ارجاع جغرافیایی کاشی‌های سه‌بعدی تولید شده از مش مشتق از فتوگرامتری با استفاده از نقاط کنترل زمین

به منظور دستیابی به تجسم کارآمد از مدل‌های فتوگرامتری سه بعدی عظیم در کره مجازی مبتنی بر وب، مدل‌های سه بعدی فتوگرامتری اصلی باید به کاشی‌های سه‌بعدی با اطلاعات ارجاع جغرافیایی دقیق برای نمایش در موقعیت سطح صحیح تبدیل شوند. چند ابزار نرم‌افزاری و پلت‌فرم‌های آنلاین برای تولید کاشی‌های سه‌بعدی وجود دارد و روش‌های مختلفی برای تولید کاشی‌های سه‌بعدی گزارش شده است، اما هیچ‌یک از آنها راهی برای ارجاع جغرافیایی کاشی‌های سه‌بعدی با GCP ارائه نمی‌دهند. این مقاله قصد دارد رویکردی به کاشی‌های سه بعدی georeference با GCP بر اساس الگوریتم Kabsch پیشنهاد دهد که بسیار شبیه به داده‌های شطرنجی جغرافیایی با GCP در GIS سنتی است. ابتدا، ما به صورت ریاضی نحوه اعمال الگوریتم Kabsch را برای ارجاع جغرافیایی کاشی های سه بعدی با GCP توضیح می دهیم. پیرو این توضیحات، ما پیاده‌سازی خود را نشان می‌دهیم که امکان ساخت GCP و محاسبه ویژگی «تبدیل» کاشی‌های سه‌بعدی را فراهم می‌کند. در نهایت، ما روش پیشنهادی را در واقعیت ساخته شده آزمایش کردیم که بستری برای استریم و تجسم مجموعه داده‌های فتوگرامتری عظیم و ابرهای نقطه‌ای است.

کلید واژه ها

کاشی های سه بعدی ، GCP ، Kabsch ، 3D WebGIS ، Cesium

1. مقدمه

در سال‌های اخیر، فناوری فتوگرامتری از نظر فنی پیشرفت فوق‌العاده‌ای داشته است و تکنیک بازسازی خودکار مدل‌های سه بعدی روز به روز بالغ‌تر می‌شود. با این حال، مقدار قابل توجهی از داده‌های مرتبط با مدل‌های سه‌بعدی، از نظر انتقال کارآمد و تجسم مدل‌های سه بعدی در بیننده مدل‌های سه‌بعدی مبتنی بر وب، چالش‌هایی را ایجاد می‌کند. برای تطبیق پخش مدل‌های سه بعدی عظیم، مشخصات قالب مدل سه بعدی باز مختلف مانند کاشی‌های سه‌بعدی، لایه صحنه سه‌بعدی نمایه‌شده (I3S) و مدل سه‌بعدی فضایی (S3M) توسعه یافتند و در میان آنها، کاشی‌های سه‌بعدی انعطاف‌پذیری بیشتر، قابلیت سفارشی‌سازی بالاتر را نشان می‌دهند. ، قابلیت حمل بهتر و باز بودن [ 1 ].

کاشی‌های سه‌بعدی [ 2 ] یک مشخصات باز برای استریم و ارائه مجموعه‌های داده‌های جغرافیایی سه بعدی ناهمگن چند منبعی عظیم است. این یک ساختار داده مکانی و مجموعه‌ای از قالب‌های کاشی را تعریف می‌کند که برای سه بعدی طراحی شده و برای پخش و رندر بهینه شده است. هدف اصلی آن بهبود جریان و عملکرد ارائه مجموعه داده های ناهمگن عظیم است.

از آنجایی که کاشی‌های سه‌بعدی به‌عنوان روش ترجیحی برای پخش داده‌های سه‌بعدی عظیم در وب مورد استقبال گسترده قرار گرفته‌اند، پلتفرم‌های نرم‌افزاری بیشتر و بیشتری از کاشی‌های سه‌بعدی پشتیبانی می‌کنند و بسیاری از ابزارهای نرم‌افزاری فتوگرامتری مانند FME [ 3 ]، Bently ContextCapture [ 4 ] ، Agisoft MetaShape [ 5 ] و RealityCapture [ 6 ] از صادرات کاشی های سه بعدی پشتیبانی می کنند.

برای نمایش دقیق کاشی های سه بعدی در مکان واقعی، باید به آنها ارجاع جغرافیایی داده شود و این کار بسته به نحوه تولید کاشی های سه بعدی می تواند به روش های مختلفی انجام شود.

بسیاری از ابزارهای نرم‌افزار فتوگرامتری از GCPها استفاده می‌کنند تا اطمینان حاصل کنند که بازسازی مدل سه‌بعدی دارای مقیاس صحیح، جهت‌گیری یا اطلاعات موقعیت مطلق است [ 7 ]، اما راه ارجاع جغرافیایی به کاشی‌های سه‌بعدی تولید شده از مدل سه‌بعدی با GCP‌های استفاده‌شده که بسیار مطلوب است، هنوز انجام نشده است. گزارش شده است.

بنابراین، در این مقاله، روش ارجاع جغرافیایی به کاشی‌های سه بعدی با GCP بر اساس الگوریتم Kabsch [ 8 ] را پیشنهاد و پیاده‌سازی می‌کنیم که بسیار شبیه به داده‌های شطرنجی جغرافیایی با GCP در GIS سنتی است.

بقیه مقاله به صورت زیر سازماندهی شده است: بخش 2 بررسی آثار مرتبط را ارائه می دهد، و ایده پیشنهادی در بخش 3 ارائه شده است، در بخش 4 ما اجرای سیستم خود را نشان می دهیم. در بخش 5 اعتبار از طریق آزمایش‌هایی برای نمونه‌های کاشی‌های سه بعدی آزمایش می‌شود. در نهایت، بخش 6 مقاله را به پایان می رساند.

2. آثار مرتبط

از زمانی که قدرت کاشی های سه بعدی شناخته شده بود و چند ابزار نرم افزاری تجاری و پلتفرم مانند یون سزیم [ 9 ]، تبدیل انواع مختلف داده های مکانی مانند مش مشتق شده از فتوگرامتری-lidar، BIM و ابر نقطه به کاشی های سه بعدی توجه زیادی را به خود جلب کرده است . FME، Bently Context Capture، RealityCapture برای آن گزارش شده است. با این حال، محدودیت‌هایی در سفارشی‌سازی تولید کاشی‌های سه بعدی وجود دارد، زیرا گردش کار تبدیل هنوز یک جعبه سیاه برای کاربران است. علاوه بر این، در صورتی که داده ها به الزامات دسترسی عمومی محدود حساس باشند، استفاده از آنها غیرممکن است.

به طور کلی توافق شده است که تا کنون، هیچ استاندارد، راه حل منبع باز کاملی برای تبدیل داده های مکانی به کاشی های سه بعدی وجود ندارد. بنابراین، بسیاری از محققین با توجه به ویژگی های داده های خود و هدف پروژه خود، روش های مختلف کاشی کاری را مورد مطالعه قرار داده اند.

شیلینگ و همکاران [ 10 ] مراحل پردازش داده‌ها را از CityGML تا کاشی‌های سه‌بعدی، که از پسوند CESIUM_RTC [ 11 ] برای ارجاع جغرافیایی glTF استفاده می‌کردند، توضیح داد. گان و همکاران [ 12 ] روشی برای تولید کاشی های سه بعدی از DSM (مدل سطح دیجیتال) پیشنهاد کرد. سونگ و همکاران [ 13 ] استراتژی بارگذاری و زمان‌بندی دینامیک کاشی‌های سه‌بعدی را بر اساس اندازه حافظه پایانه و خطای فضای صفحه پیشنهاد کرد، اما توضیح نداد که کاشی‌های سه‌بعدی مورد استفاده در آزمایش‌های خود چگونه تولید شده‌اند. چن و همکاران [ 14 ] گردش کار را برای تبدیل IFC به کاشی های سه بعدی با استفاده از چندین ابزار منبع باز و کتابخانه ارائه کرد. ویسوری و همکاران [ 15] از یون سزیم برای تبدیل داده های CityGML خود به کاشی های سه بعدی استفاده کرد. کولاریچ و همکاران [ 16 ] مجموعه‌ای از روال‌ها را برای تولید کاشی‌های سه‌بعدی که حاوی ساختمان‌هایی با داده‌های نقشه خیابان باز (OSM) هستند، اجرا کرد. خو و همکاران [ 17 ] ایجاد کاشی های سه بعدی از IFC را با استفاده از obj2gltf مورد مطالعه قرار داد و نحوه محاسبه ماتریس انتقال بین سیستم مختصات محلی IFC و EPSG:4978 را مورد بحث قرار داد. لو و همکاران [ 18 ] مراحل تبدیل برای تولید کاشی‌های سه‌بعدی از WRCD (داده‌های ترکیبی رادار آب‌وهوا) را تشریح کردند و آنها با استفاده از مختصات جغرافیایی نقطه مرکزی WRCD، ویژگی تبدیل tileset.json به کاشی‌های سه‌بعدی georeference را محاسبه کردند. مائو و همکاران [19 ] یک گردش کار برای تولید کاشی های سه بعدی از CityGML پیشنهاد کرد. لی و همکاران [ 20 ] از objTo3dtiles برای تبدیل مدل الکتریکی سه بعدی به کاشی های سه بعدی استفاده کرد اما نحوه ارجاع جغرافیایی کاشی های سه بعدی آنها را توضیح نداد. جیلوت و همکاران [ 21 ] گسترش زمانی کاشی‌های سه‌بعدی را پیشنهاد کرد، و داده‌های CityGML یک 3DCityDB تعریف‌شده در یک سیستم مختصات پیش‌بینی‌شده را به کاشی‌های سه‌بعدی با استفاده از نرم‌افزار خودشان، Py3DTiles برای ارائه مدل‌های شهر سه‌بعدی در حال تکامل در وب تبدیل کرد. ژان و همکاران [ 1 ] یک الگوریتم کاشی کاری از مدل های پیچیده BIM بر اساس درخت R ارائه کرد.

به طور خلاصه، اگرچه مطالعات کمی در مورد تولید کاشی‌های سه‌بعدی انجام شده است، اما تا آنجا که ما می‌دانیم، هیچ محققی تلاشی برای استفاده از GCP برای ارجاع جغرافیایی کاشی‌های سه‌بعدی نکرده است.

یکی از راه‌های آسان و راحت برای کاشی‌سازی مش سه‌بعدی مشتق‌شده از فتوگرامتری، استفاده از یون سزیم است که «ویرایشگر مکان کاشی‌های سه‌بعدی» را برای ارجاع جغرافیایی کاشی‌های سه‌بعدی تولید شده فراهم می‌کند. با این حال، “ویرایشگر مکان کاشی های سه بعدی” محدودیتی در استفاده دارد زیرا تعیین پارامترهایی مانند طول جغرافیایی، عرض جغرافیایی، ارتفاع، سرفصل، زمین و رول برای ارجاع جغرافیایی آسان نیست [ 22 ].

در بخش بعدی، مشخصات فنی درباره ایده ما در زمینه ارجاع جغرافیایی کاشی های سه بعدی با GCP توضیح داده شده است.

3. رویکرد پیشنهادی

ما راهی برای ارجاع جغرافیایی به کاشی‌های سه‌بعدی تولید شده از شبکه‌های مشتق‌شده از فتوگرامتری با GCP با استفاده از الگوریتم Kabsch [ 8 ] پیشنهاد می‌کنیم. ما اهمیتی نمی‌دهیم که چگونه یک مش به کاشی‌های سه‌بعدی تبدیل می‌شود و فقط بر روی ارجاع جغرافیایی کاشی‌های سه بعدی تولید شده تمرکز می‌کنیم. و ما فرض می‌کنیم که مختصات همه رئوس کاشی‌های سه بعدی در سیستم مختصات محلی تعریف شده‌اند و مجموعه کاشی‌های داده‌شده حاوی هیچ مجموعه کاشی‌های تودرتو نیست.

کاشی‌های سه‌بعدی می‌توانند اطلاعات مربوط به زمین‌ارجاع را از دو طریق داشته باشند: به طور مستقیم موقعیت‌های راس را در WGS84، سیستم مختصات زمین محور، زمین ثابت (ECEF یا EPSG:4978 [ 23 ]) با استفاده از RTC_CENTER [ 24 ] تعریف می‌کنند. برای تعریف موقعیت های راس در سیستم مختصات محلی و مشخص کردن ویژگی “تبدیل” هر کاشی به طوری که همه موقعیت های راس به EPSG:4978 تبدیل شوند.

ایده اصلی این است که نقاط مربوط به GCP های داده شده را روی کاشی های سه بعدی تنظیم کنید و بهترین تبدیل را پیدا کنید که توسط آن نقاط متناظر تبدیل شده با GCP مطابقت داشته باشند و ویژگی “transform” را با استفاده از تبدیل محاسبه شده تنظیم کنید. این برای یافتن بهینه/بهترین چرخش و ترجمه بین دو مجموعه داده نقاط سه بعدی متناظر با مشکل رسمیت یافته است ( شکل 1 ).

برای حل این مشکل، ما از الگوریتم Kabsch [ 8 ] استفاده می‌کنیم که روشی برای محاسبه ترجمه و چرخش بهینه است که انحراف میانگین مربعات ریشه (RMSD) را بین دو مجموعه نقطه زوج به حداقل می‌رساند. این به طور گسترده ای در بیوانفورماتیک ساختاری، شبیه سازی مولکولی، مدل سازی مولکولی، تحقیقات زیست شناسی ساختاری برای روی هم قرار دادن جفت مولکول ها و شبیه سازی فیزیک استفاده می شود. شکل 2 فلوچارت الگوریتم Kabsch را نشان می دهد و پیاده سازی آن کارآمد و آسان است زیرا فقط به چند عملیات ماتریسی نیاز دارد.

با این حال، الگوریتم نیاز به یک نگاشت از پیش تعریف شده بین مجموعه نقاط دارد، به عنوان مثال، در مورد ما، نقشه برداری از GCP و نقاط مربوطه. ما در بخش 4 نحوه تنظیم چنین نقشه برداری را در سیستم خود توضیح خواهیم داد.

اجازه دهید $B_{i}, L_{i}, H_{i} (i = 1, 2, \dots, n)$ عرض جغرافیایی، طول و ارتفاع GCPها و $p_{i} (i = 1, 2, \dots, n)$ یک نقطه مربوط به من GCP در کاشی های سه بعدی.

بنابراین، $P$ الگوریتم کابش را می توان مستقیماً با آن ساخت $p_{i}$

$P = (\begin{matrix} p_{x 1} & p_{y 1} & p_{z 1} \\ p_{x 2} & p_{y 2} & p_{z 2} \\ ⋮ & ⋮ & ⋮ \\ p_{x n} & p_{y n} & p_{z n} \end{matrix})$ (1)

$Q$ الگوریتم Kabsch را می توان با تبدیل مختصات جغرافیایی GCPها به سیستم مختصات ECEF ساخت.

$Q = (\begin{matrix} q_{x 1} & q_{y 1} & q_{z 1} \\ q_{x 2} & q_{y 2} & q_{z 2} \\ ⋮ & ⋮ & ⋮ \\ q_{x n} & q_{y n} & q_{z n} \end{matrix})$ (2)

شکل 1 . ارجاع جغرافیایی کاشی های سه بعدی با تبدیل.

شکل 2 . فلوچارت الگوریتم کابش.

جایی که $(q_{x i}, q_{y i}, q_{z i})$ مختصات دکارتی در ECEF برای است $B_{i}, L_{i}, H_{i} - H_{offset} (i = 1, 2, \dots, n)$ . $H_{offset}$ ثابتی به نام altitudeOffset است و معنای آن در قسمت زیر توضیح داده شده است.

اجازه دهید $C_{p}, C_{q}$ مرکزهای GCP و نقاط مربوطه هستند.

$C_{p} = \frac{1}{n} \sum_{i = 1}^{n} (p_{x i}, p_{y i}, p_{z i})$ (3)

$C_{q} = \frac{1}{n} \sum_{i = 1}^{n} (q_{x i}, q_{y i}, q_{z i})$ (4)

سپس مرحله Translation الگوریتم Kabsch با استفاده از آن انجام می شود $C_{p}, C_{q}$ ، و P ، Q به روز می شوند تا مرکز آنها منطبق باشد $C_{p}, C_{q}$ .

$P = (\begin{matrix} p_{x 1} - C_{p x} & p_{y 1} - C_{p y} & p_{z 1} - C_{p z} \\ p_{x 2} - C_{p x} & p_{y 2} - C_{p y} & p_{z 2} - C_{p z} \\ ⋮ & ⋮ & ⋮ \\ p_{x n} - C_{p x} & p_{y n} - C_{p y} & p_{z n} - C_{p z} \end{matrix})$ (5)

$Q = (\begin{matrix} q_{x 1} - C_{q x} & q_{y 1} - C_{q y} & q_{z 1} - C_{q z} \\ q_{x 2} - C_{q x} & q_{y 2} - C_{q y} & q_{z 2} - C_{q z} \\ ⋮ & ⋮ & ⋮ \\ q_{x n} - C_{q x} & q_{y n} - C_{q y} & q_{z n} - C_{q z} \end{matrix})$ (6)

در مرحله بعد، ماتریس چرخش بهینه R که P را تا حد امکان به Q نزدیک می کند ، با استفاده از ماژول تجزیه ارزش واحد [ 25 ] به شرح زیر محاسبه می شود.

$H = Q^{T} P$ (7)

$U Σ V = S V D (H)$ (8)

$R = V U^{T}$ (9)

در نتیجه یک ماتریس 3 × 3 R دریافت می کنیم و سپس آن را به ماتریس 4 × 4 تبدیل می کنیم:

$R = (\begin{matrix} R_{00} & R_{10} & R_{20} & 0 \\ R_{01} & R_{11} & R_{21} & 0 \\ R_{02} & R_{12} & R_{22} & 0 \\ 0 & 0 & 0 & 0 \end{matrix})$ (10)

در نهایت، تبدیل مشخص می شود:

$M = T_{q} R T_{p}$ (11)

جایی که،

$T_{p} = (\begin{matrix} 1 & 0 & 0 & - C_{p x} \\ 0 & 1 & 0 & - C_{p y} \\ 0 & 0 & 1 & - C_{p z} \\ 0 & 0 & 0 & 1 \end{matrix})$ (12)

$T_{q} = (\begin{matrix} 1 & 0 & 0 & C_{q x} \\ 0 & 1 & 0 & C_{q y} \\ 0 & 0 & 1 & C_{q z} \\ 0 & 0 & 0 & 1 \end{matrix})$ (13)

خطا برای هر GCP به عنوان فاصله بین GCP و نقطه متناظر تبدیل شده توسط M محاسبه شده تخمین زده می شود . بر اساس فرض بالا ما می‌توانیم به سادگی با تنظیم ویژگی تبدیل کاشی ریشه کاشی‌های سه‌بعدی داده‌شده با M ، به کاشی‌های سه بعدی جغرافیایی ارجاع دهیم .

4. نمایش سیستم

روش پیشنهادی در این مقاله با ماژول ارجاع جغرافیایی واقعیت ساخته شده، که بستری برای پخش و تجسم فتوگرامتری عظیم و نقطه‌گذاری مجموعه داده‌های ابری با سهولت در وب است، اقتباس شده است. یک پورتال آنلاین در https://construkted.com موجود است. ماژول رندر و georeference با CesiumJS توسعه داده شد.

هنگامی که مش سه بعدی مشتق شده از فتوگرامتری آپلود شد، پشتیبان واقعیت ساخته شده آن را به کاشی های سه بعدی تبدیل می کند. این سیستم تشخیص می‌دهد که آیا کاشی‌های سه‌بعدی دارای ارجاع جغرافیایی هستند یا خیر و اگر اطلاعات جغرافیایی ارجاع‌دهنده نداشته باشد، کاشی‌های سه‌بعدی را در پس‌زمینه خالی نمایش می‌دهد تا به کاربر اطلاع داده شود که باید کاشی‌های سه‌بعدی را جغرافیایی ارجاع دهد ( شکل 3 ).

سپس کاربر می‌تواند ارجاع جغرافیایی را در پانل «ویرایشگر چندگانه GCP» آغاز کند ( شکل 4 )، جایی که می‌توان GCP‌های لازم را اضافه کرد و طول، طول و ارتفاع هر GCP را وارد کرد.

در مرحله بعد، با کلیک ساده ماوس، کاربران می توانند نقاط مربوط به تمام GCP ها را در کاشی های سه بعدی مشخص کنند ( شکل 5 ).

اطلاعات نگاشت بین GCP و نقاط مربوطه در کاشی های سه بعدی در ابرداده “gcpData” ذخیره می شود که به عنوان یک شی JSON مانند شکل 6 نشان داده شده است.

شکل 3 . کاشی های سه بعدی جغرافیایی ارجاع داده نشده است.

شکل 4 . پنل ویرایشگر چندگانه GCP.

شکل 5 . مشخص کردن نقطه مربوطه

شکل 6 . ساختار JSON فراداده “gcpData”.

ویژگی “gcps” در ابرداده “gcpData” آرایه ای از نقاط کنترل زمین را تعریف می کند که در مختصات جغرافیایی تعریف شده اند به طوری که هر عنصر معنی طول، طول و ارتفاع را داشته باشد. ویژگی “CorrespondingPoints” آرایه ای از نقاط دکارتی را که مربوط به نقاط کنترل زمین است، تعریف می کند. ویژگی “altitudeOffset” مقدار افست ارتفاع است که به ارتفاع تمام نقاط کنترل زمینی در محاسبه اطلاعات ارجاع جغرافیایی اضافه می شود. ارتفاع بررسی شده GCP ممکن است با ارتفاع زمین در کره مجازی متفاوت باشد، بنابراین در صورتی که کاربران امیدوارند کاشی های سه بعدی را به درستی به زمین صحنه بچسبانند، به عنوان مثال، زمین جهانی سزیوم [ 26 ] بسیار مفید است.

حداقل 3 GCP باید مشخص شود زیرا الگوریتم Kabsch به حداقل 3 نقطه منحصر به فرد برای یک راه حل منحصر به فرد نیاز دارد.

هنگامی که کاربر ورودی GCPها و نقاط مربوطه را تمام کرد و روی دکمه “به روز رسانی مکان دارایی” کلیک کرد، سیستم M را با GCPها و نقاط مربوطه همانطور که در بخش 3 توضیح داده شد محاسبه می کند و یک خطا برای هر GCP و دوربین صحنه نمایش می دهد. به مکان محاسبه‌شده ارجاع جغرافیایی کاشی‌های سه‌بعدی پرواز می‌کند ( شکل 7 ).

5. آزمایشات

به منظور ارزیابی امکان‌سنجی روش پیشنهادی، چندین آزمایش با مدل‌های سه‌بعدی تولید شده از مجموعه داده‌های نمونه OpenDrone Map [ 27 ]، Pix4DMapper [ 28 ] و RealityCapture [ 6 ] که دارای GCP هستند، انجام شد (پیوست A).

5.1. آزمایش 1

مجموعه داده مورد استفاده در آزمایش یک مجموعه داده نمونه است، “sheffield_cross” برای OpenDroneMap، که دارای 5 GCP تعریف شده در منطقه WGS 84/UTM 17N است. این مجموعه داده از طریق WebODM Lighting [ 29 ] پردازش شد. نقاط مربوط به GCPها با استفاده از فایل GCP و تصاویر موجود در مجموعه داده به صورت بصری بر روی کاشی های سه بعدی شناسایی شدند ( شکل 8 ).

شکل 7 . نتیجه ارجاع جغرافیایی

شکل 8 . ارجاع جغرافیایی “sheffield_cross”.

5.2. آزمایش 2

در این آزمایش، ما از یک پروژه مثال، “معدن” برای PIX4DMapper استفاده کردیم. GCPها در EPSG:21781 [ 30 ] تعریف شده‌اند و نقاط متناظر به صورت بصری با استفاده از تصاویر نمای کلی GCP از مجموعه داده‌ها و نشانگرهای سه بعدی GCP پروژه شناسایی شدند ( شکل 9 ).

شکل 10 و جدول 2 نتیجه ارجاع جغرافیایی کاشی های سه بعدی را برای این پروژه نشان می دهد.

5.3. آزمایش 3

ما از یک مجموعه داده نمونه به نام «تصاویر هواپیماهای بدون سرنشین + نقاط کنترل زمینی» برای RealityCapture استفاده کردیم، که در آن همه GCPها در EPSG:4258 تعریف شده‌اند [ 31 ]. همه GCPها بر روی بافت مدل سه بعدی تولید شده مانند یک بخش کوچک از یک صفحه شطرنجی علامت گذاری شده اند ( شکل 11 ) که ابهام بسیار کمی را در مورد محل “نقطه” نقطه کنترل زمینی باقی می گذارد تا بتوانیم همه GCP ها را به وضوح روی بافت شناسایی کنیم. از کاشی های سه بعدی

شکل 9 . نشانگر سه بعدی GCP و تصویر کلی درباره اولین GCP.

شکل 10 . “معدن معدن” با ارجاع جغرافیایی.

شکل 12 و جدول 3 نتیجه ارجاع جغرافیایی کاشی های سه بعدی را نشان می دهد. همانطور که در جدول 3 مشخص است، خطاها در تمام GCP ها حاشیه ای چند سانتی متری دارند.

شکل 11 . شکل GCP ها بر روی بافت مدل سه بعدی.

6. نتیجه گیری

از آزمایش‌های این مقاله، می‌توان نتیجه گرفت که الگوریتم Kabsch را می‌توان برای ارجاع جغرافیایی کاشی‌های سه بعدی با استفاده از GCPs اعمال کرد. خطاهای ارجاع جغرافیایی ناگزیر تحت تأثیر دقت “کلیک کردن بر روی کاشی های سه بعدی” برای تعیین نقاط مربوط به GCPها قرار گرفتند. خطای آزمایشی 3 به اندازه کافی کوچک بود تا نتیجه ارجاع جغرافیایی را بپذیرد زیرا تشخیص GCP در کاشی های سه بعدی آسان بود. برای چسباندن کاشی‌های سه‌بعدی به زمین‌های جهان سزیوم، مقادیر متفاوتی از “altitudeOffset” استفاده شد به این دلیل که زمین جهانی سزیوم ارتفاعی نسبت به بیضی WGS84 ارائه نمی‌کند.

منابع

[ 1 ]	Zhan, W., Chen, Y. and Chen, J. (2021) روش تجسم با کارایی بالا مبتنی بر کاشی های سه بعدی برای مدل های پیچیده BIM در وب. ISPRS International Journal of Geo-Information، 10، شماره مقاله 476. https://doi.org/10.3390/ijgi10070476
[ 2 ]	مشخصات قالب کاشی های سه بعدی. https://github.com/CesiumGS/3d-tiles/tree/main/specification#tile-format-specifications/
[ 3 ]	دسکتاپ FME https://www.safe.com/fme/fme-desktop/
[ 4 ]	ContextCapture Viewer. https://www.bentley.com/en/products/brands/contextcapture
[ 5 ]	Agisoft MetaShape. https://www.agisoft.com/
[ 6 ]	ضبط واقعیت. https://www.capturingreality.com/
[ 7 ]	PIX4D (2019، 4 دسامبر) نقاط کنترل زمینی: چرا آنها مهم هستند؟ https://www.pix4d.com/blog/why-ground-control-points-important
[ 8 ]	ویکی‌پدیا (دوم) الگوریتم Kabsch. https://en.m.wikipedia.org/wiki/Kabsch_algorithm
[ 9 ]	یون سزیم https://cesium.com/platform/cesium-ion/
[ 10 ]	Schilling, A., Bolling, J. and Nagel, C. (2016) با استفاده از glTF برای استریم مدل های شهر سه بعدی CityGML. مجموعه مقالات بیست و یکمین کنفرانس بین المللی فناوری Web3D، Anaheim، 22-24 جولای 2016، 109-116. https://doi.org/10.1145/2945292.2945312
[ 11 ]	CESIUM_RTC. https://github.com/KhronosGroup/glTF/blob/main/extensions/1.0/Vendor/CESIUM_RTC/README.md
[ 12 ]	Gan, L., Li, J. and Jing, N. (2017) سازماندهی ترکیبی و تجسم DSM ترکیبی با مدل ساختمان سه بعدی. مجموعه مقالات دومین کنفرانس بین المللی تصویر، بینایی و محاسبات 2017، چنگدو، 2-4 ژوئن 2017، 566-571. https://doi.org/10.1109/ICIVC.2017.7984619
[ 13 ]	Song, Z. and Li, J. (2018) استراتژی بارگذاری و زمان‌بندی کاشی‌های پویا برای مدل‌های فتوگرامتری مایل عظیم. مجموعه مقالات سومین کنفرانس بین المللی IEEE 2018 در تصویر، بینایی و محاسبات، چونگ کینگ، 27-29 ژوئن 2018، 648-652. https://doi.org/10.1109/ICIVC.2018.8492731
[ 14 ]	Chen, Y., Shooraj, E., Rajabi فرد, A. and Sabri, S. (2018) From IFC to 3D Tiles: An Integrated Open Source Solution for Visualizing BIMs on Cesium. ISPRS International Journal of Geo-Information، 7، شماره مقاله 393. https://doi.org/10.3390/ijgi7100393
[ 15 ]	Visuri, H., Jokela, J., Mesterton, N., Latvala, P., Aarnio, T. (2019) تولید و تجسم مخزن داده سه بعدی در سطح کشور در فنلاند. آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، XLII-4/W15، 105-110. https://doi.org/10.5194/isprs-archives-XLII-4-W15-105-2019
[ 16 ]	Kolaric, S. and Shelden, D. (2019) DBL SmartCity: یک پلتفرم IoT منبع باز برای مدیریت BIM بزرگ و مجموعه داده های 3 بعدی جغرافیایی مرجع. مجموعه مقالات پنجاه و دومین کنفرانس بین المللی هاوایی در علوم سیستمی، هاوایی، 8 ژانویه 2019، 1965-1974. https://doi.org/10.24251/HICSS.2019.238
[ 17 ]	Xu, Z., Zhang, L., Li, H., Lin, Y. and Yin, S. (2020) ترکیب IFC و کاشی های سه بعدی برای ایجاد تجسم سه بعدی برای مدل سازی اطلاعات ساختمان. اتوماسیون در ساخت و ساز، 109، شناسه مقاله: 102995. https://doi.org/10.1016/j.autcon.2019.102995
[ 18 ]	Lu, M., Wang, X., Liu, X., Chen M, Bi, S., Zhang, Y. and Lao, T. (2020) تجسم زمان واقعی مبتنی بر وب داده های رادار آب و هوا در مقیاس بزرگ با استفاده از کاشی های سه بعدی معاملات در GIS، 25، 25-43. https://doi.org/10.1111/tgis.12638
[ 19 ]	Mao, B., Ban, Y. and Laumert, B. (2020) چارچوب تجسم سه بعدی آنلاین پویا برای شبیه سازی انرژی در زمان واقعی بر اساس کاشی های سه بعدی. ISPRS International Journal of Geo-Information، 9، مقاله شماره 166. https://doi.org/10.3390/ijgi9030166
[ 20 ]	Li, Y., Zhang, H. and Zhang, Q. (2021) چارچوبی برای تجسم آنلاین سه بعدی تعاملی اطلاعات الکتریکی. مجله فیزیک: مجموعه کنفرانس ها، 1757، شناسه مقاله: 012170. https://doi.org/10.1088/1742-6596/1757/1/012170
[ 21 ]	Jaillot, V., Servigne, S. and Gesquière, G. (2020) ارائه مدل‌های شهر سه بعدی در حال تکامل زمان برای تجسم وب. مجله بین المللی علوم اطلاعات جغرافیایی، 34، 2030-2052. https://doi.org/10.1080/13658816.2020.1749637
[ 22 ]	سزیوم (nd) مکان را برای داده های آپلود شده روی یون سزیم تنظیم کنید. https://cesium.com/learn/3d-tiling/ion-tile-set-location/
[ 23 ]	EPSG: 4978. https://spatialreference.org/ref/epsg/wgs-84-2/
[ 24 ]	کارت مرجع کاشی های سه بعدی. https://github.com/CesiumGS/3d-tiles/blob/main/3d-tiles-reference-card.pdf
[ 25 ]	ویکی پدیا (nd) تجزیه ارزش مفرد. https://en.wikipedia.org/wiki/Singular_value_decomposition
[ 26 ]	زمین جهانی سزیوم https://cesium.com/platform/cesium-ion/content/cesium-world-terrain/
[ 27 ]	OpenDroneMap. https://www.opendronemap.org/
[ 28 ]	PIX4Dmapper. https://www.pix4d.com/product/pix4dmapper-photogrammetry-software
[ 29 ]	WebODM Lightning. https://webodm.net/
[ 30 ]	EPSG: 21781. https://spatialreference.org/ref/epsg/ch1903-lv03/
[ 31 ]	EPSG: 4258. https://spatialreference.org/ref/epsg/etrs89/

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

کلید واژه ها

1. مقدمه

2. آثار مرتبط

3. رویکرد پیشنهادی

4. نمایش سیستم