[論文レビュー] Quality Assessment of Image Matchers for DSM Generation - A Comparative Study Based on UAV Images

Rongjun Qin, Armin Gruen+1 more|arXiv (Cornell University)|Jan 1, 2014

3D Surveying and Cultural Heritage被引用数 5

ひとこと要約

本研究では、ドローン航空写真（GSD 5 cm）から高分解能デジタル表面モデル（DSM）を生成するための5つの画像一致ソフトウェアパッケージ—APS、DLR-SGM、MICMAC、Pix4D、SURE—を評価した。モバイルLiDARと手動ステレオ測定から得られた基準3次元モデルを用い、最小二乗3次元一致（LS3D）によるDSMの共登録を実施した結果、建物のみのシナリオにおいてSUREが最も精度が高く、RMSE（0.24 m）と標準偏差（0.24 m）が最小であった。

ABSTRACT

Recently developed automatic dense image matching algorithms are now being implemented for DSM/DTM production, with their pixel-level surface generation capability offering the prospect of partially alleviating the need for manual and semi-automatic stereoscopic measurements. In this paper, five commercial/public software packages for 3D surface generation are evaluated, using 5cm GSD imagery recorded from a UAV. Generated surface models are assessed against point clouds generated from mobile LiDAR and manual stereoscopic measurements. The software packages considered are APS, MICMAC, SURE, Pix4UAV and an SGM implementation from DLR.

研究の動機と目的

• 高分解能ドローン航空写真から正確なDSMを生成するための、5つの商業的およびオープンソースの高密度画像一致（DIM）ソフトウェアパッケージの性能を評価すること。
• 複雑なテクスチャ、植生、人工構造物を含む実際の都市環境下におけるマッチャーの精度を評価すること。
• モバイルLiDARとドローン画像からの手動ステレオ測定により得られた高精度な基準3次元モデルを用いて、DSMの誤差と誤りを定量化すること。
• 高分解能ドローンベースの都市3次元モデリングにおけるマッチャー選定のベンチマークを提供すること。

提案手法

• 5つのDIMソフトウェアパッケージ—APS、DLR-SGM、MICMAC、Pix4D、SURE—を、354 m × 185 mの都市テスト領域の垂直ドローン画像（GSD 5 cm）に適用した。
• 基準3次元表面モデルは、モバイルLiDAR点群とドローン画像からの手動ステレオ測定を統合して構築した。
• 各マッチャーが生成したDSMは、LS3Dソフトウェアを用いて基準モデルに共登録された。LS3Dは、一致した表面点間のユークリッド距離の二乗和を最小化する。
• RMSE、標準偏差（STD）、平均誤差、および誤り検出（STDの3倍以上）を用いて精度を評価した。評価は3つのシナリオで実施：全DSM、木々を除いたDSM、建物のみ。
• ヒストограмを用いた誤差分布の分析と、正射影図上での可視化により、誤りと隙間の空間的パターンを特定した。
• 誤りは、共登録プロセスの標準偏差の3倍を超える残差を持つ点として特定された。

実験結果

リサーチクエスチョン

• RQ1 複雑な都市環境下で、5 cm GSDドローン航空写真に適用された画像マッチャーの中で、どのマッチャーが最も正確なDSMを生成するか？
• RQ2 建物、道路、地形、植生といった異なる表面タイプにおけるマッチャー性能指標（RMSE、STD、誤り率）はどのように変化するか？
• RQ3 植生のマスク処理がマッチャー精度に与える影響は何か？また、建物のみのシナリオでは性能にどのような差が生じるか？
• RQ4 テクスチャが豊富な領域と均一な領域において、マッチャー間での誤差分布と誤りパターンはどのように異なるか？
• RQ5 高分解能ドローン画像（5 cm GSD）は現在のDIMアルゴリズムをどの程度挑戦するか？主な失敗モードは何か？

主な発見

• SUREは建物のみのシナリオでRMSE 0.24 m、標準偏差 0.24 mを達成し、他のすべてのマッチャーを上回った。
• 全マッチャーの全体的なRMSEは0.24 m（SURE）から0.51 m（APS）の範囲にあり、SUREは全テストケースで最小の標準偏差を示した。
• 誤り率には顕著な差が見られた：全DSMにおいてPix4Dが最も高い誤り率（2.77%）を示した一方、DLR-SGMが最も低かった（2.19%）。ただし、絶対値としては依然として高水準（例：DLR-SGMでは97,903件の誤り）。
• すべてのマッチャーが建物のみの表面で最も良好に機能し、RMSEは全DSMの約0.5 mから建物のみの約0.24 mに低下した。これは、植生や複雑なテクスチャが性能を低下させることを示している。
• 大きな誤り（0.8 m以上）は主に植生領域および建物の縁部に集中しており、特に均一なテクスチャ（平屋の屋根、プールなど）の周辺に顕著であった。
• 高分解能入力（5 cm GSD）であったにもかかわらず、最も性能の優れたマッチャー（SURE）でさえ、誤り除去後も15–25 cm（3–5ピクセル）の精度レベルに留まっていることから、高密度一致における継続的な課題が明らかになった。