της. Η γνώση των χαρακτηριστικών αυτών είναι απαραίτητη, αν οι φωτογραφίες που θα ληφθούν με τη μηχανή αυτή, πρόκειται να χρησιμοποιηθούν για ακριβείς μετρήσεις αντικειμένων του φυσικού κόσμου ή την κατασκευή χαρτών. Τα στοιχεία του εσωτερικού προσανατολισμού που προσδιορίζονται, είναι η βαθμονομημένη εστιακή απόσταση c, οι συντεταγμένες xo, yo του πρωτεύοντος σημείου, οι συντεταγμένες των εικονοσημάτων, όταν υπάρχουν, στο σύστημα του φωτογραφικού επιπέδου και η ακτινική παραμόρφωση των φακών (Δr). 4

Εικόνα 1.2: Βασικές παράμετροι εσωτερικού προσανατολισμού. Πηγή: (Πέτσα, 2000) Οι δύο βασικές μέθοδοι βαθμονόμησης μηχανής, είναι: Εργαστηριακή βαθμονόμηση: Αφορά τις μετρικές μηχανές και πραγματοποιείται από τον κατασκευαστή ή σε ειδικά εργαστήρια, µε προϊόν το πρωτόκολλο βαθμονόμησης που περιλαμβάνει όλα τα απαραίτητα στοιχεία. Βαθμονόμηση πεδίου: Πρόκειται για αμιγώς φωτογραµµετρική διαδικασία, όπου (σε µία ή περισσότερες εικόνες, ανάλογα µε την μέθοδο) μετρούνται και συν ορθώνονται σημεία µε γνωστές γεωδαιτικές συντεταγμένες ( πεδίο ελέγχου φωτοσταθερών σημείων ) είτε και άγνωστες ( αυτοβαθµονόµηση ή αυτορρύθμιση ). Η βαθμονόμηση πεδίου είναι δυνατόν να προηγηθεί της καθαυτής φωτογραµµετρικής λήψης ( προβαθµονόµηση ) ή να διεξαχθεί κατά την φωτογραµµετρική εργασία. Σήμερα χρησιμοποιείται συχνά η έννοια της βαθμονόμησης συστήματος (System Calibration), καθώς εκτός από τη μηχανή λήψης των φωτογραφιών, γίνεται χρήση και άλλων συσκευών. Αυτή αποτελεί πολύ σημαντικό κομμάτι της διαδικασίας του άμεσου ή ολοκληρωμένου προσανατολισμού της μηχανής (direct or integrated sensor orientation). Ο προσανατολισμός αισθητήρα (sensor orientation) έχει αντικαταστήσει την έννοια του προσανατολισμού εικόνας (image orientation) και περιλαμβάνει τον εσωτερικό και εξωτερικό προσανατολισμό, καθώς και τις παραμέτρους βαθμονόμησης του συστήματος (Heipke et al. 2002). Η ταυτόχρονη επεξεργασία των στοιχείων του GPS με τις πληροφορίες που λαμβάνονται από τις εικόνες, για τον προσδιορισμό του εξωτερικού προσανατολισμού σε ένα πρόγραμμα αεροτριγωνισμού, αναφέρεται ως Ολοκληρωμένος Προσανατολισμός Αισθητήρων (ISO).(Jacobsen, K., & Schmitz 1996) Η γνώση του εσωτερικού προσανατολισμού συνεπώς, επιτρέπει τη γεωμετρική ανακατασκευή της δέσμης των προβολικών ακτινών, η οποία θα πρέπει εν συνεχεία να ενταχθεί στο σύστημα του χώρου (γεωδαιτικό σύστημα). Η αποκατεστημένη δέσμη 2

συνιστά στην πραγματικότητα ένα στερεό σώμα, επομένως υπόκειται στους βαθμούς ελευθερίας ενός στερεού σώματος. Αυτοί είναι έξι: τρεις μεταθέσεις κατά την διεύθυνση των τριών αξόνων ΧΥΖ και τρεις στροφές περί τους άξονες αυτούς. Κατά συνέπεια, έξι είναι και οι παράμετροι του εξωτερικού προσανατολισμού μιας εικόνας (μιας δέσμης), µέσω των οποίων αυτή εντάσσεται στο σύστημα του χώρου. (Πέτσα 2000) 1.4.2 Εξωτερικός προσανατολισμός Η γνώση του εσωτερικού προσανατολισμού επιτρέπει, την γεωμετρική ανακατασκευή της δέσμης των προβολικών ακτινών, η οποία βέβαια θα πρέπει εν συνεχεία να ενταχθεί στο σύστημα του χώρου (γεωδαιτικό σύστημα). Ο εξωτερικός προσανατολισμός αναφέρεται στη σχέση που υπάρχει ανάμεσα στο σύστημα συντεταγμένων της φωτογραφίας και σε ένα αυθαίρετο επίγειο σύστημα συντεταγμένων. Δηλαδή, ο εξωτερικός προσανατολισμός μιας φωτογραφίας κατά τη διάρκεια λήψης της, ορίζεται από τη θέση του σημείου λήψης στο χώρο και από τον προσανατολισμό του οπτικού άξονα. Η θέση του σημείου λήψης ορίζεται από τις τρεις γεωδαιτικές συντεταγμένες του (Xo, Yo, Zo) στο επίγειο σύστημα αναφοράς, ενώ ο προσανατολισμός του οπτικού άξονα από τρεις γωνίες ω, φ και κ. Ο υπολογισμός τους βασίζεται σε μια μαθηματική σχέση, τη συνθήκη συγγραμμικότητας, η οποία συνδέει σημεία πάνω στη φωτογραφία, με τα αντίστοιχα σημεία στο έδαφος. Αφού πρόκειται για ένταξη στο γεωδαιτικό σύστημα, απαιτείται η γνώση κάποιων στοιχείων του χώρου, συνήθως σημείων µε γνωστές γεωδαιτικές συντεταγμένες που ονομάζονται φωτοσταθερά σημεία. Ο προσδιορισμός των παραμέτρων του εξωτερικού προσανατολισμού είναι απαραίτητος για την εξαγωγή αξιόπιστης τρισδιάστατης πληροφορίας από μετρήσεις σε φωτογραφίες. Ο εξωτερικός επιτυγχάνεται με τον σχετικό και τον απόλυτο προσανατολισμό. 3

Εικόνα 1.3: Σχετικός και απόλυτος προσανατολισμός στερεοζεύγους. Πηγή: (Πέτσα, 2000) Σχετικός προσανατολισμός, ονομάζεται η διαδικασία κατά την οποία οι δύο επικαλυπτόμενες φωτογραφίες ενός στερεοζεύγους σχετίζονται μεταξύ τους σε κάποιο αυθαίρετο χώρο, έτσι ώστε η σχέση τους αυτή να είναι η ίδια που υπήρχε κατά τη στιγμή λήψης. Για τον υπολογισμό του χρειάζεται ο προσδιορισμός πέντε παραμέτρων. Το αποτέλεσμα αυτής της διαδικασίας είναι ο σχηματισμός ενός τρισδιάστατου μοντέλου της πραγματικότητας σε αυθαίρετο χώρο και σε αυθαίρετη κλίμακα. Το σχετικά προσανατολισμένο ζεύγος φωτογραφιών έχει μια αυθαίρετη σχέση με το επίγειο σύστημα συντεταγμένων. Η διαδικασία αποκατάστασης της πραγματικής σχέσης που υπάρχει ανάμεσα στο τρισδιάστατο μοντέλο και στο έδαφος, ονομάζεται απόλυτος προσανατολισμός. Κατά τη διαδικασία αυτή προσδιορίζονται 7 παράμετροι και είναι η κλίμακα του μοντέλου, οι τρεις μεταθέσεις και οι τρεις στροφές του. 4

Κεφάλαιο 2 ο 2 Αεροφωτογραφία & Unmanned Aerial Vehicles (UAV) Ως αεροφωτογραφία χαρακτηρίζεται οποιαδήποτε φωτογραφία της γήινης επιφάνειας (ξηράς ή θάλασσας) έχει ληφθεί από αέρος, δηλαδή από πτητικό μέσο, (αεροπλάνο, ελικόπτερο, αερόστατο κ.λπ.). Ανάλογα της διεύθυνσης του σημείου λήψης προς τον ορίζοντα αυτή διακρίνεται σε κατακόρυφη, κεκλιμένη και πλάγια αεροφωτογραφία. 2.1 Ιστορική εξέλιξη αεροφωτογραφίας Για πρώτη φορά, λήψη αεροφωτογραφίας έγινε το 1858 από αερόστατο από τον Gaspard - Félix Tournachon (ο επονομαζόμενος Nadar) στη Γαλλία. Το 1883, οι Γερμανοί Sturm και Hauck διατυπώνουν τη σχέση ανάμεσα στην προβολική γεωμετρία και τη φωτογραφία μετά από φωτογραφικές λήψεις από αερόστατο και χαρταετούς. Το 1903, κατασκευάστηκε ο πρώτος χάρτης με τη βοήθεια αεροφωτογραφιών, από αερόστατο, από τον S. Finsterwalder, ενώ παράλληλα αναπτύσσεται η θεωρία του προσανατολισμού ζεύγους φωτογραφιών. Κατά τη διάρκεια του Α' Παγκοσμίου Πολέμου έγιναν πολλές πτήσεις, στρατιωτικού χαρακτήρα, ειδικά για φωτογραφική αναγνώριση περιοχών. Στη διάρκεια του μεσοπολέμου η χρήση της αεροφωτογραφίας για ειρηνικούς σκοπούς άρχισε να επεκτείνεται σε πολλούς τομείς εναέριας έρευνας, όπως στη χαρτογραφία, τοπογραφία, μετακινήσεις ζώων, εκθέσεις φυσικών καταστροφών κ.τ.λ. Στη διάρκεια του Β' Παγκοσμίου Πολέμου η τεχνική της αεροφωτογράφισης βελτιώθηκε σε πολύ μεγάλο βαθμό κάνοντας ακόμα χρήση και υπέρυθρων ακτινών, ειδικών υπερευαίσθητων φιλμ (όπως στη χλωροφύλλη) για τον εντοπισμό αρμάτων και εγκαταστάσεων μέσα σε δάσος. Σήμερα, η εναέρια φωτογραμμετρία χρησιμοποιεί αεροσκάφος με ενσωματωμένη μετρητική μηχανή, για την λήψη φωτογραφιών. Τα τελευταία χρόνια η σημαντική εξέλιξη των φωτογραμμετρικών μεθόδων και της τεχνικής λήψης φωτογραφιών με τη 5

χρήση μη επανδρωμένου εναέριου οχήματος UAV, ευνόησε πολύ την εφαρμογή της φωτογραμμετρίας, αφού παλαιότερα, το κόστος για τη πτήση ενός αεροσκάφους ήταν αρκετά μεγάλο. Αντιθέτως η χρήση του τηλεκατευθυνόμενου εναέριου οχήματος, μετά την αγορά του, έχει μηδαμινό κόστος και η συλλογή πληροφοριών γίνεται ταχύτατα. 2.2 Τύποι αεροφωτογραφιών Όπως αναφέρθηκε, με βάση την κλίση του οπτικού άξονα, οι αεροφωτογραφίες διακρίνονται σε κατακόρυφες (vertical), κεκλιμένες (low oblique) και πλάγιες (high oblique) ή πανοραμικές. Στο παρακάτω σχήμα, παρουσιάζονται οι τρεις αυτοί τύποι αεροφωτογραφιών. Στην κατακόρυφη αεροφωτογραφία η κλίση του οπτικού άξονα με την κατακόρυφο δεν ξεπερνά τις 5 μοίρες. Στην κεκλιμένη αεροφωτογραφία, η κλίση ξεπερνά τις 5 μοίρες, χωρίς όμως να φαίνεται ο ορίζοντας. Τέλος στις πλάγιες αεροφωτογραφίες, η κλίση είναι αρκετά μεγάλη, ώστε να φαίνεται ο ορίζοντας. Εικόνα 2.1: Τύποι αεροφωτογραφιών. 2.3 Unmanned Aerial Vehicles (UAV) Ο όρος μη επανδρωμένα εναέρια οχήματα (Unmanned Aerial Vehicles, UAVs), χρησιμοποιείται συνήθως στην επιστήμη των υπολογιστών, της ρομποτικής και τεχνητής νοημοσύνης, καθώς και στους τομείς της φωτογραμμετρίας και της τηλεπισκόπισης. Τα UAV είναι εναέρια οχήματα πολλαπλών χρήσεων, τα οποία ελέγχονται εξ αποστάσεως και μπορούν να ρυθμιστούν ώστε να είναι αυτόνομα, 6

ημιαυτόνομα ή με συνδυασμό αυτών των δυνατοτήτων. Αρχικά χρησιμοποιήθηκαν για στρατιωτικούς σκοπούς, ενώ πλέον η χρήση τους εξαπλώνεται σε πολλούς επιστημονικούς τομείς. Συχνά, χρησιμοποιείται και ο όρος συστήματα μη επανδρωμένων οχημάτων (UAS). Ένα UAS (Unmanned Aircraft System), αποτελείται από ένα σύνολο τεχνολογιών. Τα κύρια μέρη ενός τέτοιου συστήματος, είναι το εναέριο μη επανδρωμένο όχημα (UAV), το ωφέλιμο φορτίο του (payload) και το επίγειο σύστημα ελέγχου (ground control station), που αποτελείται συνήθως από μεταφερόμενες συσκευές - υπολογιστές (hardware/ software) για την παρακολούθηση και την προώθηση εντολών στο όχημα, καθώς και τη σύνδεση επικοινωνίας δεδομένων μεταξύ τους, η οποία είναι πολύ σημαντική για τον χειρισμό και τον έλεγχο του οχήματος. Υπάρχουν πολλές κατηγορίες τέτοιων οχημάτων, είδη και κατασκευαστές, που διαφέρουν ως προς το βάρος, την τιμή, την εμβέλεια, την αντοχή, την ευελιξία, την εξάρτηση από τον καιρό (π.χ. άνεμο) και την ακρίβεια των αποτελεσμάτων, καθώς και ως προς τη λειτουργία του συστήματος, το εύρος, τα ύψη που καλύπτει και τις εφαρμογές. Η επιλογή ενός τέτοιου εναέριου οχήματος, εξαρτάται από τις απαιτήσεις του χρήστη και των εφαρμογών που θα χρησιμοποιηθεί. Τα UAV επιτρέπουν την καταγραφή και παρακολούθηση της θέσης και του προσανατολισμού των εφαρμοζόμενων αισθητήρων σε τοπικό ή παγκόσμιο σύστημα συντεταγμένων. Μπορούν να χρησιμοποιηθούν σε μεγάλης και μικρής κλίμακας εφαρμογές. Η ανάπτυξη της εναέριας τηλεπισκόπισης και χαρτογράφησης, εδώ και μερικά χρόνια, εξυπηρετεί τις ανάγκες απεικόνισης μεγάλης κλίμακας γεωχωρικών πληροφοριών, σε χαμηλό ύψος, ανοίγοντας νέους δρόμους σε αυτούς τους τομείς και εξυπηρετώντας πολλές και διαφορετικές ανάγκες, στην αγορά των χωρικών δεδομένων. Τα τελευταία χρόνια, τα μη επανδρωμένα εναέρια οχήματα (UAV), έχουν αναπτυχθεί για την απόκτηση υψηλής ανάλυσης αεροφωτογραφιών και χρήση τους σε πολλούς επιστημονικούς τομείς. Αρχικά τοποθετήθηκαν αισθητήρες πλοήγησης και χαρτογράφησης σε τηλεκατευθυνόμενες πλατφόρμες για την απόκτηση υψηλής ανάλυσης εικόνων, σε χαμηλό ύψος. Η ανταπόκριση ήταν μικρή, ωστόσο οι ανάγκες των χρηστών καθώς και η εξέλιξη στην τεχνολογία των μπαταριών, των συστημάτων αυτόματου πιλότου και των ψηφιακών φωτογραφικών μηχανών, επέτρεψαν την ανάπτυξη των οχημάτων αυτών και τελικά την χρήσης τους σε όλο και περισσότερους τομείς και εφαρμογές. 7

2.3.1 Επισκόπηση εξέλιξης των UAV Η πρώιμη έρευνα ξεκίνησε με μπαλόνια, χαρταετούς, περιστέρια και ρουκέτεςπυραύλους. Τα μπαλόνια θεωρούνται τα παλαιότερα μέσα εναέριας παρατήρησης για αρχαιολογικές εφαρμογές. Αργότερα έγινε χρήση χαρταετών στη μετεωρολογία και πυραύλων για αεροφωτογράφιση. Οι εναέριες φωτογραφίες με επανδρωμένα μέσα, χρησιμοποιήθηκαν αργότερα στον στρατιωτικό τομέα. Η εξέλιξη των ολοκληρωμένων κυκλωμάτων και τηλεκατευθυνόμενων συστημάτων, οδήγησαν στα σύγχρονα UAS. Πολλά πειράματα έγιναν για αεροφωτογραφίσεις κατά τη διάρκεια των πολέμων, που αργότερα συνδυάστηκαν με την αρχαιολογία, με τη χρήση αερόστατων, χαρταετών και άλλων τύπων εναέριας πλατφόρμας. Σε αυτά τα πειράματα οφείλεται η εξέλιξη και η ταχεία ανάπτυξη των μέσων και μεθόδων αεροφωτογράφισης σήμερα. (Anon 2008) Αργότερα, σε συνδυασμό με την ανάπτυξη της τεχνολογίας της κάμερας, χρησιμοποιήθηκαν και άλλα συστήματα, όπως χαρταετοί (Athur Batut, 1888 και Lawrence και Myers, 1906) και ρουκέτες-πύραυλοι ((Alfred Maul, 1904). Ένα από τα πιο συναρπαστικά πειράματα με τη χρήση μικρών καμερών, έγινε με περιστέρια (Bavarian Pigeon Corps, J. Neubronner 1903). Οι αεροφωτογραφίες από επανδρωμένα οχήματα, έφτασαν αργότερα (W. Wright, 1909) και πολύ γρήγορα αναπτύχθηκαν για στρατιωτικούς σκοπούς. Συχνά χρησιμοποιούνταν για κατασκοπεία κατά τη διάρκεια των παγκοσμίων πολέμων. Εικόνα 2.2:Πειράματα αεροφωτογράφισης με τη χρήση περιστεριών και χαρταετών. (Newhall, 1969) 8

Το 1970, ο Whittlesey αναφέρθηκε στη χρήση ενός δεμένου μπαλονιού με τοποθετημένη κάμερα, η οποία είχε τη δυνατότητα λήψης φωτογραφιών μέχρι και 50μ. από το έδαφος, για αρχαιολογικές τεκμηριώσεις, η οποία ξεκίνησε το 1967. Το ωφέλιμο φορτίο αυτής της κατασκευής ήταν 2.7 κιλά και το αερόστατο είχε τη δυνατότητα να πετάξει μέχρι τα 600μ. Αυτό έδειξε από νωρίς ότι τα UAV, μπορούν να χρησιμοποιηθούν σε διαφορετικά ύψη. Εικόνα 2.3: Χρήση μπαλονιού με κάμερα για αεροφωτογράφιση. (Whittlesey, 1970) Το 1979, έγινε ένα από τα πρώτα πειράματα φωτογραμμετρίας, με UAV σταθερών πτερύγων (fixed wing), (Przybilla και Wester-Ebbinghaus, 1979). Οι πρώτες δοκιμές πραγματοποιήθηκαν σε ύψος 150μ. και με ταχύτητα 11m/s. Το αεροπλάνο είχε μήκος 3μ. με άνοιγμα πτερύγων 2.6μ. και ωφέλιμο φορτίο 3 κιλά. Σε συνδυασμό με επίγειες φωτογραφίες, ήταν δυνατή η απόκτηση φωτογραφιών αρχαιολογικού χώρου, για την ανοικοδόμηση της αρχιτεκτονικής του τόπου. Εικόνα 2.4: UAV σταθερών πτερύγων (Przybilla και Wester-Ebbinghaus, 1979) 9

Το 1980, ο Wester-Ebbinghaus ήταν ο πρώτος που χρησιμοποίησε ένα UAV περιστρεφόμενων πτερυγίων (rotary wing). Το ελικόπτερο είχε τη δυνατότητα να πετάξει σε ένα εύρος από 10-100μ., χρησιμοποιώντας τον ίδιο εξοπλισμό πλοήγησης με το fixed wing UAV. Για τη σωστή λειτουργία της πτήσης, χρειάστηκαν ένας πιλότος και ένας πλοηγός. Ο πρώτος έλεγχε την απογείωση, την προσγείωση και την πτήση, ενώ ο δεύτερος το υψόμετρο και ενεργοποιούσε χειροκίνητα το κλείστρο της κάμερας. (Eisenbeiss & Grün 2009) Εικόνα 2.5: UAV περιστρεφόμενων πτερυγίων (Wester-Ebbinghaus, 1980) 2.3.2 Ταξινόμηση Κατηγοριοποίηση των UAV Η ανάπτυξη όλο και περισσότερων συστημάτων UAV, τα οποία διαφοροποιούνται ανάλογα με τα στοιχεία των συσκευών που τα αποτελούν, οδήγησε στην ανάγκη κατηγοριοποίησης τους, η οποία γίνεται συνήθως με βάση το εναέριο όχημα που χρησιμοποιούν. Με την εξέλιξη της τεχνολογίας, οι κατηγορίες αυτές διαφοροποιούνται συχνά. Για αυτό το λόγο υπάρχουν πολλές και διαφορετικές διαθέσιμες ταξινομήσεις, χρησιμοποιώντας παραμέτρους, όπως για παράδειγμα εάν τα οχήματα είναι μηχανοκίνητα ή μη, ελαφρύτερα ή βαρύτερα από τον αέρα και ευέλικτα, σταθερών ή περιστρεφόμενων πτερυγίων (VTOL). Μια διαθέσιμη ταξινόμηση από τον van Blyenburgh (1999), φαίνεται στο παρακάτω σχήμα (3.2.1), όπου τα UAV έχουν ταξινομηθεί σύμφωνα με το μέγεθος/ βάρος, την αυτονομία, το μέγιστο ύψος πτήσης και διάρκεια πτήσης τους σε μίκρο (micro), μίνι (mini), με μέγιστο ωφέλιμο φορτίο τα 5 κιλά, μικρής, περιορισμένης, μέσης εμβέλειας, χαμηλού, μέσου και μεγάλου ύψους, καθώς και αυτονομίας. Η εμβέλεια τους 10

επηρεάζεται από την διαθεσιμότητα της ασύρματης σύνδεσης για τον έλεγχο του οχήματος, καθώς και από την αυτονομία της πτήσης η οποία σχετίζεται με την ικανότητα των μπαταριών, του πρόσθετου καυσίμου και του κινητήρα. Εικόνα 2.6: Ταξινόμηση UAV με βάση την εμβέλεια και το υψόμετρο (Peter van Blyenburgh,1999).Μετάφραση από: (Eisenbeiss and Grün 2009) Στο «Unmanned aircraft systems», της R. Austin, αναφέρονται κατηγορίες συστημάτων, με φάσμα που καλύπτει χρήση αεροσκαφών με άνοιγμα πτερύγων 35μ. και μεγαλύτερο (HALE), μέχρι μικρού μεγέθους πτητικά μέσα (NAV), με άνοιγμα έκτασης μόλις 40 χιλ. Πιο συγκεκριμένα, οι κατηγορίες είναι: Τα HALE (High altitude long endurance) συστήματα, με δυνατότητα ύψους πτήσης πάνω από 15000μ. και 24ωρη αυτονομία. Πραγματοποιούν εξαιρετικά μεγάλης εμβέλειας πτήσεις με όλο και μεγαλύτερο ωφέλιμο φορτίο. Συνήθως χρησιμοποιούνται από την πολεμική αεροπορία, με τη χρήση σταθερών βάσεων. Τα MALE (Medium altitude long endurance) συστήματα, με ύψος πτήσης 5000-15000μ. και 24ωρη αυτονομία. Οι δυνατότητες τους είναι παρόμοιες με αυτές των HALE συστημάτων, με λίγο μικρότερο εύρος αλλά άνω των 500 χλμ. Τα TUAV (Medium Range or Tactical UAV) με εύρος 100-300 χλμ. Τα οχήματα αυτών των συστημάτων είναι μικρότερα και απλούστερα από ότι τα παραπάνω. Συνήθως χρησιμοποιούνται για εφαρμογές του ναυτικού. Τα συστήματα μικρής εμβέλειας (Close - range), χρησιμοποιούνται για εφαρμογές εδάφους και για στρατιωτικούς σκοπούς. Η εμβέλεια τους φτάνει τα 100χλμ. και είναι ιδιαίτερα παραγωγικά σε μεγάλο εύρος εφαρμογών. 11

Τα MUAV ή Mini UAV, χρησιμοποιούνται επίσης για στρατιωτικούς σκοπούς αλλά και σε άλλες εφαρμογές. Μπορούν να χρησιμοποιηθούν χειροκίνητα σε αποστάσεις μέχρι 30 χλμ. περίπου. Τα Micro UAV ή MAV (Micro-air vehicle) συστήματα, με άνοιγμα πτερύγων έως 150χιλ. χρησιμοποιούνται συχνά σε αστικά περιβάλλοντα καθώς και σε εσωτερικούς χώρους, έχουν πολύ μικρή εμβέλεια και χρόνο πτήσης. Τέλος τα NAV (Nano-air vehicle), έχουν πολύ μικρό μέγεθος και χρησιμοποιούνται συνήθως κατά σμήνη. Στο παρακάτω σχήμα (3.2.2), ταξινομούνται οι κατηγορίες που αναφέρθηκαν, με βάση το ύψος πτήσης και την εμβέλεια τους, με χρωματική διαφοροποίηση σύμφωνα με το βάρος του ωφέλιμου φορτίου τους. Εικόνα 2.7 Ταξινόμηση UAV με βάση το ύψος πτήσης και την εμβέλεια. Πηγή: (Ε.Commission 2007) Οι πρόσφατες τεχνολογικές εξελίξεις των UAV σε συνδυασμό με την ανάπτυξη της υπολογιστικής όρασης, εισάγουν ένα νέο τρόπο κατηγοριοποίησης στις φωτογραμμετρικές πλατφόρμες. Ένας διαφορετικός τρόπος ταξινόμησης αναφέρεται από τον H.Eisenbeiss (1999), όπου παρουσιάζει την κατηγοριοποίηση του Luhmann, et al., 2006, με τις υπάρχουσες τεχνικές αποτύπωσης - μέτρησης, όπου συσχετίζει το μέγεθος του μετρούμενου αντικειμένου σε σχέση με την απαιτούμενη ακρίβεια μέτρησης. Αυτή η κατηγοριοποίηση περιλαμβάνει σχεδόν όλες τις τεχνικές, χωρίς να αναφέρει την απόδοση του κάθε συστήματος σε διαφορετικές συνθήκες. Στην πραγματικότητα, λαμβάνοντας υπόψη το ύψος ορισμένων αντικειμένων, κάποιες από 12

τις μεθόδους ίσως δεν καλύπτουν το σύνολο του αντικειμένου με την παρουσιαζόμενη ακρίβεια. Στο σχήμα αυτό παρουσιάζονται όλες οι εναέριες και επίγειες πλατφόρμες μέτρησης, καθώς και η εισαγωγή της εναέριας φωτογραμμετρίας με χρήση UAV (H.Eisenbeiss, 2009), μια νέας εναέριας μεθόδου, κοντινών αποστάσεων, δίνοντας μια πληρέστερη εικόνα των μεθόδων μέτρησης. Κατά συνέπεια, η μέθοδος της UAV φωτογραμμετρίας προστέθηκε, συνδυάζοντας όλες τις κατηγορίες των μη επανδρωμένων αεροσκαφών σε μια ειδική κατηγορία, καθιστώντας την ταξινόμηση των μεθόδων φωτογραμμετρικής αποτύπωσης, περισσότερο κατανοητή και σαφέστερη στο πλαίσιο των πρόσφατων εξελίξεων. Εικόνα 2.8: Ταξινόμηση μεθόδων αποτύπωσης με συσχέτιση της ακρίβειας και του μεγέθους της περιοχής μελέτης. Μετάφραση από: (Eisenbeiss 2011) Η φωτογραμμετρία με τη χρήση UAV, θεωρείται η πιο εξελιγμένη μέθοδος μέτρησης στη φωτογραμμετρία και λειτουργεί με μια εναέρια πλατφόρμα που μπορεί να είναι τηλεχειριζόμενη, ημί αυτόνομη ή αυτόνομη. Η νέα αυτή πλατφόρμα εξοπλίζεται με φωτογραμμετρικά μέσα μέτρησης. Αυτό το είδος φωτογραμμετρίας, ανοίγει νέες εφαρμογές στον τομέα, καθώς συνδυάζει την εναέρια με την επίγεια φωτογραμμετρία, εισάγει την έννοια των εφαρμογών πραγματικού χρόνου και αποτελεί λύση χαμηλού κόστους, σε σύγκριση με την εναέρια επανδρωμένη φωτογραμμετρία. 13

2.3.3 Πλεονεκτήματα χρήσης UAV Όπως αναφέρθηκε και παραπάνω, η χρήση των μη επανδρωμένων εναέριων οχημάτων, αυξάνεται συνεχώς λόγω των πλεονεκτημάτων τους σε σύγκριση με παραδοσιακές μεθόδους φωτογραμμετρίας, τοπογραφίας, χαρτογράφησης και άλλων μεθόδων αποτύπωσης και τρισδιάστατης απεικόνισης. Καθώς συνδυάζει τις εναέριες με τις επίγειες μετρήσεις και εισάγει εναλλακτικές λύσεις χαμηλού κόστους. Η μέθοδος αποτύπωσης με UAV, θεωρείται συμπληρωματική μέθοδος, καθώς σε συνδυασμό με επίγειες μετρήσεις δίνει ακριβή αποτελέσματα, σε σύντομο χρονικό διάστημα. Σε αρκετές εφαρμογές, θεωρείται ότι μπορεί να αποκαταστήσει πλήρως τις παραδοσιακές μεθόδους αποτύπωσης. Το μικρό κόστος είναι ένα ακόμη θετικό στοιχείο αυτής της μεθόδου, καθώς μετά την αγορά τους, το κόστος χρήσης και συντήρησης είναι μηδαμινό. Κάποια επιπλέον πλεονεκτήματα της χρήσης των εναέριων οχημάτων, είναι η ταχύτητα λήψης των πληροφοριών - μετρήσεων, η συλλογή πολλών χωρικών δεδομένων, ο αυτοματοποιημένος τρόπος ανάκτησης τους, καθώς και η ικανότητα χαρτογράφησης δυσπρόσιτων και επικίνδυνων περιοχών, αφού οι μετρήσεις γίνονται από απόσταση, σε αντίθεση με τις παραδοσιακές μεθόδους χαρτογράφησης. Τα UAV μπορούν να χρησιμοποιηθούν σε καταστάσεις υψηλού κινδύνου, χωρίς να βάλουν σε κίνδυνο ανθρώπινες ζωές, δίνοντας τη δυνατότητα καταγραφής αντικειμένων/ περιοχών σε μικρή απόσταση (από χαμηλό ύψος), όπως για παράδειγμα σε περιπτώσεις περιοχών που έχουν υποστεί φυσικές καταστροφές (εκρήξεις ηφαιστείων, πλημμύρες, σεισμούς, ατυχήματα). Η εφαρμογή των GPS / INS συστημάτων καθώς και τα συστήματα σταθεροποίησης και πλοήγησης προσφέρουν ακριβείς πτήσεις, εξασφαλίζοντας, αφενός, την επαρκή κάλυψη της περιοχής ενδιαφέροντος και επιτρέποντας στο χρήστη να εκτιμήσει την ακρίβεια του αναμενόμενου αποτελέσματος πριν την πτήση. Η ακρίβεια των αποτελεσμάτων καθώς και το πλήθος των πληροφοριών που λαμβάνονται από αυτή, την καθιστούν μια ευέλικτη μέθοδο, καθώς οι εναέριες φωτογραφίες μπορούν να χρησιμοποιηθούν για την παραγωγή ορθοφωτοχαρτών υψηλής ανάλυσης, ψηφιακών μοντέλων εδάφους (DSM) και τριαδιάστατων μοντέλων, με τη χρήση ειδικών λογισμικών αυτοματοποιημένων διαδικασιών. Τα αποτελέσματα αυτά στη συνέχεια, σε συνδυασμό με τα συστήματά γεωγραφικών πληροφοριών (GIS), μπορούν να χρησιμοποιηθούν, για εξαγωγή χαρτών, σχεδίων, για την ερμηνεία μιας κατάστασης και σύγκριση με παλαιότερα δεδομένα. 14

2.3.4 Περιορισμοί χρήσης των UAV Μειονέκτημα της χρήσης των UAV, μπορούν να θεωρηθούν τα καιρικά φαινόμενα καθώς και ο φωτισμός, που ίσως να μην επιτρέπουν την πραγματοποίηση της πτήσης ή να συμβάλλουν στην παραγωγή μη ικανοποιητικών αποτελεσμάτων. Επίσης η χρήση τους σε απομακρυσμένες περιοχές, προϋποθέτει προσοχή στην ανθεκτικότητα και διάρκεια ζωής της μπαταρίας, συμπεριλαμβανομένων των μεθόδων για τη φόρτιση και την απόδοση σε ακραίες θερμοκρασίες. O περιορισμός των ωφέλιμων φορτίων, σε βάρος και διαστάσεις, ειδικά στα χαμηλού κόστους εναέρια οχήματα, επιτρέπει τη χρήση μικρού ή μεσαίου μεγέθους αισθητήρων. Έτσι είναι απαραίτητη η λήψη μεγάλου αριθμού εικόνων με σωστή επικάλυψη, για την αποτύπωση όλης της περιοχής ενδιαφέροντος. Επίσης, οι μικρού κόστους αισθητήρες είναι λιγότερο σταθεροί, με αποτέλεσμα οι φωτογραφίες να έχουν χαμηλότερη ποιότητα, και να περιορίζεται το ύψος πτήσης του οχήματος. Ακόμα και αν τα UAV μπορούν να πραγματοποιήσουν μια πτήση αυτόνομα, δεν μπορούν να αντιδράσουν σε απρόσμενες καταστάσεις και είναι απαραίτητο ο χειριστής να βρίσκεται πάντα σε ετοιμότητα να παρέμβει οποιαδήποτε στιγμή. Οι παρεμβολές σημάτων στο σύστημα επικοινωνίας του χρήστη με το σύστημα, μπορούν επίσης να προκαλέσουν προβλήματα κατά την διάρκεια μιας πτήσης. 2.3.5 Ισχύουσα Νομοθεσία Προς τον παρόν δεν υπάρχει νομοθετικό πλαίσιο που να καλύπτει στη χώρα μας την πτήση μη επανδρωμένου εναέριου οχήματος (UAV). Η Ευρωπαϊκή Ένωση πραγματοποιεί ενέργειες πάνω στην ομογενοποίηση των κανονισμών πτήσεων, καθώς η κάθε χώρα έχει τις ιδιαιτερότητές της. Στη χώρα μας αυτή τη στιγμή ισχύουν αρκετοί περιορισμοί, που αναφέρονται στα παρακάτω: Νόμος περί Ιδιωτικής Αεροπορίας (Ν.1127/72) «Κώδικας Αεροπορικού Δικαίου» (Ν.1815/88) Κανονισμός Πτήσεων Αερομοντέλων (ΦΕΚ β9, 13 Ιαν. 2010) 15

Βάσει σημαντικού εδαφίου του ΦΕΚ, απαγορεύεται η πτήση άνωθεν, πλησίον ή εντός στρατιωτικών εγκαταστάσεων και αρχαιολογικών χώρων, ενώ το πιο σημαντικό είναι η απαγόρευση πτήσεων άνωθεν ή πλησίον κατοικημένων περιοχών, εντός πολιτικών ή στρατιωτικών αεροδρομίων, άνωθεν ή πλησίον εγκαταστάσεων κοινής ωφέλειας. Επίσης στο ΦΕΚ, αναφέρεται συγκεκριμένη οδηγία για πτήση σε απόσταση ασφαλείας 50 μέτρων από ανθρώπους, συμπεριλαμβανομένων των θεατών της ίδιας της πτήσης, ζώα, οχήματα, εγκαταστάσεις κλπ. Ως προς το ύψος πτήσης, σύμφωνα με την ευρωπαϊκή νομοθεσία δεν απαιτείται άδεια από την Υπηρεσία Πολιτικής Αεροπορίας για την πτήση τηλεκατευθυνόμενων σε ύψος μικρότερο των 120 μέτρων (400 ποδιών). Άλλοι περιορισμοί αναφέρουν απόσταση 3 χλμ. Τουλάχιστον, από κάποιο αεροδρόμιο. Επιπλέον ο χειριστής οφείλει να διατηρεί οπτική επαφή με το αερομοντέλο, σε όλη τη διάρκεια της πτήσης και να βασίζεται σε αυτή για τους απαραίτητους χειρισμούς ελέγχου του, καθώς και να διακόπτει άμεσα τις πτήσεις, όταν οι συνθήκες γίνουν ακατάλληλες για ασφαλή πτήση. Ο εναέριος χώρος πτήσεων πρέπει να περιορίζεται σε τέτοια απόσταση, ώστε να μη δημιουργεί ηχορύπανση σε χώρους όπου η ησυχία είναι απαραίτητη (υπαίθριες συναθροίσεις ατόμων, νοσοκομεία, σχολεία, εκκλησίες κλπ). Αν και δεν έχει θεσπιστεί ακόμη αυστηρή νομοθεσία για τις πτήσεις των UAV, οι περιορισμοί που υπάρχουν είναι αρκετοί και πρέπει να λαμβάνονται υπόψη από κάθε κάτοχο και χειριστή τέτοιων οχημάτων. 2.3.6 Πεδία Εφαρμογής UAV Οι πρόσφατες εξελίξεις στα μη επανδρωμένα εναέρια οχήματα (UAV), τους αισθητήρες, και τις τεχνικές επεξεργασίας εικόνας, έχουν ως αποτέλεσμα την ανάπτυξη αυτής της τεχνολογίας σε πολλούς επιστημονικούς τομείς, προσφέροντας ένα ευρύ φάσμα λύσεων για διαφορετικές εφαρμογές που σχετίζονται με την απόκτηση πληροφορίας για αντικείμενα, κατασκευές ή φαινόμενα πάνω στη γη, καθώς και παρατηρήσεις στην επιφάνεια των θαλασσών. Η σχέση κόστους - αποτελεσματικότητας σε σύγκριση με επανδρωμένα οχήματα καθώς και άλλες μεθόδους, την καθιστούν ελκυστική λύση, ιδίως αν ληφθεί υπόψη ότι τα UAV μπορούν να εξοπλιστούν με διάφορους αισθητήρες, όπως μεσαίου ή μικρού μεγέθους κάμερα, καθώς και εξειδικευμένες συσκευές όπως σύστημα LIDAR και θερμική ή υπέρυθρη κάμερα. Ο τεράστιος όγκος των δεδομένων που παρέχονται από τα UAV, αντιπροσωπεύει μια νέα πρόκληση για την εξέλιξη των τεχνικών επεξεργασίας, μεταφοράς και αποθήκευσης τους. 16

Η απεικόνιση του ανάγλυφου του εδάφους, οι ορθοφωτογραφίες και τα τρισδιάστατα μοντέλα που προκύπτουν, από εναέριες φωτογραφίες, αποτελούν χρήσιμο εργαλείο σε πολλές εφαρμογές, όπως σε περιπτώσεις κινδύνων και φυσικών ή περιβαλλοντικών καταστροφών, ατυχημάτων, καθώς και για τη δημιουργία μέτρων προστασίας, σε περιπτώσεις επιχειρήσεων έρευνας και διάσωσης, για την καταπολέμηση πυρκαγιών, ζημιές καλλιεργειών, κατολισθήσεις και άλλα. Άλλες εφαρμογές περιλαμβάνουν τρισδιάστατες αποτυπώσεις του περιβάλλοντος, μνημείων πολιτιστικής κληρονομιάς καθώς και τοπογραφίας. Επίσης αποτελούν κίνητρο για τη χρήση τους σε έργα μηχανικής, που απαιτούν υποδομές παρακολούθησης, όπως χαρτογράφηση γραμμών ηλεκτρικής ενέργειας, παρακολούθηση και καταγραφή κτηματολογικών στοιχείων, επιθεώρηση αγωγών πετρελαίου και φυσικού αερίου, οδικών και σιδηροδρομικών δικτύων, μεταφορές. (Colomina and Molina 2014) Οι λεπτομερείς πληροφορίες που παρέχονται για κάθε εφαρμογή καθώς και η δυνατότητα περαιτέρω επεξεργασίας τους, καθιστούν τα UAV, ένα σημαντικό μέσο ανάπτυξης και έρευνας σε πολλούς τομείς της επιστήμης, καθώς και μέσο προστασίας των πολιτών και του περιβάλλοντος. Ο M. Ritzinger (2014), συγκεντρώνει σχηματικά τις δυνατές εφαρμογές με τη χρήση UAV, πέρα από τις στρατιωτικές επιχειρήσεις, που τα χρησιμοποιούσαν συχνά για τις εφαρμογές τους. Πιο συγκεκριμένα κατηγοριοποιεί τις εφαρμογές στους τομείς: επιστημονικής έρευνας, πρόληψης και διαχείρισης καταστροφών, προστασίας του περιβάλλοντος, εγχώριας ασφάλειας, τηλεπικοινωνιών και προστασίας υποδομών. Η ανάπτυξη της τεχνολογίας καλύπτει όλο και περισσότερες εφαρμογές, χωρίς να αντικαθιστά απαραίτητα άλλες μεθόδους, αλλά ως συμπληρωματική μέθοδος, σε περιπτώσεις κινδύνου, αλλά και όταν απαιτείται εξοικονόμηση χρόνου, γρήγορων ενεργειών και ποιοτικών αποτελεσμάτων. 17

Εικόνα 2.9: Εφαρμογές με τη χρήση UAV. Μετάφραση από: (Ritzinger 2014) 2.3.6.1 Χρήση UAV στην Τηλεπισκόπιση Μέχρι σήμερα αρκετές μελέτες τηλεπισκόπισης με τη χρήση UAV έχουν στεφθεί με επιτυχία, εξοπλίζοντας τα οχήματα με αισθητήρες για RGB, πολυφασματικούς, υπερφασματικούς και θερμικής απεικόνισης, καθώς και με δυνατότητες σάρωσης λέιζερ. Παρά το γεγονός ότι πολλές δορυφορικές εικόνες είναι διαθέσιμες πλέον, οι περισσότερες δεν προσφέρουν υψηλή ανάλυση ή κοστίζουν αρκετά. Επίσης υπάρχει η περίπτωση να μην καλύπτουν την περιοχή μελέτης ή το χρονικό διάστημα που εξετάζεται η εφαρμογή. Ο συνδυασμός χαμηλού κόστους και υψηλής ανάλυσης που προσφέρει η μέθοδός απόκτησης εναέριων εικόνων με τη χρήση των UAV, καλύπτει το κενό μεταξύ δορυφορικών και επίγειων μετρήσεων. Η ταχεία ανάπτυξη της τεχνολογίας, κυρίως στη σμίκρυνση των διάφορων αισθητήρων, καθώς και η συνεχής απόκτηση υψηλής ανάλυσης εικόνων κάνουν τη χρήση των UAV, πιο ευέλικτη σε διάφορους τομείς της επιστήμης και εφαρμογές, όπως για τη χαρτογράφηση και παρακολούθηση της βλάστησης, στους τομείς της δασοκομίας, γεωργίας, έρευνας οικοσυστημάτων. (Trevors & Weiler 2013) 18

2.3.6.2 Χρήση UAV στην Αρχαιολογία Η τεκμηρίωση και η διατήρηση των αρχαιολογικών χώρων συχνά απαιτούν την ανάπτυξη γρήγορων και εύκολων τεχνικών για την απόκτηση τρισδιάστατων δεδομένων. Η παραδοσιακή φωτογραμμετρία και οι επίγειοι σαρωτές λέιζερ είναι οι πιο κοινές τεχνικές που χρησιμοποιούνται, παρέχοντας υψηλό επίπεδο λεπτομέρειας και ακρίβειας κυρίως σε μικρής και μεσαίας έκτασης αρχαιολογικούς χώρους. Ωστόσο για μεγαλύτερης έκτασης χώρους δεν είναι κατάλληλες αυτές οι μέθοδοι. Τα τελευταία χρόνια UAV χρησιμοποιούνται για την εναέρια χαρτογράφηση περιοχών μεγάλης κλίμακας. Η χρήση των συστημάτων UAV για αποτύπωση αρχαιολογικών χώρων γίνεται σταδιακά όλο και πιο δημοφιλής, λόγω των σημαντικών δυνατοτήτων όσον αφορά την ταχύτητα της έρευνας, το κόστος και την ακρίβεια. Η παραγωγή ορθοφωτογραφιών και υψηλής ανάλυσης τρισδιάστατων μοντέλων, βοηθούν στον εντοπισμό κατασκευαστικών τεχνικών, αναπαλαιώσεων, αποκαταστάσεων και εντοπισμό τμημάτων που λείπουν, απεικόνιση τους για το κοινό, καθώς και ερμηνεία των χρήσεων του χώρου στο παρελθόν. (Brutto et al. 2012) 19

Κεφάλαιο 3 ο 3 Προγραμματισμός Πτήσης Ο προγραμματισμός πτήσης αναφέρεται στο σύνολο των αποφάσεων που πρέπει να ληφθούν, πριν από κάθε πτήση και αφορούν μεταξύ άλλων, στην επιλογή του κατάλληλου εναέριου οχήματος, της κατάλληλης φωτογραφικής μηχανής, τη γεωμετρία της λήψης, τον αριθμό και τη θέση των απαιτούμενων φωτογραφιών, την επικάλυψη μεταξύ τους και άλλα. Αυτοί οι παράγοντες συνδέονται μεταξύ τους και αλληλοεπηρεάζονται. Καθώς επίσης μπορεί να ποικίλλουν από τη μια εφαρμογή στην άλλη. Ως εκ τούτου, απαιτείται προσεκτική μελέτη και γνώση των πραγματικών συνθηκών της περιοχής μελέτης, για τη λήψη καλύτερων αποφάσεων. Ο σωστός σχεδιασμός πτήσης είναι από τις σημαντικότερες παραμέτρους της αποτύπωσης με UAV, καθώς από αυτόν εξαρτώνται η ποιότητα και ακρίβεια των αποτελεσμάτων, καθώς και η ασφαλής πτήση του οχήματος. Αρχικά γίνεται επιλογή του τρόπου πτήσης, δηλαδή αν θα γίνει με αυτόματο τρόπο, βασιζόμενη στο ενσωματωμένο GPS του οχήματος ή αν θα καθοδηγείται από τον χειριστή. Ανάλογα με τον σκοπό της αποτύπωσης, σε εφαρμογές περιοχών μεγάλης ή μεσαίας κλίμακας, με σκοπό την παραγωγή ορθοφωτοχαρτών, προτιμάται ο σχεδιασμός αυτόματης πτήσης. Σε περιπτώσεις αποτύπωσης συγκεκριμένου αντικειμένου ή κατασκευής, όπου υπάρχει η ανάγκη λήψης και πλάγιων φωτογραφιών εκτός από κατακόρυφες, πραγματοποιούνται με τη βοήθεια του χειριστή. Σε κάθε περίπτωση, απαιτείται εμπειρία χειρισμού και ετοιμότητα για καταστάσεις ανάγκης και την ασφαλή ολοκλήρωση της πτήσης. Καθώς παρεμβολές στο σύστημα GPS, κακές καιρικές συνθήκες, ή τεχνικά λάθη μπορεί να προκαλέσουν αλλοπρόσαλλή συμπεριφορά στα UAV. 20

Σε κάθε περίπτωση πριν τον σχεδιασμό πτήσης, σημαντική είναι η προσεκτική έρευνα της περιοχής μελέτης, ώστε να εντοπιστούν επικίνδυνα σημεία, εμπόδια, απαγορευμένες περιοχές και άλλα καθώς και ο εντοπισμός ή τοποθέτηση και μέτρηση σημείων ελέγχου στο έδαφος (GCPs), τα οποία μπορούν να χρησιμοποιηθούν στη συνέχεια, για τον έλεγχο ακριβείας των αποτελεσμάτων και τη πραγματοποίηση της διαδικασίας γεωαναφοράς τους, σε κάποιο συγκεκριμένο σύστημα συντεταγμένων 3.1 Σχεδιασμός και είδη αυτόνομων Πτήσεων Ο σχεδιασμός της πορείας της πτήσης αποτελεί σημαντική παράμετρο κατά τον προγραμματισμό πτήσης για τη χαρτογράφηση με UAV και συνήθως πραγματοποιείται με τη χρήση ειδικών λογισμικών. 1 Εικόνα 3.1: Σχεδιασμός πτήσης. Μετάφραση από: (DRONES AND AERIAL OBSERVATION, 2015). Οι πτήσεις συνήθως απεικονίζονται με ένα μοτίβο παράλληλων γραμμών που συνδέονται μεταξύ τους και αποτελούν πρότυπο απεικόνισης για την εξασφάλιση λήψης αρκετού αριθμού επικαλυπτόμενων εικόνων, οι οποίες απαιτούνται για την επεξεργασία τους και την παραγωγή ποιοτικών χαρτών ακριβείας. Περιοχές με πολύπλοκο ανάγλυφο, απαιτούν μεγαλύτερη επικάλυψη μεταξύ των εικόνων, όπως για παράδειγμα πυκνά δάση, χιονισμένες περιοχές, λίμνες, για την πλήρη αποτύπωση των λεπτομερειών του ανάγλυφού της περιοχής μελέτης. 1 Το Mission Planner (Michael Oborne) είναι ένα πλήρως εξοπλισμένο λογισμικό σταθμού εδάφους (ground station), ανοιχτού κώδικα. (Anon n.d.) 21

Εικόνα 3.2: Πλέγμα σχεδίου πτήσης. Για μέγιστη ποιότητα, συχνά χρησιμοποιούνται δύο επικαλυπτόμενα μοτίβα πτήσης σε διαφορετικά ύψη, με αυτό τον τρόπο επιτυγχάνεται συλλογή περισσότερων δεδομένων και λύνονται προβλήματα μεγάλης διαφοροποίησης υψομέτρων των γεωγραφικών χαρακτηριστικών. Αυτή η τεχνική χρησιμοποιείται συχνά σε περιοχές με βουνά, ή με ψηλά κτίρια. Συνήθως η πρώτη πτήση γίνεται με το προκαθορισμένο ύψος πτήσης και την επιθυμητή ανάλυση εικόνων (GSD), ενώ η δεύτερη 1.5 έως 2 φορές, την αρχική ανάλυση (DroneMapper n.d.). Εικόνα 3.3: Πλέγμα διπλού σχεδίου πτήσης. 22

Σε περιπτώσεις αποτύπωσής γραμμικού αντικειμένου (δρόμος, ποτάμι, σιδηροδρομικό δίκτυο), μπορεί να πραγματοποιηθεί μια μόνο πορεία πτήσης, εφόσον καλύπτεται όλο το αντικείμενο, από αυτή. Λόγω έλλειψης πλευρικής επικάλυψης, ίσως δημιουργούνται προβλήματα σε διαδικασίες και στην παραγωγή των τελικών προϊόντων (γεωαναφορά, παραγωγή dem). Για το λόγο αυτό προτείνεται επικάλυψη έως 90%. Ένας άλλος τρόπος βελτίωσης των διαδικασιών αυτών, είναι ο σχεδιασμός διπλής διαδρομής, όπου παρέχει πλευρική επικάλυψη στις φωτογραφίες. Εικόνα 3.4: Πτήση μονής (αριστερά) και διπλής (δεξιά) πορείας. Ο σχεδιασμός πτήσης μπορεί να γίνει απευθείας στο πεδίο, με σύνδεση του υπολογιστή στο σύστημα ελέγχου πτήσης του UAV, είτε να έχει ήδη σχεδιαστεί και να συνδεθεί με το όχημα, πριν την πραγματοποίηση της πτήσης. Ο χειριστής ορίζει την περιοχή μελέτης με ένα πολύγωνο, στο κατάλληλο λογισμικό καθώς και το μοντέλο της κάμερας που θα χρησιμοποιηθεί, το υψόμετρο πτήσης και τις παραμέτρους ενεργοποίησης της μηχανής, για τη λήψη των φωτογραφιών. Στη συνέχεια το λογισμικό ορίζει την πορεία της πτήσης, την εκτιμώμενη ανάλυση στο έδαφος, τον απαιτούμενο αριθμό φωτογραφιών και άλλες χρήσιμες πληροφορίες. 3.2 Μεταβλητές σχεδιασμού πτήσης Για σωστό σχεδιασμό πτήσης απαραίτητος είναι ο καθορισμός κάποιων σημαντικών μεταβλητών, η επιλογή των οποίων εξαρτάται από το είδος της κάθε εφαρμογής καθώς και από τα επιθυμητά αποτελέσματα. Αναλύονται παρακάτω οι πιο σημαντικές, για τον προγραμματισμό της πτήσης, μεταβλητές όπως η επιλογή κατάλληλου αισθητήρα, 23

ύψους πτήσης, επικάλυψης μεταξύ των φωτογραφιών και τρόπος λήψης τους, καθώς και η επιθυμητή ανάλυση. 3.2.1 Αισθητήρας Η επιλογή κατάλληλης κάμερας για την εφαρμογή αποτύπωσης με τη χρήση UAV, αποτελεί σημαντικό παράγοντα. Καθώς από την ποιότητα των φωτογραφιών που λαμβάνονται, εξαρτάται η ποιότητα και ακρίβεια των αποτελεσμάτων. Συνηθίζεται να χρησιμοποιούνται κοινές κάμερες, μικρού βάρους και μάζας, ώστε να προσαρμόζονται σωστά επάνω στο εναέριο όχημα και να μην δημιουργούνται προβλήματα κατά την πτήση. Επίσης πρέπει να διαθέτουν τη δυνατότητα προγραμματισμού ώστε να λαμβάνουν φωτογραφίες σε τακτά χρονικά διαστήματα ή να ελέγχονται από απόσταση. Κάμερες με ευρυγώνιους φακούς, δημιουργούν στρεβλώσεις στις φωτογραφίες και επομένως εισάγουν σφάλματα κατά την επεξεργασία. Σε αυτές τις περιπτώσεις είναι απαραίτητη η προ-επεξεργασία των εικόνων, για απομάκρυνση των στρεβλώσεων. Εικόνα 3.5: Είδη αισθητήρων για UAV Εκτός από τις μεσαίου ή μικρού μεγέθους κάμερες, τα UAV μπορούν να εξοπλιστούν με εξειδικευμένους αισθητήρες, όπως θερμική ή υπέρυθρη κάμερα, εναέριο σύστημα LIDAR ή συνδυασμό αυτών. 24

3.2.2 Ύψος πτήσης Το ύψος πτήσης αποτελεί καθοριστικό παράγοντα κατά το σχεδιασμό μιας αποστολής, καθώς επηρεάζει την ανάλυση και την ποιότητα των φωτογραφιών και κατά συνέπεια και των τελικών αποτελεσμάτων. Η επιλογή του κατάλληλου υψομέτρου εξαρτάται από το διαθέσιμο εναέριο όχημα, την φωτογραφική μηχανή, το είδος της εφαρμογής, την επιθυμητή ανάλυση και λαμβάνοντας πάντα υπόψη την ασφάλεια και τη νομιμότητα. Ακόμα και αν σε κάποιες περιοχές δεν υπάρχουν περιορισμοί σχετικά με το ύψος πτήσης ενός UAV, η επιλογή του πρέπει να γίνεται με σύνεση και βεβαιότητα ότι δεν θα επηρεαστεί η πορεία ενός άλλου αεροσκάφους ή δε θα παραβιαστούν άλλοι κανονισμοί. 3.2.3 Ανάλυση εικόνων (GSD Ground Sample Distance) Ο υπολογισμός της ανάλυσης των εικόνων (GSD Ground Sample Distance) ή αλλιώς μέγεθος εικονοστοιχείου (pixel), εξαρτάται από την εστιακή απόσταση της κάμερας (focal length), το μέγεθος της συστοιχίας CCD (sensor), το επιλεγμένο ύψος πτήσης του UAV (altitude) και άλλες ρυθμίσεις της μηχανής. [GSD = (μέγεθος εικονοστοιχείου x υψόμετρο) / εστιακή απόσταση)] Η ανάλυση στην αεροφωτογράφηση, αποτελεί το μήκος στο έδαφος που αντιστοιχεί στην πλευρά του ενός pixel της εικόνας, ή την απόσταση μεταξύ των κέντρων των pixel, που μετρήθηκε στο έδαφος. Εικόνα 3.6: Υπολογισμός ανάλυσης εικόνας. 25

Μεγαλύτερη ανάλυση δίνει λιγότερες λεπτομέρειες και χαμηλότερης ποιότητας φωτογραφίες, σε αντίθεση με την μικρή ανάλυση. Από τον υπολογισμό της ανάλυσης, το λογισμικό εξάγει στη συνέχεια τις διαδρομές πτήσης και την απόσταση μεταξύ τους, έτσι ώστε να καλύπτεται όλη η περιοχή μελέτης. Σε περιπτώσεις όπου η ανάλυση των εικόνων έχει προ αποφασισθεί, πραγματοποιείται εισαγωγή της επιθυμητής ανάλυσης στο λογισμικό και υπολογίζονται στη συνέχεια, το ύψος πτήσης και τα υπόλοιπα απαραίτητα στοιχεία. 3.2.4 Επικάλυψη φωτογραφιών Η επαρκής εμπρόσθια και πλευρική επικάλυψη μεταξύ των αεροφωτογραφιών, αποτελεί εξίσου σημαντικό παράγοντα για το σωστό σχεδιασμό μιας πτήσης. Η επιλογή της κατάλληλης επικάλυψης για τη συλλογή όλων των απαραίτητων πληροφοριών συμβάλει στη σωστή επεξεργασία τους στη συνέχεια, με τον εντοπισμό των απαραίτητων κοινών χαρακτηριστικών σημείων, μεταξύ τους. Η επιλογή της επικάλυψης αφορά την κάθε εφαρμογή χωριστά και δεν υπάρχει συγκεκριμένο πρότυπο (προτείνεται 60-80%). Για παράδειγμα σε περιοχές με έντονη βλάστηση ή ομοιόμορφο μοτίβο (πχ νερό, άμμο), όπου ο εντοπισμός χαρακτηριστικών σημείων στις φωτογραφίες είναι δύσκολος, προτείνεται μεγαλύτερη επικάλυψη, η οποία απαιτεί μεγαλύτερο χρόνο πτήσης, για την κάλυψη όλης της περιοχής. 3.2.5 Γεωμετρία κάμερας - Προβολές φωτογραφιών Η γεωμετρία της κάμερας, δηλαδή ο τρόπος λήψης των φωτογραφιών καθώς και ο τρόπος επικάλυψης μεταξύ τους, αποτελεί σημαντικό παράγοντα για μια επιτυχή αποτύπωση. Κάποια γνωστά είδη γεωμετρίας, φαίνονται στην παρακάτω εικόνα και πραγματοποιούνται με συγκλίνουσες, με αποκλίνουσες και με παράλληλες φωτογραφίες, με τη θέση της μηχανής κάθετα προς το αντικείμενο (ναδίρ) ή σε γωνία με αυτό. Η επιλογή του κατάλληλου τύπου γεωμετρίας, εξαρτάται από την εφαρμογή και συνήθως παραμένει σταθερή. Επίσης επηρεάζει σημαντικά την επικάλυψη και την παράλλαξη 2, μεταξύ των φωτογραφιών. Λιγότερο κατάλληλη γεωμετρία, θεωρείται η αποκλίνουσα, καθώς εισάγει τα περισσότερα σφάλματα και δυσκολεύει την εξαγωγή αποτελεσμάτων. Για μεγαλύτερες περιοχές, η παράλληλη λήψη είναι ίσως η πιο αποτελεσματική, ενώ για μικρότερες περιοχές ή μεμονωμένα αντικείμενα, η συγκλίνουσα λήψη παράγει τα καλύτερα αποτελέσματα. 2 Παράλλαξη: η αλλαγή θέσης μιας εικόνας από τη μία φωτογραφία στην επόμενη, η οποία προκαλείται από την κίνηση του αεροπλάνου (κάμερας).(πατιάς, 1991) 26

Εικόνα 3.7: Τρόποι λήψης εικόνων. Οι δύο πιο συχνοί τρόποι λήψης των φωτογραφιών (προβολές) στην χαρτογράφηση με UAV, είναι γνωστές ως κατακόρυφη (ναδίρ) και πλάγια. Οι κατακόρυφες λαμβάνονται ακριβώς πάνω από το αντικείμενο αποτύπωσης, δηλαδή η κάμερα είναι τοποθετημένη σε ευθεία προς τα κάτω, χωρίς στροφές. Στις επίπεδες επιφάνειες, προτείνεται η χρήση των κατακόρυφων φωτογραφιών, καθώς παρέχουν καλύτερη κάλυψη και καλύτερη κάθετη ανάλυση στο τελικό μοντέλο. Οι πλάγιες φωτογραφίες, λαμβάνονται υπό γωνία με το αντικείμενο αποτύπωσης. Μπορούν να ληφθούν υπό μεγάλη ή μικρή γωνία, λαμβάνοντας πληροφορίες για το αντικείμενο ή την περιοχή μελέτης, που δεν μπορούν να αποτυπωθούν με τις κατακόρυφες φωτογραφίες (σκιάσεις δέντρων, τοιχία, κτίρια κ.α). Στις κάθετες επιφάνειες/ αντικείμενα, οι πλάγιες φωτογραφίες δημιουργούν ένα πληρέστερο τρισδιάστατο μοντέλο. Κατά τη διάρκεια της κάθε πτήσης, η γωνία της κάμερας δεν πρέπει να αλλάζει, καθώς αυτό δημιουργεί δυσκολίες κατά την επεξεργασία των εικόνων που προκύπτουν, καθώς και εισάγει περισσότερα σφάλματα προς επίλυση. 27

Εικόνα 3.8: Φωτογραφία κατακόρυφης λήψης (αριστερά) και πλάγιας λήψης (δεξιά). Οι φωτογραφίες που λαμβάνονται και με τους δύο τρόπους, μπορούν να επεξεργαστούν μαζί σε κατάλληλο λογισμικό, δημιουργώντας ένα ενιαίο τρισδιάστατο μοντέλο, χωρίς κενά, το οποίο θα περιλαμβάνει όλες τις απαραίτητες λεπτομέρειες από διαφορετικές οπτικές γωνίες. Ένας άλλος παράγοντας που επηρεάζει την επιλογή του τρόπου λήψης των φωτογραφιών, είναι τα προϊόντα που θα παραχθούν. Αν σκοπός της εφαρμογής είναι η δημιουργία ενός ψηφιακού μοντέλου εδάφους (DEM), προτείνεται η λήψη κατακόρυφων φωτογραφιών. Σε περιπτώσεις εξαγωγής νεφών σημείων (point clouds) ή 3D τριγωνικών επιφανειών (mesh), καλύτερο αποτέλεσμα δίνουν οι πλάγιες φωτογραφίες. 3.3 Διαδικασία Γεωαναφοράς Γεωαναφορά είναι η διαδικασία ανάθεσης χωρικών συντεταγμένων σε δεδομένα που είναι χωρικά αλλά δεν ανήκουν σε κάποιο γεωγραφικό σύστημα συντεταγμένων. Η διαδικασία αυτή είναι απαραίτητη για τη συσχέτιση των δεδομένων, με τον πραγματικό κόσμο, δίνοντας τη δυνατότητα πραγματοποίησης μετρήσεων σε αυτά. Δηλαδή τα προϊόντα που εξάγονται από την επεξεργασία των εναέριων φωτογραφιών, ανήκουν σε ένα αυθαίρετο σύστημα συντεταγμένων και διαθέτουν αυθαίρετη κλίμακα. Σε εφαρμογές όπου το εξαγόμενο προϊόν πρόκειται να χρησιμοποιηθεί για μετρήσεις ή παραγωγή χαρτών, απαραίτητη είναι η γεωαναφορά του. 28

Για την πραγματοποίηση της διαδικασίας αυτής, είναι απαραίτητη η χρήση σημείων γνωστών συντεταγμένων στο έδαφος, τα οποία μετρούνται προηγουμένως με χρήση GPS, γεωδαιτικού σταθμού κ.α. Αυτά αποτελούν σημεία ελέγχου στο έδαφος (GCPs- Ground Control Points), αφού με τη χρήση των θέσεων τους, δίνονται συντεταγμένες και στα υπόλοιπα σημεία του χώρου. Σε αρκετά λογισμικά επεξεργασίας των εναέριων φωτογραφιών, δεν είναι απαραίτητη η χρήση σημείων ελέγχου στο έδαφος, καθώς υπάρχει η δυνατότητα συσχέτισης των θέσεων του UAV σε κάθε λήψη, με το χρόνο λήψης κάθε φωτογραφίας. Η μέθοδος αυτή είναι αποδεκτή σε κάποιες εφαρμογές και δίνει ακρίβεια μερικών μέτρων. 3.3.1 Άμεση Γεωαναφορά (Direct Georeference) Οι ενσωματωμένοι δέκτες GPS, που διαθέτουν τα περισσότερα UAV πλέον, εκτός από την χρήση τους για πλοήγηση και έλεγχο του οχήματος, χρησιμοποιούνται συχνά και για την καταγραφή των θέσεων του εναέριου οχήματος, σε κάθε λήψη. Με αυτό τον τρόπο είναι δυνατή η άμεση γεωαναφορά των πληροφοριών που συλλέγονται κατά την πτήση. Σε άλλες περιπτώσεις φωτογραφικές μηχανές διαθέτουν την δυνατότητα καταγραφής της θέσης λήψης κάθε φωτογραφίας, οι οποίες στη συνέχεια μπορούν να χρησιμοποιηθούν για την γεωαναφορά κάθε φωτογραφίας, με χρήση κάποιου ειδικού λογισμικού. Οι δύο αυτές μέθοδοι ανήκουν στην διαδικασία της άμεσης γεωαναφοράς και τα αποτελέσματα τους έχουν μικρότερη ακρίβεια (μερικών μέτρων), από αυτά της έμμεσης γεωαναφοράς. 3.3.2 Έμμεση Γεωαναφορά (Indirect Georeference) Η έμμεση γεωαναφορά απαιτεί χρήση σημείων ελέγχου στο έδαφος, γνωστών συντεταγμένων, με μεθόδους ακριβείας μερικών εκατοστών. Η ακρίβεια της έμμεσης γεωαναφοράς, επηρεάζεται άμεσα από τη διανομή των σημείων ελέγχου στην περιοχή μελέτης, καθώς και από την ακρίβεια μέτρησης των συντεταγμένων τους. Η τοποθέτηση τους στην περιοχή μελέτης καθώς και η μέτρηση τους, γίνεται πριν την πραγματοποίηση της πτήσης. Τα σημεία ελέγχου τοποθετούνται με τέτοιο τρόπο, ώστε να κατανέμονται ομοιόμορφα σε όλο το εύρος της περιοχής μελέτης, λαμβάνοντας υπόψη και τις υψομετρικές διαφορές του εδάφους. Η σήμανση τους πρέπει να είναι ευδιάκριτη στις εναέριες φωτογραφίες, για τον εύκολο εντοπισμό τους και εξαρτάται από το ύψος πτήσης που έχει ήδη επιλεγεί, καθώς και από την ανάλυση και την εστιακή απόσταση της φωτογραφικής μηχανής. Η μέτρηση τους γίνεται συνήθως με τη χρήση της μεθόδου δορυφορικής πλοήγησης, RTK (Real Time Kinematic), η οποία 29

ενισχύει την ακρίβεια δεδομένων θέσης, που προέρχονται από τα συστήματα εντοπισμού θέσης, μέσω δορυφόρου. Οι μετρήσεις στηρίζονται σε ένα σταθμό αναφοράς, τοποθετημένο σε σημείο γνωστών συντεταγμένων, ο οποίος παρέχει διορθώσεις σε πραγματικό χρόνο, με ακρίβεια μερικών εκατοστών. Όσα περισσότερα σημεία ελέγχου χρησιμοποιηθούν σε μια εφαρμογή, τόσο πιο ακριβή αποτελέσματα αναμένονται. 3.3.3 Σημεία ελέγχου (Ground Control Points, GCPs) Όπως αναφέρθηκε προηγουμένως, για την δημιουργία χαρτών ακριβείας, από γεωχωρικά δεδομένα, με τη χρήση οικονομικών εναέριων οχημάτων, απαιτείται η χρήση σημείων ελέγχου στο έδαφος. Κάθε σημείο ελέγχου αποτελεί ένα στόχο, τοποθετημένο στην περιοχή μελέτης, με γνωστές συντεταγμένες, οι οποίες χρησιμοποιούνται για τον υπολογισμό των θέσεων των υπόλοιπων σημείων. Ο αριθμός των σημείων ελέγχου, εξαρτάται κάθε φορά από το μέγεθος της περιοχής μελέτης, ενώ ο ελάχιστος αριθμός που απαιτείται από τα λογισμικά επεξεργασίας, είναι πέντε. Όσο περισσότερα σημεία ελέγχου τοποθετηθούν, τόσο πιο ακριβή αποτελέσματα προκύπτουν. Η διάσπαρτη διανομή τους στην περιοχή μελέτης και η τοποθέτηση κοντά σε σημεία απότομων υψομετρικών διαφορών, δίνει καλύτερα αποτελέσματα. Για τη σήμανση τους μπορούν να χρησιμοποιηθούν ειδικοί μαύροι στόχοι σε λευκό υπόβαθρο ή σταθερά σημεία όπως καρφιά ή σπρέι, για πιο μόνιμη επισήμανση. Το μέγεθος των στόχων εξαρτάται από την κλίμακα της φωτογραφίας (ύψος πτήσης), ώστε να είναι εύκολα εύκολα διακριτά στις εναέριες φωτογραφίες, κατά την επεξεργασία τους. Εικόνα 3.9: Τρόποι σήμανσης σημείων ελέγχου στο έδαφος. 30

Σε περιοχές όπου δεν υπάρχει πρόσβαση σε σύστημα GNSS (Global Navigation Satellite System), για μέτρηση των σημείων ή δεν είναι εύκολη η τοποθέτηση επίγειων σημείων, μπορεί να γίνει χρήση χαρακτηριστικών σημείων της περιοχής, των οποίων οι συντεταγμένες είναι γνωστές από κάποιο χάρτη, ή από υπηρεσίες διαδικτυακών χαρτών, ακόμη κι από σημεία τα οποία έχουν ήδη μετρηθεί στην περιοχή, για κάποια άλλη εφαρμογή παλαιότερα. 31

Κεφάλαιο 4 ο 4 Μεθοδολογία Η δημιουργία τρισδιάστατων μοντέλων, από αλληλουχίες ψηφιακών φωτογραφιών, με τη χρήση υπολογιστικών μεθόδων, έχει αναπτυχθεί πολύ τα τελευταία χρόνια. Αποτελούν μια εναλλακτική λύση των επίγειων σαρωτών λέιζερ, σε περιπτώσεις που δεν είναι εφικτή η χρήση τους και της παραδοσιακής φωτογραμμετρίας, λόγω του χαμηλού κόστους εξοπλισμού καθώς και της γρήγορης εξαγωγής ποιοτικών αποτελεσμάτων. Η επεξεργασία των αποτελεσμάτων τους γίνεται με τη χρήση προηγμένων λογισμικών φωτογραμμετρίας, για τη δημιουργία ορθοφωτογραφιών ακριβείας, τρισδιάστατων απεικονίσεων κ.α. 4.1 Μέθοδος Structure from motion (SFM) Η μεθοδος Structure from Motion (SFM), αποτελεί το συνολο αλγοριθμοκων διαδικασισων παραγωγής τρισδιάστατων αναπαραστάσεων, από αλληλουχίες επικαλυπτόμενων δισδιάστατων φωτογραφιών (multi-view reconstruction). Η αυτόματη ανακατασκευή των τρισδιάστατων μοντέλων από τις αλληλουχίες επικαλυπτόμενων φωτογραφιών με τη χρήση SFM μεθόδων, αποτελεί μια από τις πιο αποτελεσματικές μεθόδους της υπολογιστικής όρασης, όπου σε συνδυασμό με την αυξανόμενη χρήση εναέριων οχημάτων (UAV), ως αυτόνομες πλατφόρμες απεικόνισης, έχουν γίνει εργαλεία τρισδιάστατης απεικόνισης σε μεγάλο πλήθος επιστημών και εφαρμογών. Η μέθοδος SFM, δίνει τη δυνατότητα δημιουργίας της τρισδιάστατης γεωμετρίας καθώς και την ακριβή ανακατασκευή μιας πραγματικής περιοχής, ενός αντικειμένου, μνημείου, αξιοθέατου, από φωτογραφίες ή βίντεο. Άλλες γνωστές εφαρμογές της μεθόδου SFM, που χρησιμοποιούνται ευρέως, είναι εφαρμογές αυτόνομης πλοήγησης, οπτικοποίησης, καταγραφής της κίνησης, επεξεργασίας εικόνας/ βίντεο, τηλεπισκόπισης, καθώς και χαρτογράφησης τοπίου, δεδομένου ότι είναι δυνατή η δημιουργία ορθοφωτοχαρτών. Αποτελεί μια ευέλικτη και χαμηλού κόστους μέθοδο για την τεκμηρίωση και την ψηφιακή διαφύλαξη περιοχών και αντικειμένων ενδιαφέροντος. 32

Εικόνα 4.1: Structure from motion 3 Πιο συγκεκριμένα στα συστήματα SFM, με εισαγωγή ενός συνόλου από επικαλυπτόμενες εναέριες φωτογραφίες, οι οποίες απεικονίζουν μια περιοχή ενδιαφέροντος, γίνεται εξαγωγή ενός τρισδιάστατου νέφους σημείων της περιοχής, καθώς επίσης και πρόσθετες πληροφορίες, όπως οι θέσεις λήψης της κάμερας για κάθε φωτογραφία και οι απαραίτητες παράμετροι της φωτογραφικής μηχανής. Όπως και στην στερεοσκοπική όραση, με την οποία οι άνθρωποι ανακτούν την τρισδιάστατη δομή από τις προβαλλόμενες δισδιάστατες εικόνες ενός αντικειμένου στους αμφιβληστροειδείς, στην τεχνική αυτή είναι απαραίτητη η αντιστοίχιση αντικειμένων (σημείων), στις φωτογραφίες. 3 Dragon, as visible from different points of view: Johannes Zahn, "the radiating eye" frm Oculus Artificialis Teledioptricus Sive Telescopium (1702). 33

Στο παρακάτω διάγραμμα ροής, απεικονίζονται τα βασικά βήματα που ακολουθεί η μέθοδος SFM, για την δημιουργία και επεξεργασία τρισδιάστατης πληροφορίας μιας περιοχής ενδιαφέροντος. Διάγραμμα 4.1: Αλγοριθμικές Διαδικασίες SFM. 4.1.1 Αλγόριθμος SIFT Αρχικά πραγματοποιείται ο εντοπισμός και η καταγραφή μοναδικών χαρακτηριστικών σημείων σε κάθε εικόνα (detecting features), όπως ακμές και γωνίες. Υπάρχουν διάφοροι αλγόριθμοι για την ανίχνευση χαρακτηριστικών σημείων, οι πιο δημοφιλής βασίζονται στον Scale invariant feature transform 4 (SIFT) (Lowe 1999). O αλγόριθμος αυτός, χρησιμοποιείται στην υπολογιστική όραση, για να εντοπίζει και να περιγράφει τοπικά χαρακτηριστικά σε φωτογραφίες. Τα χαρακτηριστικά αυτά σημεία παραμένουν αναλλοίωτα στην κλίμακα και περιστροφή των εικόνων καθώς και 4 https://en.wikipedia.org/wiki/scale-invariant_feature_transform 34

στις εναλλαγές φωτισμού. Χρησιμοποιείται σε εφαρμογές αναγνώρισης αντικειμένων, ρομποτικής χαρτογράφησης και πλοήγησης, τρισδιάστατης απεικόνισης κ.α. Πιο συγκεκριμένα, τα χαρακτηριστικά αυτά σημεία των αντικειμένων που απεικονίζονται στις φωτογραφίες, εντοπίζονται σε περιοχές με υψηλή αντίθεση, αλλαγή χρωμάτων, αλλά και ακμές αντικειμένων, στη συνέχεια εξάγονται και αποθηκεύονται σε μια βάση δεδομένων. Τα σημεία αυτά και τα χαρακτηριστικά τους, η τρισδιάστατη θέση, τα διανύσματα και οι αποστάσεις από άλλα σημεία, είναι σημαντικό να ανιχνεύονται ακόμη και κάτω από αλλαγές στην κλίμακα της εικόνας, την ύπαρξη θορύβου, ομοιόμορφες αλλαγές χρωμάτων αλλά και κατά τις στροφές των εικόνων. Ο αλγόριθμος SIFT ακολουθεί ορισμένα στάδια για τον εντοπισμό των χαρακτηριστικών αυτών σημείων. Αρχικά εντοπίζονται σε όλες τις φωτογραφίες, χαρακτηριστικά σημεία τα οποία δεν εξαρτώνται ούτε από την κλίμακα, ούτε από τον προσανατολισμό της εικόνας, με την χρήση της συνάρτησης Difference of Gaussian. Στη συνέχεια για κάθε υποψήφιο σημείο, δημιουργείται λεπτομερές μοντέλο, έτσι ώστε να προσδιοριστεί η θέση και η κλίμακα του (Keypoint localization). Ακολουθεί ο προσανατολισμός των σημείων, με βάση τις τοπικές κατευθύνσεις κλίσεων της εικόνας (Orientation assignment). Στο επόμενο στάδιο γίνεται η περιγραφή των χαρακτηριστικών σημείων, με υπολογισμό των τοπικών κλίσεων γύρω από το σημείο, σύμφωνα με την επιλεγμένη κλίμακα, έτσι ώστε να επιτρέπουν τοπική παραμόρφωση σχημάτων και αλλαγές στον φωτισμό (Keypoint descriptor). Ένα αντικείμενο αναγνωρίζεται σε νέα εικόνα, συγκρίνοντας κάθε χαρακτηριστικό του με αυτά που βρίσκονται αποθηκευμένα στη βάση. Έτσι προκύπτουν πιθανά σημεία με βάση την ευκλείδεια απόσταση των διανυσματικών χαρακτηριστικών τους. Από το σύνολο των αντιστοιχιών που προκύπτουν, ξεχωρίζουν τα σημεία εκείνα που ταιριάζουν με το αντικείμενο, τη θέση του, την κλίμακα και τον προσανατολισμό της νέας εικόνας. (Lowe 2004) 35

Εικόνα 4.2: Εφαρμογή του SIFT αλγορίθμου σε μια εικόνα (αριστερά), περιγραφή των χαρακτηριστικών σημείων, keypoint descriptors (δεξιά). (Lowe 2004), (Westoby et al. 2012) Στη συνέχεια, πραγματοποιείται αντιστοίχιση αυτών των χαρακτηριστικών σημείων σε κάθε εικόνα (matching features), εντοπίζοντας κάθε σημείο και στις υπόλοιπες διαθέσιμες φωτογραφίες, με τη χρήση των αλγορίθμων, του κατά προσέγγιση κοντινότερου γείτονα (Arya et al. 1998) και του Random Sample Consensus (RANSAC;Martin A.Fischler Robert C.Bolles, 1987). Οι αντιστοιχίες φιλτράρονται από τον αλγόριθμο RANSAC και απορρίπτονται εκείνες με τις μεγαλύτερες αποστάσεις από τα υπόλοιπα δεδομένα. Εικόνα 4.3: Εφαρμογή αλγορίθμου RANSAC. 36

Εικόνα 4.4: Αντιστοίχιση κοινών χαρακτηριστικών σημείων στις φωτογραφίες. 4.1.2 Ευθυγράμμιση και προσανατολισμός φωτογραφιών Η αντιστοίχιση των κοινών χαρακτηριστικών μεταξύ των φωτογραφιών αποτελεί απαραίτητη διαδικασία, καθώς χρησιμοποιούνται στη συνέχεια, στη διαδικασία του τριγωνισμού, δηλαδή για τον υπολογισμό των τρισδιάστατων θέσεων των σημείων καθώς και για την εξαγωγή των παραμέτρων και των θέσεων της κάμερας, σε κάθε λήψη. Εικόνα 4.5: Εφαρμογή αλγορίθμου Bundle Adjustment. 37

Η διαδικασία αυτή αντιστοιχεί στον εσωτερικό προσανατολισμό της φωτογραμμετρικής μεθόδου και πραγματοποιείται με τη χρήση του αλγορίθμου Βundle adjustment, δηλαδή με την μέθοδο προσανατολισμού των εικόνων (Snavely et al. 2008). Αντικείμενα που αποτελούνται από τουλάχιστον δυο χαρακτηριστικά σημεία και απεικονίζονται σε τρεις φωτογραφίες, χρησιμοποιούνται για τον υπολογισμό των τρισδιάστατων θέσεων των σημείων και τη δημιουργία ενός νέφους σημείων, ενώ όσα δεν πληρούν αυτές τις προϋποθέσεις απορρίπτονται αμέσως. (Westoby et al. 2012) Εικόνα 4.6: Υπολογισμός θέσεων τρισδιάστατων σημείων από 3 φωτογραφίες. Εικόνα 4.7: Αποτέλεσμα ευθυγράμμισης και προσανατολισμού φωτογραφιών. 38

4.2 Ανακατασκευή τρισδιάστατου μοντέλου Επόμενα βήματα επεξεργασίας, περιλαμβάνουν τη δημιουργία πυκνού νέφους σημείων, με τη χρήση αλγορίθμων πολλαπλής εμπροσθοτομίας, γνωστοί και ως MVS (Μulti view stereo), που κατασκευάστηκαν με σκοπό την τρισδιάστατη ανακατασκευή μοντέλου από σύνολο φωτογραφιών. Τέτοιοι είναι οι CMVS (Cluster Multi View Stereo) και PMVS (Patch-based Multi View Stereo). Ο πρώτος διαχωρίζει τις φωτογραφίες εισόδου σε μικρότερες ομάδες και χρησιμοποιεί τον MVS αλγόριθμο για την επεξεργασία κάθε ομάδας εικόνων, χωριστά και παράλληλα, εξασφαλίζοντας τη συνέχεια μεταξύ των ομάδων και τη διατήρηση των λεπτομερειών του συνολικού αποτελέσματος. Ενώ, ο δεύτερος με εισαγωγή ενός σετ φωτογραφιών και παραμέτρων της φωτογραφικής μηχανής, δημιουργεί ένα πυκνό νέφος σημείων (dense point cloud). Στη συνέχεια, μπορεί να γίνει ανακατασκευή 3D επιφάνειας με τριγωνισμό και απόδοση υφής στο τριγωνικό πλέγμα, ώστε να είναι δυνατή η δημιουργία ψηφιακών μοντέλων εδάφους καθώς και ορθοφωτογραφιών. Εικόνα 4.8: Πυκνό νέφος σημείων (dense point cloud) και επιφάνεια τριγωνικού πλέγματος (mesh). Για περαιτέρω επεξεργασία, καθαρισμό, διόρθωση και μετατροπή των νεφών σημείων, σε επιφάνειες τριγωνικών πλεγμάτων, με μεθόδους όπως η ανακατασκευή επιφάνειας Poisson, χρησιμοποιούνται ειδικά λογισμικά 5, στα οποία πραγματοποιείται εισαγωγή των νεφών σημείων, που προκύπτουν από SFM λογισμικά. 5 Meshlab: λογισμικό ανοιχτού κώδικα, που δημιουργεί επιφάνειες τριγωνικών πλεγμάτων (mesh), από νέφη σημείων. 39

Εικόνα 4.9: Επιφάνεια τριγωνικού πλέγματος: Αποτέλεσμα τριγωνισμού με τη μέθοδο Poisson. 4.3 Διαδικασία Γεωαναφοράς Τελικό στάδιο επεξεργασίας αποτελεί η απόδοση υφής στο τριγωνικό πλέγμα μοντέλου που έχει δημιουργηθεί, δίνοντας τη δυνατότητα εξαγωγής ορθοφωτογραφιών ακριβείας. Σε περιπτώσεις που έχουν τοποθετηθεί σημεία ελέγχου στο έδαφος (GCPs), είναι δυνατή η εξαγωγή γεωαναφερμένης ορθοφωτογραφίας, στο επιθυμητό σύστημα συντεταγμένων (εξωτερικός προσανατολισμός). Για την ακριβή διαδικασία γεωαναφοράς, είναι απαραίτητο τα σημεία να τοποθετούνται ομοιόμορφα σε όλη την περιοχή ενδιαφέροντος και να είναι ευδιάκριτα. Η μέτρηση τους γίνεται με όργανα ακριβείας και τη χρήση επίγειων τοπογραφικών μεθόδων. 40

Εικόνα 4.10: Σημεία ελέγχου εδάφους (GCPS) στις φωτογραφίες και στο νέφος σημείων. 4.4 Λογισμικά Επεξεργασίας Για την απόκτηση υψηλής ανάλυσης και ακριβούς αναπαράστασης ενός αντικειμένου, με τη χρήση της μεθόδου SFM, υπάρχουν αρκετοί περιορισμοί σχετικά με την ποιότητα των δεδομένων εικόνας, τα οποία συχνά γίνονται πηγές ανακρίβειας. Η ποιότητα και η πληρότητα των τρισδιάστατων μοντέλων που δημιουργούνται με τη μέθοδο SFM, εξαρτώνται σε μεγάλο βαθμό από την ευκρίνεια, την πυκνότητα και την ανάλυση των αρχικών εικόνων καθώς και τον τρόπο λήψης τους. Όπως η επαρκής επικάλυψη (απόσταση μεταξύ των διαδοχικών θέσεων της κάμερας) μεταξύ των εικόνων, ώστε να υπάρχουν κοινά σημεία για αντιστοίχιση, η λήψη σε αλληλουχία ώστε η υφή να είναι επαναλαμβανόμενη, ο σωστός φωτισμός για τη απόδοση καλής υφής στο μοντέλο, σε επόμενο στάδιο επεξεργασίας, καθώς επίσης και η κάλυψη όλης της περιοχής ενδιαφέροντος. Ο συνδυασμός της μεθόδου SFM, με τη χρήση μη επανδρωμένων εναέριων οχημάτων, αναφέρεται ως μια επαναστατική μέθοδος από πολλούς κι αυτό οφείλεται στο χαμηλό κόστος της, την εφαρμογή της σε πολλούς τομείς και επιστήμες, καθώς και την απόκτηση γρήγορων και υψηλής ανάλυσης δεδομένων ευρείας κλίμακας. Σε αντίθεση με τις παραδοσιακές φωτογραμμετρικές μεθόδους, δεν απαιτείται η γνώση 41

των θέσεων και του προσανατολισμού της κάμερας, καθώς είναι δυνατόν να υπολογιστούν αυτόματα, με χρήση ειδικών αλγορίθμων, οι οποίοι προσφέρουν αυτοματοποιημένες διαδικασίες. Για την επεξεργασία και την εξαγωγή των τελικών αποτελεσμάτων, υπάρχουν πολλά διαθέσιμα πακέτα λογισμικού, που χρησιμοποιούν την τεχνική structure from motion (SFM). Κάποια από αυτά είναι διαδικτυακά και επιτρέπουν στον χρήστη την επεξεργασία των δεδομένων τους εξ αποστάσεως, καθώς και λογισμικά υπολογιστή, κλειστού και ανοιχτού κώδικα. Η επεξεργασία με τη χρήση αυτών των λογισμικών είναι απλή και αρκετά αυτοματοποιημένη, ενώ απαιτείται μεγάλη υπολογιστική ισχύς, για την απόκτηση ποιοτικών αποτελεσμάτων. Μερικά τέτοια λογισμικά, αναφέρονται παρακάτω: Bundler 6 : λογισμικό ανοιχτού κώδικα, στο οποίο με εισαγωγή μη ταξινομημένων φωτογραφιών, προκύπτει ένα τρισδιάστατο νέφος σημείων (sparse point cloud), καθώς και οι παράμετροι των φωτογραφιών. CMVS 7 : λογισμικό ανοιχτού κώδικα, όπου με εισαγωγή του αποτελέσματος ενός sfm λογισμικού, πραγματοποιείται διαχωρισμός των εικόνων εισόδου σε μικρότερες ομάδες και χρήση ενός MVS αλγορίθμου, για την επεξεργασία κάθε ομάδας εικόνων, χωριστά και παράλληλα. Το λογισμικό αυτό χρησιμοποιείται σε συνδυασμό με ένα SFM (Bundler) και ένα MVS (PMVS2) 8 λογισμικό. Visual SFM: λογισμικό ανοιχτού κώδικα με γραφικό περιβάλλον (GUI), το οποίο αναπτύχθηκε από τον Changchang Wu και είναι βασισμένο στη δημοφιλή μέθοδο SFM. Το σύστημα ανασυγκρότησης ενσωματώνει και συνδυάζει διάφορoυς αλγόριθμους μεταξύ των οποίων, SIFT για GPU και το Multicore Bundle Adjustment, για την ανίχνευση χαρακτηριστικών σημείων, αντιστοίχιση τους στις φωτογραφίες, δημιουργία αραιού νέφους σημείων και γεωαναφορά του μοντέλου. Εκτός από το sparse point cloud, χρησιμοποιεί το εργαλείο PMVS/CMVS, για την εξαγωγή ενός πυκνού νέφους σημείων (dense point cloud). PMVS (open source) και CMPMVS (freeware): Το VisualSFM παρέχει διασυνδέσεις για να τρέξει το PMVS/ CMVS εργαλείο, και την προετοιμασία των δεδομένων για το 6 http://www.cs.cornell.edu/~snavely/bundler/ 7 http://www.di.ens.fr/cmvs/ 8 http://www.di.ens.fr/pmvs/ 42

CMPMVS λογισμικό του Michal Jancosek. Με εισαγωγή των απαραίτητων στοιχείων (όπως φωτογραφίες και παράμετροι μηχανής), που παράγονται από το Visual SFM, προκύπτουν πολύ πυκνά νέφη σημείων (ενώ το Visual SFM παράγει 3D μοντέλα αρκετών χιλιάδων σημείων, τα εργαλεία αυτά παράγουν εκατομμύρια σημεία). RunSFM: άλλο ένα λογισμικό ανοιχτού κώδικα, το οποίο εμπεριέχει τα Bundler και CMVS. Insight3D 9 : λογισμικό που χρησιμοποιείται, για τη δημιουργία τρισδιάστατων μοντέλων, καθώς και για τη δημιουργία υφής σε πολυγωνικά μοντέλα, με τη χρήση διαδραστικών εργαλείων. AgiSoft PhotoScan: ένα εμπορικό λογισμικό, το οποίο λειτουργεί στο λειτουργικό σύστημα των Windows. Παράγει πολύ καλής ποιότητας πυκνό νέφος σημείων (dense point cloud). Επίσης δίνει τη δυνατότητα εξαγωγής ορθοφωτογραφίας και DEM, της περιοχής ενδιαφέροντος. Pix4D 10 : ένα εμπορικό λογισμικό, το οποίο έχει σχεδιαστεί ειδικά για εναέριες φωτογραφίες τραβηγμένες από UAV. Microsoft Photosynth 11 : μια διαδικτυακή υπηρεσία, που υπολογίζει το Bundle adjustment. Γίνεται εισαγωγή σε αυτό, ενός σετ φωτογραφιών, οι οποίες συν θέτονται σε ένα βίντεο με το αντικείμενο που απεικονίζεται στις φωτογραφίες. ARC3D 12 : μια διαδικτυακή υπηρεσία ανασυγκρότησης για αυτόματη αντιστοίχιση των χαρακτηριστικών της εικόνας, και υπολογισμό ενός χάρτη βάθους για κάθε φωτογραφία. Autodesk 123D 13 : ένα εμπορικό εργαλείο, το οποίο υπολογίζει πυκνά νέφη σημείων (dense point clouds). (Torres et al. 2012), (Westoby et al. 2012) 9 http://insight3d.sourceforge.net/ 10 https://pix4d.com/ 11 https://photosynth.net/ 12 http://www.arc3d.be/ 13 http://www.123dapp.com/ 43

Κεφάλαιο 5 ο 5 Λογισμικό Ανοιχτού Κώδικα (Visual SFM) Η εξέλιξη λογισμικών ανοιχτού κώδικα, που επιτρέπουν στο χρήστη να δημιουργεί νέφη σημείων καθώς και 3D μοντέλα, με τη χρήση μόνο των ψηφιακών φωτογραφικών μηχανών τους, είναι ραγδαία τα τελευταία χρόνια. Η εξέλιξη αυτή καθώς και οι επιλογές αυξάνονται συνεχώς μέσα από την έρευνα και τις νέες λύσεις που παρέχονται, για τη δημιουργία τρισδιάστατων νεφών σημείων (point clouds) καθώς και τριγωνικών μοντέλων (meshes), τα οποία μπορούν να εισαχθούν απευθείας σε CAD λογισμικά ή πακέτα προσομοίωσης. Μία από αυτές τις επιλογές, αποτελεί το λογισμικό Visual SFM, το οποίο επεξεργάζεται μεγάλο αριθμό φωτογραφιών και εξάγει ένα πυκνό νέφος σημείων. Είναι ένα λογισμικό ανοιχτού κώδικα με γραφικό περιβάλλον (GUI), αναπτύχθηκε από τον Changchang Wu και είναι βασισμένο στη δημοφιλή μέθοδο Structure From Motion. Το Visual SFM ενσωματώνει και συνδυάζει διάφορους αλγόριθμους μεταξύ των οποίων, τον SIFT GPU και Multicore Bundle Adjustment, για την ανίχνευση χαρακτηριστικών σημείων, αντιστοίχιση τους στις φωτογραφίες, δημιουργία αραιού νέφους σημείων και γεωαναφορά του μοντέλου. Εκτός από το sparse point cloud, χρησιμοποιεί το εργαλείο PMVS/CMVS, για την εξαγωγή ενός πυκνού νέφους σημείων (dense point cloud), σε μεγάλο αριθμό φωτογραφιών. Επίσης τα αποτελέσματα του λογισμικού μπορούν να χρησιμοποιηθούν για περαιτέρω επεξεργασία σε λογισμικά όπως το CMPMVS του Michal Jancosek, όπου γίνεται εισαγωγή των αραιών νεφών σημείων που παράγονται από το VisualSFM και εξάγει μεταξύ άλλων, πολύ πυκνά νέφη σημείων (ενώ το VisualSFM παράγει αραιά 3D μοντέλα αρκετών χιλιάδων σημείων, τα εργαλεία αυτά παράγουν εκατομμύρια σημεία). (Eugene Liscio 2011) 44

Διάγραμμα 5.1: Διαδικασία επεξεργασίας στο λογισμικό Visual SFM. 5.1 Διαδικασία επεξεργασίας Η διαδικασία που ακολουθείται για την παραγωγή νέφους σημείων στο λογισμικό Visual SFM, περιγράφεται από τέσσερα βασικά βήματα: Αρχικά, πραγματοποιείται εισαγωγή των επιθυμητών φωτογραφιών της περιοχής ή του αντικειμένου ενδιαφέροντος. Το λογισμικό επιτρέπει την εισαγωγή εκατοντάδων φωτογραφιών, είτε με εισαγωγή των αρχείων, είτε με τη λίστα των εικόνων. Επίσης το λογισμικό αναγνωρίζει αυτόματα και κάποιες πληροφορίες σχετικά με την κάμερα λήψης και στοιχεία των φωτογραφιών (exif data). 45

Εικόνα 5.1: Εισαγωγή εικόνων στο περιβάλλον του λογισμικού, προβολή επιπλέον πληροφοριών στο παράθυρο δεξιά. Στη συνέχεια, εντοπίζονται και αντιστοιχίζονται κοινά χαρακτηριστικά σημεία, μεταξύ των εικόνων. Κατά τη διαδικασία αυτή, εμφανίζεται ένα γράφημα που συνδέει τις φωτογραφίες με κοινά χαρακτηριστικά. Σε αυτό το βήμα, χρησιμοποιείται ο αλγόριθμος SIFT ή siftgpu. Με την ολοκλήρωση της διαδικασίας, είναι δυνατή η εξαγωγή των αποτελεσμάτων αντιστοίχισης (nview matches,*.nvm format) Εικόνα 5.2: Αντιστοιχίσεις φωτογραφιών (Spanning tree). Το λογισμικό δίνει τη δυνατότητα προβολής των κοινών σημείων (αντιστοιχίες), που εντοπίστηκαν σε αυτό το βήμα, ανά ζεύγη εικόνων και ένα γράφημα (match matrix), του οποίου οι γραμμές και οι στήλες αντιπροσωπεύουν, τις συνδέσεις μεταξύ των φωτογραφιών, μέσω των χαρακτηριστικών σημείων τους και την επικάλυψη τους. 46

Εικόνα 5.3: Αντιστοιχίσεις χαρακτηριστικών σημείων, ανά ζεύγη εικόνων. Εικόνα 5.4:Match matrix 14, εναέριων φωτογραφιών με κανονικό σχέδιο πτήσης (αριστερά) και με μη κανονικό σχεδιασμό πλάγιων φωτογραφιών. Σε αυτό το βήμα γίνεται η δημιουργία του αραιού νέφους σημείων, δηλαδή οι αντιστοιχίες που δημιουργήθηκαν πριν, μετατρέπονται σε τρισδιάστατα σημεία σε ένα σύστημα συντεταγμένων. Στην οθόνη εμφανίζονται κατά τη διάρκεια του υπολογισμού τους, οι θέσεις των τρισδιάστατων σημείων, καθώς και οι θέσεις της κάμερας σε κάθε λήψη. 14 (Rumpler et al. n.d.) 47

Εικόνα 5.5: Ευθυγράμμιση φωτογραφιών (camera positions) και αραιό νέφος σημείων (sparse point cloud). Στο τελευταίο κύριο βήμα, γίνεται η δημιουργία πυκνού νέφους σημείων, με τη χρήση του εργαλείου CMVS/PMVS. Αφού επιβεβαιωθεί το σημείο αποθήκευσης του τρισδιάστατου μοντέλου που θα προκύψει από αυτό το βήμα, ξεκινά η διαδικασία δημιουργίας του. Το νέφος σημείων που προκύπτει (*.ply format), μπορεί να υποστεί τριγωνισμό ή άλλη επεξεργασία, με εισαγωγή σε κατάλληλα λογισμικά. Εικόνα 5.6: Πυκνό νέφος σημείων (dense point cloud). Κάποιες επιπλέον επιλογές που παρέχει το Visual SFM, είναι η επεξεργασία του τελικού νέφους σημείων, προσθέτοντας περισσότερα σημεία, η χειροκίνητη αντιστοίχιση κάποιων φωτογραφιών, όταν η εφαρμογή αντιμετωπίζει πρόβλημα αυτόματης αντιστοίχισης τους. Η γεωαναφορά του τρισδιάστατου μοντέλου, με προσθήκη σημείων ελέγχου γνωστών συντεταγμένων, στο επιθυμητό σύστημα αναφοράς (GCP-based transform) ή με εισαγωγή λίστας των θέσεων της κάμερας, στην περίπτωση που είναι γνωστές (GPS-based transform). Επίσης, είναι δυνατή η εξαγωγή υψηλής ανάλυσης εικόνων της τρέχουσας προβολής στην οθόνη. 48

Εικόνα 5.7: Τοποθέτηση σημείων ελέγχου στις φωτογραφίες (αριστερά), προβολή των σημείων ελέγχου στο νέφος σημείων (δεξιά). Επόμενα βήματα επεξεργασίας, περιλαμβάνουν τη δημιουργία πυκνού νέφους σημείων, με τη χρήση αλγορίθμων, όπως οι CMVS-PMVS, ανακατασκευή της επιφάνειας με τριγωνισμό (δημιουργία επιφάνειας πλέγματος, mesh) και απόδοση υφής στο τριγωνικό πλέγμα, ώστε να είναι δυνατή στη συνέχεια η εξαγωγή μεταξύ άλλων ψηφιακών μοντέλων εδάφους (DTM, DSM) και ορθοφωτογραφιών. Όπως αναφέρθηκε και παραπάνω είναι δυνατή η εισαγωγή των αποτελεσμάτων του Vsfm, σε άλλα λογισμικά για περαιτέρω επεξεργασία και εξαγωγή επιπλέον προϊόντων. Το Meshlab 15 είναι ένα λογισμικό κατάλληλο για δημιουργία τριγωνικών επιφανειών (mesh). Είναι λογισμικό ανοιχτού κώδικα, για την επεξεργασία και την επιμέλεια των μη δομημένων τρισδιάστατων τριγωνικών πλεγμάτων και χρησιμοποιείται για την επεξεργασία των νεφών σημείων που προκύπτουν από SFM λογισμικά, προσφέροντας μια σειρά από εργαλεία για την επεξεργασία, τον καθαρισμό, την διόρθωση και μετατροπή των νεφών σημείων, σε τριγωνικά πλέγματα, με τη μέθοδο Poisson. 15 http://meshlab.sourceforge.net/ 49

Εικόνα 5.8: Τριγωνικό πλέγμα: Αποτέλεσμα τριγωνισμού με τη μέθοδο Poisson. (Meshlab) Το Visual SFM, δίνει τη δυνατότητα εξαγωγής αρχείου (.cmp), όπου περιέχονται όλες οι απαραίτητες πληροφορίες, όπως οι φωτογραφίες και οι παράμετροι μηχανής (στοιχεία εσωτερικής και εξωτερικής βαθμονόμησης μηχανής), για περαιτέρω επεξεργασία στο λογισμικό CMPMVS 16. Στην περίπτωση αυτή δεν είναι αναγκαία η δημιουργία πυκνού νέφους σημείων, καθώς το λογισμικό CMPMVS δημιουργεί και εξάγει ψηφιακό μοντέλο εδάφους (DEM), τρισδιάστατο μοντέλο με τριγωνική επιφάνεια, καθώς και ορθοφωτογραφία της περιοχής μελέτης. Εικόνα 5.9: Διαδικασία επεξεργασίας στο λογισμικό CMPMVS (dense point cloud,mesh,textured mesh). 16 http://ptak.felk.cvut.cz/sfmservice/websfm.pl?menu=cmpmvs 50

Κεφάλαιο 6 ο 6 Λογισμικό κλειστού κώδικα (Agisoft Photoscan) Το Agisoft Photoscan είναι ένα εμπορικό πακέτο λογισμικού, χαμηλού κόστους και παράγεται από την ρωσική εταιρεία AgiSoft LLC. Η ενσωματωμένη τεχνολογία του προέρχεται από το ερευνητικό πεδίο υπολογιστικής όρασης και χρησιμοποιεί τη λεγόμενη δομή από την κίνηση (Structure from motion, SFM) και τεχνικές πυκνής ανοικοδόμησης. Αποτελεί μια προηγμένη λύση βασισμένη σε φωτογραφίες, για την δημιουργία υψηλής ποιότητας τρισδιάστατων αντικειμένων με τη χρήση απλών φωτογραφιών. Κατασκευάστηκε για να λειτουργεί σε συστήματα Windows και υποστηρίζει διάφορα αρχεία εικόνας, όπως: JPEG, TIFF, PNG, BMP ή MPO. Σε οποιοδήποτε στάδιο, δίνεται η δυνατότητα στο χρήστη να παρέμβει και να απενεργοποιήσει ή να ενεργοποιήσει μεμονωμένες φωτογραφίες, καθώς και να εισάγει τριγωνικά πλέγματα (meshes) ή υφές (textures), που δημιουργήθηκαν σε άλλες εφαρμογές. Η μόνη προϋπόθεση για καλή ανακατασκευή, είναι η περιοχή ενδιαφέροντος να απεικονίζεται τουλάχιστον σε δύο φωτογραφίες. Οι αλγόριθμοι υπολογιστικής όρασης που χρησιμοποιούνται, υπολογίζουν τις εσωτερικές παραμέτρους του οπτικού συστήματος και τη χωρική τοποθέτηση των θέσεων λήψης της εικόνας. Όπως αναφέρθηκε και παραπάνω, η διαδικασία που ακολουθείται είναι απλή, καθώς όλα τα βήματα είναι αυτοματοποιημένα, με δυνατότητα παρεμβολής του χρήστη όπου χρειάζονται ρυθμίσεις παραμέτρων. Για την παράγωγη αξιόπιστων αποτελεσμάτων, απαιτούνται η σωστή λήψη των φωτογραφιών, δηλαδή επαρκής επικάλυψη μεταξύ των εικόνων, ώστε να είναι δυνατή η αντιστοίχιση μεταξύ τους, αποφυγή χρήσης θολωμένων εικόνων ή με θόρυβο. Καθώς και χρήση επαρκούς αριθμού φωτογραφιών, ώστε να καλύπτεται όλη η περιοχή μελέτης. (Agisoft LLC 2011) Στο παρακάτω διάγραμμα, εμφανίζονται με τη σειρά τα βήματα της διαδικασίας, που απαιτούνται, για την εξαγωγή ορθοφωτογραφίας, ψηφιακού μοντέλου εδάφους, τριγωνικής επιφάνειας, νέφους σημείων κ.α. 51

Διάγραμμα 6.1: Διαδικασία επεξεργασίας στο λογισμικό Agisoft Photoscan 6.1 Διαδικασία επεξεργασίας Η διαδικασία επεξεργασίας που ακολουθείται στο λογισμικό Agisoft Photoscan, περιγράφεται στα παρακάτω βήματα: Αρχικά γίνεται εισαγωγή των εικόνων της περιοχής ενδιαφέροντος που θέλουμε να μελετήσουμε, δίνεται η δυνατότητα απόκρυψης ή και διαγραφής εικόνων που θεωρούνται ακατάλληλες για επεξεργασία. 52

Εικόνα 6.1: Εισαγωγή φωτογραφιών στο περιβάλλον του Agisoft Photoscan. Στη συνέχεια, το πρώτο βασικό βήμα αποτελεί η ευθυγράμμιση των εικόνων (photo alignment), εκτελείται με την τεχνική του SFM (SFM; Ullman, 1979), όπου επιτρέπει την ανακατασκευή της τρισδιάστατης γεωμετρίας της σκηνής και την κίνηση της κάμερας από μια σειρά δισδιάστατων εικόνων. Αυτό επιτυγχάνεται με την ανίχνευση χαρακτηριστικών σημείων (detecting points) στις φωτογραφίες και τον εντοπισμό τους (matching points), σε όλη την ακολουθία φωτογραφιών. Στη συνέχεια οι τρισδιάστατες θέσεις των σημείων αυτών εκτιμώνται και δημιουργείται ένα αραιό νέφος σημείων. Τα εξαγόμενα αποτελέσματα στο πρώτο αυτό στάδιο, είναι: ένα τρισδιάστατο νέφος μερικών χιλιάδων σημείων της βασικής γεωμετρίας της περιοχής, οι θέσεις της κάμερας κατά τη διάρκεια λήψης των φωτογραφιών και οι παράμετροι εσωτερικής βαθμονόμησης της φωτογραφικής μηχανής. Αυτό σημαίνει ότι δεν είναι απαραίτητη η βαθμονόμηση της μηχανής πριν τη λήψη των φωτογραφιών καθώς όλες οι παράμετροι είναι διαθέσιμες και εισάγονται αυτόματα στο λογισμικό. 53

Εικόνα 6.2: Ευθυγράμμιση φωτογραφιών(alignment) και αραιό νέφος σημείων(sparse point cloud). Απαραίτητες προϋποθέσεις για τη σωστή ευθυγράμμιση των εικόνων, αποτελούν ο σωστός τρόπος λήψης των φωτογραφιών (γεωμετρία κάμερας), η μεγάλη επικάλυψη (60-80%) μεταξύ τους, η επάρκεια λεπτομερειών στην επιφάνεια που αποτυπώνεται, καθώς τα επαναλαμβανόμενα μοτίβα, καθιστούν δύσκολο τον εντοπισμό χαρακτηριστικών σημείων και η ποιότητα των εικόνων (αποφεύγονται θολές ή φωτογραφίες με θόρυβο). Με το τέλος αυτής της διαδικασίας, δίνεται η δυνατότητα ελέγχου της ποιότητας των εικόνων που χρησιμοποιήθηκαν (estimate image quality). Σε περιπτώσεις που οι φωτογραφίες είναι κουνημένες ή θολές, απομακρύνονται από την αλληλουχία του συνόλου των εικόνων, για την αποφυγή κακής ποιότητας αποτελεσμάτων, εφόσον έχει εξασφαλιστεί νωρίτερα σωστή επικάλυψη, σε όλη την περιοχή μελέτης. Επίσης μπορεί να γίνει έλεγχος των αντιστοιχίσεων χαρακτηριστικών σημείων μεταξύ των διαδοχικών εικόνων, για τον εντοπισμό σφαλμάτων κατά την εφαρμογή του αλγορίθμου. Εικόνα 6.3: Καλή αντιστοίχιση σημείων (350 σωστά, μπλε γραμμές/ 87 λάθος κόκκινες γραμμές) και κακή αντιστοίχιση σημείων (5 σωστά / 18 λάθος). 54

Στη συνέχεια πραγματοποιείται η δημιουργία του πυκνού νέφους σημείων, βασιζόμενο στις θέσεις της κάμερας. Το νέφος αυτό μπορεί να επεξεργαστεί, ώστε να αφαιρεθούν σημεία που δεν έχουν τοποθετηθεί σωστά και δημιουργούν θόρυβο στο μοντέλο. Εικόνα 6.4: Πυκνό νέφος σημείων (dense point cloud). Στο επόμενο στάδιο, δημιουργείται μια επιφάνεια τριγωνικού πλέγματος (mesh), η οποία αντιπροσωπεύει την επιφάνεια της περιοχής μελέτης, με βάση το νέφος σημείων που δημιουργήθηκε προηγουμένως. Μετά τη δημιουργία του τριγωνικού πλέγματος, το Photoscan δίνει τη δυνατότητα επεξεργασίας του, όπως διαγραφή κάποιων ανεπιθύμητων τμημάτων του, κλείσιμο κάποιων κενών και άλλα. Εικόνα 6.5: Επιφάνεια τριγωνικού πλέγματος (mesh). 55

Μετά τη δημιουργία της γεωμετρίας του αντικειμένου (mesh), είναι δυνατό να δοθεί υφή και χρώμα (texture) στο μοντέλο, από τις φωτογραφίες. Το αποτέλεσμα που προκύπτει είναι ένα ρεαλιστικό τρισδιάστατο μοντέλο, το οποίο απεικονίζει με ακρίβεια την πραγματική περιοχή μελέτης, δίνοντας τη δυνατότητα εξαγωγής ακριβούς ορθοφωτογραφίας. Εικόνα 6.6: Τρισδιάστατο μοντέλο με υφή και χρώμα (texture). Το Agisoft Photoscan, εκτός από τη δημιουργία τρισδιάστατων μοντέλων, πιστών αντίγραφων της πραγματικότητας, δίνει τη δυνατότητα γεωαναφορά τους, ώστε να αποκτήσουν την πραγματική θέση τους στο χώρο. Με αυτό τον τρόπο, η ορθοφωτογραφία και τα υπόλοιπα αποτελέσματα, μπορούν να μεταφερθούν, στο επιθυμητό σύστημα συντεταγμένων. Η διαδικασία της γεωαναφοράς πραγματοποιείται με τη χρήση των θέσεων της κάμερας σε κάθε λήψη, εάν είναι γνωστές, καθώς και με τοποθέτηση σημείων ελέγχου (GCPs), τα οποία έχουν μετρηθεί προηγουμένως στο έδαφος και γνωρίζουμε την ακριβή τους θέση. Με εισαγωγή των συντεταγμένων των σημείων αυτών στο λογισμικό και τοποθέτησης τους στις φωτογραφίες, όπου αυτά είναι ορατά, το μοντέλο διαθέτει πλέον συγκεκριμένο σύστημα αναφοράς. 56

Εικόνα 6.7: Σημεία ελέγχου (GCPS), τοποθετημένα στην περιοχή μελέτης. Όπως αναφέρθηκε ήδη, στο τέλος της επεξεργασίας, είναι δυνατή η εξαγωγή ψηφιακού μοντέλου εδάφους (DEM), της περιοχής μελέτης, το οποίο να διαθέτει όλα τα αντικείμενα και υπερκείμενες κατασκευές που υπάρχουν στην περιοχή (Digital Surface model, DSM), ή με επιλογή μόνο των σημείων που αποτελούν έδαφος (Digital Terrain Model, DTM). Αυτό επιτυγχάνεται με δύο τρόπους: Διαχωρισμό του μοντέλου σε δύο κλάσεις, μία για το έδαφος και μία για τα υπόλοιπα σημεία Εικόνα 6.8: Ταξινόμηση νέφους σημείων με δύο κλάσεις: έδαφος (καφέ χρώμα), λοιπά σημεία (λευκό χρώμα). 57

Ταξινόμηση του πυκνού νέφους σημείων, σε κατηγορίες κλάσεων, σύμφωνα με το πρότυπο ASPRS Standard Lidar Point Classes. Οι κλάσεις που δημιουργούνται απεικονίζονται με διαφορετικό χρώμα και είναι οι εξής: κτίρια, χαμηλή, μεσαία και υψηλή βλάστηση, κατασκευές, αντικείμενα. Εικόνα 6.9: Ταξινόμηση του νέφους σημείων με κατηγορίες κλάσεων. Η 3D τριγωνική επιφάνεια που προκύπτει με διατήρηση όλων των κλάσεων και μόνο με το ανάγλυφο του εδάφους, μετά την ταξινόμηση, φαίνεται στις παρακάτω εικόνες. Εικόνα 6.10: 3D τριγωνική επιφάνεια (mesh) με όλες τις κλάσεις (αριστερά) για δημιουργία DSM και μόνο με το ανάγλυφο του εδάφους (δεξιά), για δημιουργία DTM. 58

Τέλος, τo λογισμικό Agisoft Photoscan δίνει τη δυνατότητα εξαγωγής των παραγόμενων αποτελεσμάτων σε κάθε βήμα του, όπως το νέφος σημείων (sparse or dense point cloud), το τριγωνικό πλέγμα (mesh), την υφή (texture), καθώς και κάποια πρόσθετα στοιχεία που ανακτά και χρησιμοποιεί κατά τη διάρκεια της διαδικασίας δημιουργίας τους τρισδιάστατου μοντέλου, όπως είναι οι θέσεις της κάμερας, οι παράμετροι βαθμονόμησης της κάμερας, τα σημεία ελέγχου και οι αντιστοιχίες μεταξύ των φωτογραφιών. Καθώς και την εξαγωγή λεπτομερούς αναφοράς, όπου περιλαμβάνονται όλα τα αποτελέσματα και οι παράμετροι που χρησιμοποιήθηκαν κατά τη διαδικασία της επεξεργασίας. 59

Κεφάλαιο 7 ο 7 Συστήμα συλλογής χωρικής πληροφορίας Η χρήση UAV, για εναέρια αποτύπωση, σε συνδυασμό, με τις τεχνολογίες υπολογιστικής όρασης, άνοιξαν δρόμο σε ένα ευρύ φάσμα εφαρμογών και επιστημονικών τομέων. Μεταξύ αυτών η τεκμηρίωση της πολιτιστικής κληρονομιάς και περιοχών ενδιαφέροντος που απειλούνται από φυσικές φθορές και κινδύνους. Σε αυτό το κεφάλαιο παρουσιάζονται αναλυτικά τα τμήματα του συστήματός που επιλέχθηκαν, για καλύτερη και ακριβέστερη καταγραφή, της διάβρωσης και μεταφοράς φερτών υλικών στην παραλία της σκάλας Ερεσού και του Αρχαίου Θεάτρου Μυτιλήνης. 7.1 UAV (μη επανδρωμένο εναέριο όχημα) Για την πραγματοποίηση των αποστολών, χρησιμοποιήθηκε το UAV, που διαθέτει το εργαστήριο Χαρτογραφίας και Γεωπληροφορικής του τμήματος Γεωγραφίας. Οι αεροφωτογραφίες των περιοχών μελέτης, ανακτήθηκαν με τη χρήση του μη επανδρωμένου συστήματος «quad-copter» Iris+ της εταιρίας 3DRobotics 17, το οποίο αποτελείται από την άτρακτο, τους κινητήρες του αεροσκάφους, το κύκλωμα παροχής ηλεκτρικού ρεύματος και τέλος μια μπαταρία πολυμερών λιθίου (LiPo). Ειδικότερα, η διαμόρφωση του UAV αποτελείται από: Το σύστημα αυτόματου πιλότου Pixhawk Το 3DR u-blox GPS +Compass ST Micro L3GD20 3-axis 16-bit gyroscope ST Micro LSM303D 3-axis 14-bit accelerometer / magnetometer MPU 6000 3-axis accelerometer/gyroscope MEAS MS5611 barometer Και 3DR Ground Station Telemetry Radios 17 https://3drobotics.com/kb/iris/ 60

Το σύστημα UAV που χρησιμοποιήθηκε είναι διαμόρφωση κάθετης απογείωσης και προσγείωσης (VTOL), με δυνατότητα αυτόματης απογείωσης και προσγείωσης. Πρόσθετα έχει τη δυνατότητα προγραμματισμού πλήρως αυτόνομων αποστολών με την χρήση GPS και σημείων αναφοράς. Με την χρήση του τηλεχειριστηρίου στέλνει εντολές εντός της ζώνης συχνοτήτων 2,4 GHz, οι οποίες επεξεργάζονται από το σύστημα ελέγχου πτήσης. Αμφίδρομη τηλεμετρία λειτουργεί στη συχνότητα 433 MHz μέσω ραδιοεπικοινωνίας. Αυτή η ραδιοζεύξη επιτρέπει την διασύνδεση και την προβολή της τηλεμετρίας σε υπολογιστή με κατάλληλο λογισμικό να λειτουργεί ως επίγειος σταθμός. Εικόνα 7.1: Επίγειος σταθμός και UAV. Με τον τρόπο αυτό ο χειριστής επικοινωνεί με το quadcopter ασύρματα, έχοντας σε πραγματικό χρόνο προβολή των δεδομένων της πτήσης, δυνατότητα αλλαγής της αποστολής σε πραγματικό χρόνο, αλλά και επαναπρογραμματισμό του UAV. Κατά τη διάρκεια της πτήσης, εμφανίζονται στον υπολογιστή η θέση του εναέριου οχήματος, το υψόμετρο του, η κατάσταση του GPS, της μπαταρίας και του σήματος εδάφους. Το ωφέλιμο φορτίο του UAV είναι 0,4 kg για τον αισθητήρα και όλα τα πρόσθετα όργανα επάνω σε αυτό, ενώ ο χρόνος πτήσης του με πλήρες φορτίο ήταν περίπου 12 με 15 λεπτά ανάλογα με τις καιρικές συνθήκες. 61

7.2 Αισθητήρας (φωτογραφική μηχανή) Η κάμερα Canon ELPH 130 18, επιλέχθηκε ως αισθητήρας καταγραφής του ορατού φάσματος και ως κάμερα αποτύπωσης λόγω των χαρακτηριστικών της σε συνδυασμό με το μικρό της βάρος που την καθιστούσε ιδανική επιλογή. Πρόσθετα η δυνατότητα προγραμματισμού με την χρήση λογισμικού ανοιχτού κώδικα και η δημιουργία αρχείων για την αυτοματοποιημένη λειτουργία της μηχανής και αυτόματης λήψης των φωτογραφιών, αποτέλεσε ένα σημαντικό πλεονέκτημα για την επιλογή και χρήση του συγκεκριμένου τύπου φωτογραφικής μηχανής. Εικόνα 7.2: Φωτογραφική μηχανή και βασικά χαρακτηριστικά της. 7.3 Επίγειες (τοπογραφικές) μετρήσεις σημείων ελέγχου (GCPs) Για τη μέτρηση των θέσεων (συντεταγμένων) των σημείων ελέγχου στο έδαφος, επιλέχθηκε η δορυφορική μέθοδος ακριβείας RTK. Η μέθοδος αυτή βασίζεται σε ένα σημείο αναφοράς (γνωστών συντεταγμένων) και στην παρακολούθηση της φέρουσας φάσης των σημάτων (L1, L2), δίνοντας τη δυνατότητα μέτρησης νέων σημείων, σε μεγάλη απόσταση από το σημείο αναφοράς, χωρίς ενδιάμεσα γνωστά σημεία. Στο γνωστό σημείο τοποθετείται ο δέκτης αναφοράς και οι μετρήσεις πραγματοποιούνται με το δέκτη μέτρησης. Οι δύο δέκτες παρακολουθούν την φέρουσα φάση ταυτόχρονα, εξαλείφοντας έτσι τα σφάλματα των σημάτων, με αυτό τον τρόπο εξασφαλίζεται ακρίβεια μετρήσεων, σε επίπεδο εκατοστού. Οι μετρήσεις πραγματοποιήθηκαν πριν από τις προγραμματισμένες πτήσεις, με το DGPS Hiper 2, της εταιρείας Topcon 19. 18 http://www.canoneurope.com/for_home/product_finder/cameras/digital_camera/ixus/ixus_130/ 19 http://www.topcon.co.jp/en/positioning/products/product/gnss/ 62

Εικόνα 7.3: Σύστημα DGPS και βασικά χαρακτηριστικά. 7.4 Χρησιμοποιούμενα Λογισμικά Το λογισμικό ανοιχτού κώδικα Mission Planner 1.3 20 (DIYDrones n.d.), χρησιμοποιήθηκε στον σταθμό εδάφους για την παρακολούθηση του μη επανδρωμένου αεροσκάφους, καθώς και για τον προγραμματισμό και την ρύθμιση των αποστολών της πτήσης. Η διαδικασία της προ επεξεργασίας των στοιχείων της αυτόνομης πτήσης περιλαμβάνει τον προγραμματισμό των πτήσεων στον σταθμό εδάφους. Μετά τη πραγματοποίηση της πτήσης, ξεκίνησε η επεξεργασία, των εναέριων φωτογραφιών που λήφθηκαν. Όπως έχει αναφερθεί ήδη τα λογισμικά που χρησιμοποιούν τη μέθοδο SFM για την επεξεργασία εναέριων φωτογραφιών, είναι πολλά. Σε αυτή την μελέτη επιλέχθηκαν ένας συνδυασμός λογισμικών ανοιχτού κώδικα (Visual SFM, CMPMVS) και ένα λογισμικό κλειστού κώδικα (Agisoft Photoscan), ακολουθώντας τις διαδικασίες που παρουσιάστηκαν αναλυτικά παραπάνω (βλ. Κεφ.4). Σκοπός ήταν η εξαγωγή προϊόντων όπως, γεωαναφερμένη ορθοφωτογραφία, τρισδιάστατο νέφος σημείων και ψηφιακό μοντέλο εδάφους, των περιοχών μελέτης και στη συνέχεια σύγκριση των αποτελεσμάτων από τα λογισμικά αυτά και εξαγωγή συμπερασμάτων, σχετικά με την ακρίβεια και την ανάλυση τους. 20 http://planner.ardupilot.com/ 63

Για την επεξεργασία των δεδομένων που συλλέχθηκαν καθώς και για την αποθήκευση των δεδομένων και αποτελεσμάτων, χρησιμοποιήθηκαν δύο υπολογιστές μεγάλης ισχύος και χωρητικότητας, του εργαστηρίου Χαρτογραφίας και Γεωπληροφορικής 21. 21 Geo-gishpc1.aegean.gr: Windows 8 pro, 32 GB RAM, 64bit Ct-chmlab-004.aegean.gr: Windows 10 pro, 8 GB RAM, 64bit 64

Κεφάλαιο 8 ο 8 Πρώτη Περιοχή Μελέτης: Παραλία Σκάλας Ερεσού Η Σκάλα Ερεσού ή Γιαλός αποτελεί ένα από τα σημαντικότερα παραθεριστικά μέρη της Λέσβου. Η παραλία της εκτείνεται λίγα χιλιόμετρα νοτιότερα του χωριού Ερεσός, 92 χιλιόμετρα νοτιοδυτικά της πόλης της Μυτιλήνης. Θεωρείται από τις καλύτερες και ομορφότερες παραλίες του νησιού, και έχει μήκος περίπου 3 χιλιόμετρα. Τα τελευταία χρόνια, η παραλία εξαφανίζεται σταδιακά, παραδομένη στο φαινόμενο της διάβρωσης και της ανύψωσης της στάθμης της θάλασσας, η οποία απέχει πλέον μόλις μερικά μέτρα από τα κτίσματα. Η παρατηρούμενη μείωση της συχνότητας εμφάνισης των νοτιοδυτικών-δυτικών ανέμων και η αύξηση της συχνότητας εμφάνισης των νότιων ανέμων (με ταυτόχρονη αύξηση της έντασής τους) έχει επίπτωση στην κατά μήκος της ακτής στερεομεταφορά. Λόγω των μεταβολών αυτών, διαταράσσεται η λεπτή ισορροπία ισοζυγίου φερτών και προκαλείται διάβρωση. Έτσι υπάρχει κίνδυνος καταστροφής της παραλίας και κατάρρευσης παραθαλάσσιων σπιτιών και κτισμάτων του οικισμού. Επομένως η παραλία της σκάλας Ερεσού, αποτελεί περιοχή ενδιαφέροντος που κινδυνεύει από φυσικές καταστροφές και υπάρχει ανάγκη μελέτης για τη λήψη μέτρων προστασίας της ακτής και των παραλιακών κτισμάτων. 8.1 Σχεδιασμός πτήσης Όπως αναφέρθηκε προηγουμένως η παραλία της σκάλας Ερεσού, έχει έκταση περίπου 3 χλμ., επομένως για την κάλυψη όλης της περιοχής μελέτης, χρειάστηκε να σχεδιαστούν 5 αυτόνομες πτήσεις. Ο σχεδιασμός των πτήσεων, έγινε προσεκτικά ώστε να υπάρχει επικάλυψη μεταξύ τους και να μην δημιουργηθούν κενά στη συνολική αποτύπωση της περιοχής. Στις εικόνες που ακολουθούν παρουσιάζονται οι πορείες των αυτόνομων πτήσεων στην περιοχή μελέτης. 65

Εικόνα 8.1: Πορεία πρώτης αυτόνομης πτήσης (υπόβαθρο Google Sat). Εικόνα 8.2: Πορεία δεύτερης αυτόνομης πτήσης (υπόβαθρο Google Sat). 66

Εικόνα 8.3: Πορεία τρίτης αυτόνομης πτήσης (υπόβαθρο Google Sat). Εικόνα 8.4: Πορεία τέταρτης αυτόνομης πτήσης (υπόβαθρο Google Sat). Εικόνα 8.5: Πορεία πέμπτης αυτόνομης πτήσης (υπόβαθρο Google Sat). 67

8.2 Σημεία ελέγχου (GCPs) Όπως αναφέρθηκε ήδη, απαραίτητη προϋπόθεση για την γεωαναφορά της περιοχής μελέτης, είναι η γνώση σημείων γνωστών συντεταγμένων, σε αυτή. Για αυτό το λόγο, πριν την πραγματοποίηση των πτήσεων, τοποθετήθηκαν, κατά μήκος όλης της παραλίας, ειδικοί προσωρινοί στόχοι (μεγέθους Α3), καθώς δεν ήταν εύκολη η μόνιμη σήμανση τους (λόγω άμμου). Σε δρόμους ή βράχους, όπου ήταν δυνατή η μόνιμη επισήμανση, χρησιμοποιήθηκαν καρφιά με σπρέι, ενώ σε σημεία που δεν ήταν δυνατή η τοποθέτηση καρφιών, δημιουργήθηκαν στόχοι σε σχήμα σταυρού με κόκκινο σπρέι, σε κατάλληλο μέγεθος ώστε να είναι ευδιάκριτοι στις αεροφωτογραφίες. Η τοποθέτηση των σημείων έγινε, σε διάταξη τριών παράλληλων σειρών, με τρόπο ώστε να καλύπτεται όλη η περιοχή μελέτης, καθώς και να υπάρχουν 3 τουλάχιστον κοινά σημεία, μεταξύ των διαδοχικών πτήσεων. Η περιοχή μελέτης καλύφθηκε με 42 σημεία ελέγχου (Πίνακας 8.2.1) συνολικά και το προβολικό σύστημα στο οποίο πραγματοποιήθηκαν οι μετρήσεις, ήταν το UTM 35N. Εικόνα 8.6: Στόχοι σημεία ελέγχου στο έδαφος. 68

Α/Α Longitude Latitude Elevation 1 406469,015 4332861,25 2,273 2 406373,94 4332814,615 1,313 3 406279,277 4332784,545 5,224 4 406310,885 4332737,867 0,393 5 406220,744 4332766,778 3,068 6 406444,442 4332709,993 0,613 7 406499,012 4332740,755 3,077 8 406631,087 4332789,187 1,929 9 406726,233 4332769,584 2,033 10 406722,236 4332690,728 2,24 11 406660,446 4332644,618 0,288 12 406826,311 4332594,399 0,963 13 406852,429 4332669,656 2,182 14 406872,201 4332728,679 2,282 15 407030,054 4332715,182 2,242 16 406995,445 4332619,996 1,783 17 406973,948 4332534,253 0,432 18 407077,48 4332532,965 1,48 19 407090,767 4332486,195 0,423 20 407123,579 4332467,197 0,257 21 407131,632 4332514,684 1,37 22 407150,238 4332629,969 1,488 23 407386,842 4332414,369 1,783 24 407355,542 4332368,458 0,228 25 407434,147 4332334,283 0,295 26 407425,551 4332386,086 2,01 27 407539,881 4332324,957 2,11 28 407609,718 4332276,671 2,136 29 407606,918 4332246,971 1,934 30 407625,292 4332252,667 0,876 31 407604,131 4332242,707 0,122 32 407663,683 4332210,117 0,19 33 407687,848 4332243,074 3,013 34 407772,799 4332166,034 4,395 35 407755,966 4332145,966 1,45 36 407812,287 4332129,639 5,249 37 407875,898 4331997,893 1,836 38 407972,417 4331893,631 0,171 39 407976,032 4331843,356 2,573 40 407908,45 4331802,024 1,83 41 407903,721 4331865,457 0,185 42 408018,913 4331809,892 1,213 Πίνακας 8.1: Συντεταγμένες σημείων ελέγχου στην παραλία Ερεσού, σε UTM 35N. 69

Εικόνα 8.7: Διάταξη σημείων ελέγχου, σε όλο το εύρος της περιοχής μελέτης. 8.3 Συλλογή Δεδομένων Από τις πτήσεις που σχεδιάστηκαν, πραγματοποιήθηκαν οι 4, λόγω κακών καιρικών συνθηκών (αυξημένος άνεμος), κατά τη διάρκεια της πέμπτης κατά σειρά πτήσης. Η πτήση ακυρώθηκε, για την αποφυγή προβλημάτων. Η ανάλυση των εικόνων (GSD) ή αλλιώς «μέγεθος εικονοστοιχείου» επιλέχθηκε στα 2,96 εκατοστά για το σύνολο των πτήσεων της περιοχής μελέτης. Οι αεροφωτογραφίες που καταγράφηκαν, με τον φωτογραφικό αισθητήρα έχουν μέγιστο μέγεθος εικόνας 4608x3456 pixels, με μέγεθος pixel 1.8 μm². Στον πίνακα (9.4.1), που ακολουθεί φαίνονται τα στοιχεία των πτήσεων που πραγματοποιήθηκαν, για την συλλογή των αεροφωτογραφιών. Πτήση 1η Πτήση 2η Πτήση 3η Πτήση 4η Εμβαδό κάλυψης 96250 sqm 81952 sqm 53448 sqm 39921 sqm Μήκος πτήσης 2.99 Km 2.51 Km 1.56 Km 1.76 Km Αριθμός φωτογραφιών 256 223 139 170 Πλευρική επικάλυψη 75.00% 75.00% 75.00% 75.00% Εμπρόσθια επικάλυψη 80.00% 80.00% 80.00% 80.00% Αριθμός διαδρομών 5 6 4 7 Απόσταση μεταξύ διαδρομών 37.02 m 37.02 m 37.02 m 37.02 m Διάρκεια πτήσης 12.27 min 10.24 min 6.30 min 7.20 min Foot print 123.4x91 m 123.4x91 m 123.4x91 m 123.4x91 m Ανάλυση (GSD) 2.96 cm 2.96 cm 2.96 cm 2.96 cm Ύψος πτήσης 100 m 100 m 100 m 100 m Πίνακας 8.2: Στοιχεία των αυτόνομων πτήσεων που πραγματοποιήθηκαν για την συλλογή των απαιτούμενων αεροφωτογραφιών. 70

Εικόνα 8.8: Θέσεις κάμερας ανά λήψη φωτογραφίας και επικάλυψη φωτογραφιών. 8.4 Επεξεργασία Αποτελέσματα Σε όλες τις πτήσεις λήφθηκαν κατακόρυφες φωτογραφίες (ναδίρ), 788 συνολικά και στη συνέχεια ελέγχθηκαν για σφάλματα (π.χ. Θολερότητα, υπερβολικό ή λάθος φωτισμό κ.α.), ώστε ένα υποσύνολο αυτών (757 φωτογραφίες), να χρησιμοποιηθούν για τη διεργασία της παραγωγής των αποτελεσμάτων. 8.4.1 Λογισμικό Ανοιχτού Κώδικα (Visual SFM CMPMVS) Η επεξεργασία στο περιβάλλον του λογισμικού Visual SFM, έγινε με εναέριες φωτογραφίες, μικρότερου μεγέθους, ενώ χρησιμοποιήθηκαν οι φωτογραφίες μόνο της πρώτης πτήσης (256 φωτογραφίες), λόγω του μεγάλου συνολικού αριθμού φωτογραφιών, που θα δημιουργούσε πρόβλημα στην επεξεργασία. Πριν την εισαγωγή στο λογισμικό, οι φωτογραφίες προ επεξεργάστηκαν στο περιβάλλον του Adobe Photoshop CS5. Με αυτό τον τρόπο επιταχύνεται η διαδικασία της ευθυγράμμισης και προσανατολισμού των εικόνων, ειδικά στις περιπτώσεις που ο αριθμός των φωτογραφιών είναι μεγάλος. Ενώ για τη δημιουργία του πυκνού νέφους σημείων, χρησιμοποιήθηκαν οι αρχικές εναέριες φωτογραφίες. 71

Εικόνα 8.9: Νέφος σημείων (dense point cloud), στο λογισμικό Visual SFM. Στο περιβάλλον του λογισμικού Meshlab, πραγματοποιήθηκε η ανακατασκευή της τρισδιάστατης τριγωνικής επιφάνειας, της περιοχής μελέτης, με τη μέθοδο Poisson (Surface Reconstruction:Poisson), καθώς και απόδοση υφής και χρώματος στο τελικό τρισδιάστατο μοντέλο. Το λογισμικό δίνει τη δυνατότητα εξαγωγής 3D pdf αρχείου, αλλά δεν είναι κατάλληλο για την εξαγωγή ορθοφωτογραφίας ή ψηφιακού μοντέλου εδάφους. Εικόνα 8.10: Τριγωνική επιφάνεια (mesh) 3D μοντέλου (δεξιά) και προσθήκη υφής (αριστερά), στο VisualSFM. 72

Η επεξεργασία συνεχίστηκε στο λογισμικό CMPMVS, όπου με εισαγωγή του συνόλου των φωτογραφιών και τις παραμέτρους της κάμερας (από Visual SFM), παρήχθησαν ορθοφωτογραφία και ψηφιακό μοντέλο εδάφους, της περιοχής μελέτης. Εικόνα 8.11:Πυκνό νέφος σημείων, τριγωνική επιφάνεια και απόδοση υφής και χρώματος, στο λογισμικό CMPMVS. Εικόνα 8.12: Ψηφιακό μοντέλο εδάφους από το λογισμικό CMPMVS. 73

Εικόνα 8.13: Ορθοφωτογραφία, από το λογισμικό CMPMVS. 8.4.2 Λογισμικό Κλειστού Κώδικα (Agisoft Photoscan) Στο περιβάλλον του λογισμικού Agisoft Photoscan, η επεξεργασία επιλέχτηκε να γίνει ανά πτήση (chunks) και στη συνέχεια να ενωθούν τα αποτελέσματα σε ένα ενιαίο μοντέλο, που περιλαμβάνει όλη την περιοχή μελέτης. Τα σφάλματα (πίνακας 8.4.2.1) που προέκυψαν από την τοποθέτηση των σημείων ελέγχου, είναι 0.015 μέτρα (RMSE), το οποίο αναφέρεται στις διαφορές μεταξύ των συντεταγμένων που μετρήθηκαν με το GPS και των θέσεων όπως υπολογίστηκαν από το λογισμικό και 0.25 pixel (reprojection error), όπως προκύπτει από τη διαφορά των θέσεων που τοποθετήθηκαν τα σημεία ελέγχου και αυτών που υπολογίστηκαν από το Agisoft. 74

Label X error (m) Y error (m) Z error (m) Error (m) Projections Error (pix) 11 0.006086-0.007205-0.000242 0.009435 8 0.137068 12-0.004531 0.005720-0.001497 0.007450 8 0.079669 13-0.002360-0.019435 0.003882 0.019959 10 0.204421 14 0.006713 0.006411-0.001635 0.009425 15 0.189135 15-0.001112-0.002003 0.000370 0.002321 12 0.228851 16-0.007583 0.010863-0.003205 0.013630 10 0.307242 17 0.005286 0.003037-0.000037 0.006097 6 0.114972 18 0.017313 0.018331-0.001433 0.025255 9 0.270372 19-0.006847-0.013619-0.002813 0.015500 8 0.232782 20 0.008100-0.008695 0.000811 0.011911 13 0.200274 21-0.017173 0.003097-0.001102 0.017484 19 0.262045 22 0.003892-0.004850 0.000044 0.006219 16 0.180104 23 0.004335 0.000255-0.000677 0.004395 17 0.484858 24-0.005018 0.001395 0.001461 0.005410 17 0.259441 25 0.005083-0.002755-0.003518 0.006768 10 0.276583 26-0.002418 0.005769 0.002990 0.006933 12 0.532747 27-0.005204-0.003501 0.000946 0.006343 11 0.158390 28-0.006308 0.013458-0.000549 0.014873 22 0.189204 30-0.002236-0.031586-0.011783 0.033786 5 0.176445 31 0.015881 0.019455 0.006998 0.026071 7 0.183061 32-0.014207 0.000863 0.001769 0.014342 8 0.295397 33 0.005753-0.007392-0.001934 0.009564 19 0.290415 34-0.004414 0.005452 0.001344 0.007142 17 0.314218 35 0.016738 0.002951-0.001837 0.017095 16 0.262444 36-0.007569-0.004316 0.003053 0.009232 11 0.245162 37-0.000361-0.000776-0.000834 0.001195 12 0.084748 38 0.005808 0.001992-0.002197 0.006521 8 0.086327 39-0.004828-0.000907 0.002022 0.005312 8 0.206438 Total 0.008267 0.012113 0.002731 0.014918 472 0.249858 Πίνακας 8.3: Σφάλματα (RMSE) των σημείων ελέγχου στην παραλία Ερεσού. 75

Εικόνα 8.14: Νέφος σημείων (dense point cloud), στο Agisoft Photoscan. Εικόνα 8.15: Διακριτική ικανότητα (GSD) 2,96 cm και 1.8 μm2. 76

Εικόνα 8.16: Τριγωνική επιφάνεια (mesh) 3D μοντέλου (δεξιά) και προσθήκη υφής και χρώματος (αριστερά), στο Agisoft Photoscan. Εικόνα 8.17: Γεωαναφερμένη ορθοφωτογραφία περιοχής μελέτης. 77

Εικόνα 8.18: Ψηφιακό μοντέλο εδάφους (DEM) περιοχής μελέτης. 78

Κεφάλαιο 9 ο 9 Δεύτερη Περιοχή Μελέτης : Αρχαίο θέατρο Μυτιλήνης Το αρχαίο θέατρο της Μυτιλήνης, είναι χτισμένο στο βορειοδυτικό άκρο της πόλης, στο λόφο της Αγίας Κυριακής. Χτίστηκε στους ελληνιστικούς χρόνους και επισκευάστηκε στα χρόνια των Ρωμαίων. Σήμερα σώζεται η τελευταία μορφή που πήρε και χρονολογείται στα υστερορωμαϊκά χρόνια. Ήρθε στο φως ύστερα από ανασκαφές που έγιναν το 1958. Θεωρείται ως ένα από τα μεγαλύτερα θέατρα της αρχαιότητας, με μέση χωρητικότητα 10.000 ατόμων και με εξαίρετη ακουστική χώρου. Περιβάλλεται από στηθαίο, κτισμένο με ξερολιθιά. Η όψη του τοιχίου ήταν καλυμμένη με ορθομαρμάρωση, στερεωμένη με ασβεστοκονίαμα. Η ορχήστρα είναι κυκλική, με διάμετρο 24 μ. Στο δυτικό μέρος της υπάρχουν δύο καμαροσκέπαστα δωμάτια, σκαμμένα στον βράχο του κοίλου. Τη σκηνή φαίνεται ότι αποτελούσαν τέσσερις χώροι με διαδρόμους ανάμεσά τους. Τμήματα κιόνων δείχνουν ότι στον χώρο του θεάτρου υπήρχαν και άλλα οικοδομήματα, εξέδρες, βωμοί κ.λπ. Η πιο σοβαρή φθορά είναι η αποσάθρωση του εδάφους στο πρανές, όπου ήταν κατασκευασμένο το κοίλο. Το επιφανειακό στρώμα χώματος έχει χαλαρώσει και μειωθεί σε πάχος με αποτέλεσμα να αποκαλύπτεται ο φυσικός βράχος, ο οποίος λόγω κλιματολογικών και άλλων παραγόντων διάβρωσης αλλά και της γεωλογικής του σύστασης έχει αρχίσει να θρυμματίζεται. Οι τοίχοι αντιστήριξης των παρόδων που συγκρατούσαν την επίχωση του κοίλου έχουν επίσης καταρρεύσει σε μεγάλο βαθμό. Το Αρχαίο θέατρο επιλέχθηκε, όχι μόνο διότι αποτελεί σημαντικό αρχαιολογικό εύρημα, αλλά και λόγω της ανάγκης αναστήλωσης του, για τον περιορισμό των φθορών που έχει υποστεί. Η δημιουργία ενός τρισδιάστατου μοντέλου, αποτελεί χρήσιμο εργαλείο για την καταγραφή και τεκμηρίωση του αρχαιολογικού χώρου. Καθώς αποτελεί ένα μνημείο που πρέπει να προστατευτεί και να διασωθεί. 79

9.1 Σχεδιασμός πτήσης Αρχικά πραγματοποιήθηκε ο σχεδιασμός πτήσεων για την αποτύπωση του Αρχαίου θεάτρου. Αν και η κάλυψη της περιοχής επιτυγχάνεται με μια πτήση, σχεδιάστηκαν 3 αυτόνομες πτήσεις, για την καταγραφή περισσότερων λεπτομερειών και για την αποφυγή κενών στο μοντέλο, λόγω της ύπαρξης δέντρων και σκιάσεων. Οι δύο πρώτες πτήσεις, σχεδιάστηκαν με ίδια στοιχεία και διαφορετική διεύθυνση ώστε να σχηματίζεται πλέγμα μεταξύ των διαδρομών πτήσης. Ενώ η τρίτη πραγματοποιήθηκε σε μεγαλύτερο ύψος και μικρότερο αριθμό διαδρομών στην πτήση. Εικόνα 9.1: Πορεία πρώτης αυτόνομης πτήσης (υπόβαθρο Google Sat). Εικόνα 9.2: Πορεία δεύτερης αυτόνομης πτήσης (υπόβαθρο Google Sat). 80

Εικόνα 9.3: Πορεία τρίτης αυτόνομης πτήσης (υπόβαθρο Google Sat). 9.2 Σημεία ελέγχου (GCPs) Σε όλο το εύρος της περιοχής μελέτης τοποθετήθηκαν 19 στόχοι - σημεία ελέγχου, τα οποία μετρήθηκαν με γεωδαιτικό σταθμό, στο Ελληνικό Γεωδαιτικό Σύστημα Αναφοράς (ΕΓΣΑ 87), για τη γεωαναφορά του 3D μοντέλου, στη συνέχεια. GCP X Y H 1 720074.3545 4331850.401 86.559 2 720087.0419 4331837.412 86.939 3 720078.0549 4331832.554 86.322 4 720076.3127 4331840.466 86.31 5 720075.8638 4331835.562 84.45 6 720070.7164 4331852.371 85.125 7 720060.4926 4331835.859 84.743 8 720064.9189 4331850.966 87.376 9 720064.0806 4331854.079 88.686 10 720047.3596 4331842.02 87.433 11 720048.9211 4331826.487 88.019 12 720061.443 4331820.549 87.865 13 720038.5717 4331819.084 94.341 14 720029.8896 4331799.381 104.959 15 720019.5153 4331812.128 104.686 16 720009.8134 4331851.221 107.564 17 720021.7554 4331866.709 105.618 18 720048.0783 4331865.088 96.083 19 720035.1182 4331844.029 93.683 Πίνακας 9.1 : Συντεταγμένες Σημείων ελέγχου. 81

Για την επισήμανση των σημείων ελέγχου στο έδαφος, χρησιμοποιήθηκαν ειδικοί ασπρόμαυροι στόχοι, καθώς και σημείο με σπρέι για την εξάρτηση των μετρήσεων, όπως φαίνονται παρακάτω. Τα σημεία αυτά στη συνέχεια, χρησιμοποιήθηκαν για τη γεωαναφορά του τρισδιάστατου μοντέλου και των προϊόντων που παρήχθησαν. Εικόνα 9.4: Στόχοι σημεία ελέγχου στο έδαφος. Εικόνα 9.5: Διάταξη σημείων ελέγχου, σε όλο το εύρος της περιοχής μελέτης. 82

9.3 Συλλογή Δεδομένων Πραγματοποιήθηκαν τέσσερις πτήσεις, οι τρεις από αυτές αυτόνομες όπως σχεδιάστηκαν, οι δύο με ύψος πτήσης 60 μέτρα και η τρίτη με 80 μέτρα. Καθώς και μία χειροκίνητη για τη λήψη πλάγιων φωτογραφιών, την αποτύπωση των λεπτομερειών και την κάλυψη των κενών που δημιουργούνται λόγω της σκίασης των δέντρων και των κάθετων τοιχίων. Η ανάλυση των εικόνων (GSD) επιλέχθηκε στα 2,37 εκατοστά για το σύνολο των πτήσεων της περιοχής μελέτης. Στον πίνακα που ακολουθεί φαίνονται τα στοιχεία των πτήσεων που πραγματοποιήθηκαν. Πτήση 1η Πτήση 2η Πτήση 3η Εμβαδό κάλυψης 15020 sqm 15020 sqm 15020 sqm Μήκος πτήσης 1.01 Km 0.97 Km 0.70 Km Αριθμός φωτογραφιών 145 128 199 Πλευρική επικάλυψη 80.00% 80.00% 80.00% Εμπρόσθια επικάλυψη 80.00% 80.00% 80.00% Αριθμός διαδρομών 7 7 5 Απόσταση μεταξύ διαδρομών 19.74 m 19.74 m 29.62 m Διάρκεια πτήσης 5.14 min 5.03 min 3.40 min Foot print 98.7x72.8 m 98.7x72.8 m 98.7x72.8 m Ανάλυση (GSD) 2.37 cm 2.37 cm 2.37 cm Ύψος πτήσης 60 m 60 m 80 m Πίνακας 9.2: Στοιχεία των αυτόνομων πτήσεων που πραγματοποιήθηκαν για την συλλογή των απαιτούμενων αεροφωτογραφιών. 83

Εικόνα 9.6: Θέσεις κάμερας ανά λήψη φωτογραφίας και επικάλυψη φωτογραφιών. 9.4 Επεξεργασία Αποτελέσματα Στις τρεις πτήσεις λήφθηκαν κατακόρυφες φωτογραφίες (ναδίρ), 472 συνολικά και στην τέταρτη μόνο πλάγιες (191 φωτογραφίες). Στη συνέχεια όλες οι φωτογραφίες ελέγχθηκαν για σφάλματα (πχ Θολερότητα, υπερβολικό ή λάθος φωτισμό κ.α.), ώστε ένα υποσύνολο αυτών (550 φωτογραφίες), να χρησιμοποιηθούν στη διαδικασία παραγωγής των αποτελεσμάτων. Οι πλάγιες φωτογραφίες χρησιμοποιήθηκαν για καλύτερη ανακατασκευή του τρισδιάστατου μοντέλου, ενώ οι κατακόρυφες για την παραγωγή ορθοφωτογραφίας, καθώς η προβολή της, πρέπει να είναι κατακόρυφη. 9.4.1 Λογισμικό Ανοιχτού Κώδικα (Visual SFM CMPMVS) Λόγω του μεγάλου αριθμού φωτογραφιών, που έπρεπε να επεξεργαστούν στο περιβάλλον του λογισμικού Visual SFM, επιλέχθηκε να γίνει αλλαγή του μεγέθους τους και σε αυτή την εφαρμογή. 84

Εικόνα 9.7: Νέφος σημείων (dense point cloud), στο λογισμικό Visual SFM. Στο περιβάλλον του λογισμικού Meshlab, πραγματοποιήθηκε η ανακατασκευή της τρισδιάστατης επιφάνειας, με τον τριγωνισμό του νέφους σημείων, που δημιουργήθηκε στο λογισμικό Visual SFM, προηγουμένως. Εικόνα 9.8: Τριγωνική επιφάνεια (mesh) 3D μοντέλου (δεξιά) και προσθήκη υφής και χρώματος (αριστερά), στο λογισμικό Meshlab. Τέλος, στο περιβάλλον του λογισμικού CMPMVS πραγματοποιήθηκαν οι απαραίτητες διαδικασίες για την παραγωγή του ψηφιακού μοντέλου εδάφους, καθώς και της ορθοφωτογραφίας της περιοχής μελέτης. 85