[논문 리뷰] Quality Assessment of Image Matchers for DSM Generation - A Comparative Study Based on UAV Images

Rongjun Qin, Armin Gruen외 1명|arXiv (Cornell University)|2014. 01. 01.

3D Surveying and Cultural Heritage인용 수 5

한 줄 요약

이 연구는 5 cm GSD UAV 영상에서 고해상도 디지털 표면 모델(DSM)을 생성하기 위해 다섯 가지 이미지 매칭 소프트웨어 패키지—APS, DLR-SGM, MICMAC, Pix4D, SURE—를 평가한다. 이동식 LiDAR와 수작업 스테레오 측정을 통해 유도된 기준 3D 모델을 바탕으로, 최소 제곱 3차원 매칭(LS3D)을 통해 DSM을 공액화하여 분석한 결과, SURE가 건물 전용 시나리오에서 가장 정확한 성능을 보였으며, RMSE(0.24 m)와 표준편차(0.24 m)가 가장 낮았다.

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.

연구 동기 및 목표

• 고해상도 UAV 영상에서 정확한 DSM을 생성하기 위해 다섯 가지 상용 및 오픈소스 밀도 이미지 매칭(DIM) 소프트웨어 패키지의 성능을 평가하는 것.
• 복잡한 무늬, 식생, 인공 구조물 등 실제 도시 환경에서의 매칭 정확도를 평가하는 것.
• 이동식 LiDAR와 수작업 스테레오 측정을 통해 유도된 고정밀 기준 3D 모델을 사용하여 DSM의 오차와 오류를 정량화하는 것.
• 고해상도 UAV 기반 도시 3D 모델링에서 매칭 소프트웨어 선택을 위한 기준을 제공하는 것.

제안 방법

• 다섯 가지 DIM 소프트웨어 패키지—APS, DLR-SGM, MICMAC, Pix4D, SURE—를 354 m × 185 m 도시 테스트 지역의 5 cm GSD 수직 UAV 영상에 적용하였다.
• 이동식 LiDAR 포인트 클라우드와 UAV 영상에서의 수작업 스테레오 측정을 이용해 기준 3D 표면 모델을 구축하였다.
• 각 매칭 소프트웨어가 생성한 DSM은 LS3D 소프트웨어를 사용하여 기준 모델에 공액화되었으며, 이는 매칭된 표면 점들 간의 유클리드 거리 제곱합을 최소화하는 방식이다.
• RMSE, 표준편차(STD), 평균 오차, 오류 탐지(3×STD를 초과하는 오차)를 사용하여 세 가지 시나리오—전체 DSM, 나무 제거된 DSM, 건물 전용—에서 정확도를 평가하였다.
• 히스토GRAM과 오р토사진에 시각화된 오차 분포를 분석하여 오류와 갭의 공간적 패턴을 식별하였다.
• 오류는 공액화 과정에서 표준편차의 3배를 초과하는 잔차를 가진 점으로 식별되었다.

실험 결과

연구 질문

• RQ1 복잡한 도시 환경에서 5 cm GSD UAV 영상에 적용했을 때, 어떤 이미지 매칭 소프트웨어가 가장 정확한 DSM을 생성하는가?
• RQ2 건물, 도로, 지형, 식생 등의 다양한 표면 유형에서 매칭 소프트웨어 성능 지표(RMSE, STD, 오류 비율)는 어떻게 달라지는가?
• RQ3 식생 마스킹가 성능에 어떤 영향을 미치며, 건물 전용 시나리오에서 성능은 어떻게 다를까?
• RQ4 특히 무늬가 뚜렷하거나 균일한 영역에서, 매칭 소프트웨어 간 오차 분포와 오류 패턴은 어떻게 다를까?
• RQ5 고해상도 UAV 영상(5 cm GSD)은 현재의 DIM 알고리즘을 얼마나 도전적으로 만들며, 주요 실패 유형은 무엇인가?

주요 결과

• SURE는 건물 전용 시나리오에서 가장 낮은 RMSE(0.24 m)와 표준편차(0.24 m)를 기록하여 모든 다른 매칭 소프트웨어를 압도적으로 앞섰다.
• 모든 매칭 소프트웨어의 전체 RMSE 범위는 SURE의 0.24 m에서 APS의 0.51 m까지였으며, SURE는 모든 테스트 케이스에서 가장 낮은 표준편차를 보였다.
• 오류 비율은 상당한 차이를 보였으며, 전체 DSM에서 Pix4D가 가장 높은 오류 비율(2.77%)을 기록했고, DLR-SGM이 가장 낮은 비율(2.19%)을 기록했지만, 절대 수치는 높았음(예: DLR-SGM의 경우 97,903개의 오류).
• 모든 매칭 소프트웨어가 건물 전용 표면에서 가장 뛰어난 성능을 보였으며, RMSE는 전체 DSM의 약 0.5 m에서 건물 전용 시나리오의 약 0.24 m로 감소하여, 식생과 복잡한 무늬가 성능 저하에 기여함을 시사했다.
• 큰 오류(>0.8 m)는 주로 식생 지역과 건물 가장자리, 특히 균일한 무늬(예: 평평한 屋根, 수영장) 부근에 집중되어 있었다.
• 고해상도 입력(5 cm GSD)에도 불구하고, 가장 뛰어난 성능을 보인 SURE 소프트웨어도 오류 제거 후에도 여전히 3~5 픽셀(15~25 cm) 수준의 정확도를 기록하여, 밀도 있는 매칭에서 지속적인 과제가 있음을 시사했다.