Bachelorarbeit - Institut für Photogrammetrie und GeoInformation

1.1.1.1
Studienarbeit für
Wu, Dun
Bearbeitung von IKONOS-Stereomodellen
Nur in wenigen Gebieten der Erde gibt es hochauflösende Höhenmodelle.
Eine Möglichkeit zur Generierung ist der Einsatz sehr hoch auflösender
optischer Weltraumbilder. Leider ist die Anzahl von IKONOS- oder
QuickBird-Stereomodellen, die von der gleichen Umlaufbahn aus
aufgenommen wurden, begrenzt. Es gibt aber eine größere Anzahl von
Gebieten, die mit gewissen Zeitabständen mehrfach aufgenommen wurden.
Vom Testgebiet Zonguldak liegen vier IKONOS-Aufnahmen vor, von denen
sich drei ausreichend überlappen.
Von zwei IKONOS-Aufnahmen liegt die Bildorientierung bereits vor. Die
benutzten Passpunkte sollen auf die beiden noch nicht orientierten Aufnahmen
übertragen werden. Verschiedene Arten der Bildorientierung sind miteinander
zu vergleichen.
Mit einer möglichst gut geeigneten Bildkombination soll ein Höhenmodell
durch automatische Bildzuordnung mit dem Programm DPCOR erstellt und
untersucht werden.

Inhaltsverzeichnis
1. Einleitung 3
2. IKONOS 4
2.1 Satelliten .........................................................................................4
2.2 Geometrie der Satellitenbildern......................................................5
3 Äußere Orientierung der Satellitenbilder 8
3.1 Bildkoordinaten der Passpunkten zu bestimmen............................8
3.2 Geometrische Rekonstruktion der Satellitenbilder.........................9
3.3 Vergleich der verschiedenen Methode für die äußere Orientierung
.............................................................................................................13
4 Bildzuordnung 17
4.1 Grauwertbasierte Zuordnung........................................................18
4.1.1 Korrelation...........................................................................18
4.1.2 Intensitätsbasierte Kleinste-Quadrate-Schätzung................19
4.2 Merkmalsbasierte Zuordnung.......................................................20
4.3 Bildzuordnungsprüfung der Bilder von IKONOS Geo ................20
5 Herstellung eines digitalen Höhenmodell(DHM) 25
5.1 Digitales Höhenmodell (DHM) ...........................................25
5.2 DHM-Herstellung mit CARTERRA Geo Bilderpaar...................26
5.2.1 Stereobilderpaar ...................................................................26
5.2.2 Digital Höhemodel...............................................................26
6 Literaturverzeichnis 30

1. Einleitung
In China gibt es ein bekanntes Sprichwort,“ Ein Bild sagt mehr als 1000 Worte“.
Mit der Entwicklung der modernen Fernerkundungstechnologie kann die
Auflösung der Satellitenbilder weniger Meter erreichen. Beispielweise sind die
Auflösungen von IKONOS panchromatischen Bilder 1 m, und von Quickbird
0.6m. Diese Fernerkundung Satelliten kann sehr detailliert die Informationen
der Erdoberfläche aufnehmen, kann menge lebendige hochauflösende digitale
Satellitenbilder vor uns ausstellen. Es ist andere Messmethode unvergleichbar.
Aber wie sehr effektiv, genau und viel wie möglich aus diesen Satellitenbilder
die wertvolle Informationen auswerten, ist genau die Studienbereich für
Photogrametrie und Fernerkundung.
Ziel der Studienarbeit war es, mit den von IPI entwickelten Programme zur
Analyse der geometrischen Eigenschaft der Satellitenbilder IKONOS Geo, und
auch zur Erzeugung und Generierung eines digitalen Höhenmodell mit den
Satellitenbilder als ein Photogrammetriesprodukt. Davon bekommt man
manche Erfahrung in der Bereich von Photogrammetrie und Fernerkundung.

2. IKONOS
2.1 Satelliten
Bild-1. Satellite von IKONOS
IKONOS bedeutet ‚Bild’ in der lateinische Sprache. Unter dem Namen
IKONOS-1 startete der Satellit am 27.4.1999 von der Air Force Basis
Vandenberg aus. Der Trägerrakete Athena II gelang es jedoch nicht, das
System in den Orbit zu bringen. Der Zwillingssatellit IKONOS-2 wurde aber am
24.9.1999 von Vandenberg aus erfolgreich in seinen Orbit gebracht. IKONOS
fliegt auf einer Höhe von 681 km auf einem fast-polaren sonnensynchronen
Orbit. Das System ist in der Lage, seine Aufnahmesysteme um bis zu 30° in
jede Richtung zu drehen und kann somit auch Bilder neben seiner Bahn
aufnehmen. Dadurch wird die Wiederholrate der Aufnahmen für Bereiche um
den 40sten Breitengrad von 2,9 Tage bei einem Meter Auflösung auf 1,5 Tage
bei 1,5 Meter Auflösung (aufgrund der Schrägsicht auf das Aufnahmegebiet
verschlechtert sich die Auflösung) reduziert. Die Daten werden alle im X-Band
mit einer Geschwindigkeit von 320 MBit/s übertragen (nach KRAMER 1996 S.
61-62 und http://www.spaceimaging.com).
IKONOS ist mit zwei Sensoren ausgestattet (panchromatisch mit 1m und
multispektral mit 4m Bodenauflösung), die unabhängig voneinander sowohl in

Flugrichtung (in-track tilt) als auch quer dazu (cross-track tilt) verschwenkt
werden können. Dadurch können einerseits hohe Wiederholraten erzielt
werden, andererseits ermöglicht dies die Abdeckung von Flächen mit der
mehrfachen Streifenbreite oder die Erzeugung von Stereoaufnahmen während
eines Überflugs.
Bild-2.
Die Kamera an Bord von IKONOS ist ein kleines Kunstwerk. Kamera und
Teleskop wiegen zusammen nur 170 Kg. Das Teleskop hat eine Brennweite
von 10 Metern und einem Lichtfaktor von f 14,3 ,und ist bei diesen Werten
nicht ganz 2 Meter lang. Der Hauptspiegel hat einen Durchmesser von 0,7
Meter. Die Kamera hat zwei verschiedene Sensoren: einen einfarben-Sensor
mit 13.500 Pixeln, und einen mehrfarben-Sensor mit 3375 Pixeln. Damit
lassen sich, aus der Umlaufbahn von 680 km Höhe, einfarbige Bilder mit
einem Meter pro Pixel, und Mehrfarbenbilder mit 4 Meter pro Pixel aufnehmen.
In beiden Fällen sind die Pixel allesamt nebeneinander angebracht. Ein Bild
entsteht, da sich der Satellit auf seiner Umlaufbahn bewegt, und die Sensoren
alle x Microsekunden eine neue Linie aufnehmen.
2.2 Geometrie der Satellitenbildern
Space Imaging unterteilt seine Produktpalette für den Satelliten in fünf
Kategorien, die sich in der Lagegenauigkeit der Pixel unterscheiden.
Angegeben wird hierbei, wieviel Prozent der Pixel sich innerhalb eines Kreises
mit einem vorgegeben Radius befinden. Beispielsweise besagt die

Bezeichnung 90 CE (= Circular Error) 50m, daß 90 Prozent der abgebildeten
Pixel in der Realität innerhalb eines Kreises mit 50m Radius liegen.
CARTERRA Geo
ist eine geometrisch korrigierte Szene, die in einer wählbaren
Kartenprojektion vorliegt. Aufnahmebedingte Verzerrungen sind ohne
Berücksichtigung der Objekthöhe korrigiert.
CARTERRA Reference
bietet eine orthorektifizierte Aufnahme an, bei der Paßpunkte nicht
berücksichtigt werden.
CARTERRA Pro
bietet genau wie CARTERRA Reference eine orthorektifizierte
Aufnahme an, ohne die Berücksichtigung von Paßpunkten, allerdings
mit höherer Lagegenauigkeit.
CARTERRA Precision
verwendet vom Nutzer zu liefernde Paßpunkte zur Orthorektifizierung.
CARTERRA Precision Plus
verwendet ebenfalls vom Nutzer zu liefernde Paßpunkte zur
Orthorektifizierung; verfügt aber über höhere Lagegenauigkeit.
In dem Test wurden zwei Satellitenbilder von CARTERRA Geo verwendet.
Diese Geo-Produkte wurden zu einer Ebene korrigiert , die parallel zum
Ellipsoid der Erde. Die Georeferenzierung basiert auf der direkten
Sensororientierung von IKONOS, die durch die Kombination von GPS,
Inertialsystemen und Sternensensoren ermittelt wird. Die Geometrie dieser
korrigierten Bildern ist von die lokale Höhedifferenz (dh) gegen der korrigierte
Ebene beeinflusst , die eine Verschiebung (dL) verursacht. Aber in der
Metadatei , die mit dem Satellitenbild mitkommt , steht die Information, nämlich
‚nominal collection azimuth’, und ‚nominal collection elevation’. An Hand von
diesen horizontalen und vertikalen Richtungen relativ zum Zentrum der Szene
und die bekannte Information der Satellitenbahn kann die
Beobachtungsrichtung jedes Punkts in der Szene berechnet werden.
Bild-3.
Die Verschiebung dieser
Geobilder kann durch ein
digitale Elevation Model (DEM)
korrigiert werden , zur
Herstellung von Orthobilder.

Tabelle-1. Technische Merkmale von IKONOS 2.
(Quelle: www.spaceimaging.com)
Startdatum 24.09.1999
Geplante Betriebsdauer
5-7 Jahre
Geometrische multispektral
4m
Auflösung panchromatisch 1m
Radiometrische multispektral
11bit
Auflösung panchromatisch 11bit
Kanal 1 (Blau)
445-516nm
Kanal 2 (Grün)
506-595nm
Spektralbänder Kanal 3 (Rot)
632-698nm
Kanal 4 (NIR)
757-853nm
Kanal 5 (pan)
450-900nm
Schwadbreite nominal 13km
Szenengröße Bildgröße
11 x 11km
Streifenabbildung
Höhe
11km Streifen bis 1000km
681km (nominal)
Inklination 98,1
Geschwindigkeit
7km/s
Äquatorüberflug
10:30 UTM
max. Schwenkwinkel
max. Schwenkzeit 26
Orbitinformationen
Repetition
< 50 s
2,9 Tage bei 1m Auflösung
Umlaufzeit
1,5 Tage bei 1,5m
Auflösung
bei 40° geographischer
Breite
98 Minuten,
sonnensynchron

3 Äußere Orientierung der Satellitenbilder
Normalerweise ist eine äußere Orientierung die Orientierung des
Bildkoordinatensystems von Einzelbildern nach Lage und Richtung im
Objektkoordinatensystem. Sie bestimmt die Lage des Bildhauptpunktes in
einem räumlichen Koordinatensystem und ist Bestandteil der absoluten
Orientierung. Die zu bestimmenden 6 Elemente der äußeren Orientierung
eines Messbildes sind die 3 Koordinaten des Aufnahmeortes (Projektionszentrum)
und 3 Orientierungswinkel des Bildkoordinatensystems.
Bei der äußere Orientierung des Produkts CARTERRA Geo ist andere Fall.
Weil CARTERRA Geo eine geometrisch korrigierte Szene ist, die in einer
wählbaren Kartenprojektion vorliegt. Aufnahmebedingte Verzerrungen sind
ohne Berücksichtigung der Objekthöhe korrigiert. Für die äußere Orientierung
können mit verschiedene mathematische Methode durchgeführt werden.
3.1 Bildkoordinaten der Passpunkten zu bestimmen
Das Genauigkeitspotential der hochauflösende Satellitenbilder ist möglich zu
dem Sub-Pixel Bereich. Um dieser möglich Systemsgenauigkeit zu erreichen,
sind die gut definierte Passpunkte notwendig. Zur Bestimmung der
Passpunkten in der Testbilder wurde das Programm DPLX verwendet. DPLX
war für die präzise Bestimmung der Bildkoordinaten entwickelt. Weil die
Satellitenbilder sehr groß sind , können sie nicht direkt in dem Kernspeicher
des Computers behandelt werden , auf dem grund arbeitet DPLX mit
übersichte Bilder.
Bei der Studienarbeit sind vier Satellitenbilder vorhanden. Dazwischen sind
die Bildkoordinaten der Passpunkte von Zwei schon bestimmt sind. Sie haben
gleiche Passpunktesdatei, in den die Objektkoordinaten der Passpunkte steht.
Die Bildkoordinaten der Passpunkte von andere zwei Satellitenbilder
brauchten zu bestimmen. Wir nennen zwei brauchen zu messende Bilder als
SI1 und SI2 (Tabelle-2) und zwei gemessene Bilder als IK1 und IK2. Zuerst

‚Check in’ , dadurch konnte zwei neue Bilderdatei (overview image)erzeugt
werden. SI1 und IK1 wurden gleichzeitig als Linksbild und Rechtsbild
eingelesen. Die Passpunkte sind in IK1 mit rot Symbol markiert. Dann suchen
wir die homologe Punkte der Passpunkte in SI1. Weil die zwei Bilder in
unschiedliche Zeit und mit verschiedene Richtung aufgenommen sind, auch
das Überlappungsproblem, konnte man nicht jeder Passpunkt in SI1
finden ,oder genau gemessen. Aber normalerweise sollte man mehr Punkte
wie möglich genau messen. Nach dieser Situation wurden 19 Passpunkte in
SI1 und nur 8 Passpunkte in SI2 gemessen.
Tabelle-2. Bilderinformation von IKONOS Geo in der Gebiet Zonguldak (Türkei)
Zonguldak Test Scene 1 Zonguldak Test Scene 2
Creation Date 06.11.2004 06.11.2004
Sun Angle Azimuth 144.8376 0 129.9217 0
Sun Angle
Elevation
45.48917 0 65.61687 0
Sensor Name IKONOS-2 IKONOS-2
Scan Azimuth 179.96 180.04
Scan Direction Reverse Reverse
GSD(Cross/Along) 0.83m/0.83m 0.83m/0.83m
3.2 Geometrische Rekonstruktion der Satellitenbilder
Weil die Metadata-Datei enthalt die genug Informationen, nämlich nominale
Kollektionselevation, nominale Kollektionsazimut und Referenzhöhen, und
auch die Satellitenbahn ist bekannt. Geometrische Rekonstruktion der
Satellitenbilder kann deshalb durchgeführt werden.
Basieren auf Pixelkoordinaten der Szene von das Bild CARTERRA Geo und
Passpunkte im Boden kann Programm CORIKON die Relation zwischen die
Satellitenbilder und die nationale Netzkoordinaten ausrechnen. Folgender
Inhalt ist mit dem Programm CORIKON und BLAN durch die
Passpunktekoordinaten und Szeneinformation zu verbessern .Mittels dem
Programm CORIKON braucht man die Passpunktens -koordinatendatei ,
Bildkoordinatendatei und Metadata-datei.
Formular-1.
xij = A1
+ A2
⋅ X + A3
⋅Y

y ij
= A4
+ A5
⋅ X + A6
⋅Y
Für die geometrische Rekonstruktion mit dem Programm CORIKON kann man
eine zwei dimensionale affine Transformation benutzt . A1~A6 sind die affine
Parameter , die die affine Transformation von den Höhe korrigierte
Szenenpunkten zu den Passpunkte. Für die Verbessungen für die nominale
Kollektion Elevation und Azimut sind Passpunkte mit differenzielle Elevation
auch für die lineare Korrektion von Z abhängig von den Y-Koordinaten
notwendig.
Die Ergebnisse für Zonguldak Test Szene1 und Szene2 zeigen in
Tabelle-3 ,4 und Figur-2,3
.
Geomet r i sche Rekonst r ukt i on von Szene- 1
2, 5
2
St andar da
bwei chung
1, 5
1
0, 5
0
1 2 3 4
SX 1, 16 1, 04 1, 00 0, 99
SY 2, 13 0, 73 0, 67 0, 63
SX
SY
Tabelle-3.
1- ohne unbekannte Parameter 2- nur Shift Parameter
3- nur unbekannte Parameter 4- Affine mit auch Azimut und Elevation
Nach dem Lauf von CORIKON wird der Verschiebungsfehler korrigiert, und die
Passpunkte Koordinaten wird nach der Ausgleichung für der Bild verbessert.
Die korrigierte Objektkoordinaten der Passpunkte wurde in der Datei
‚dares.dat’ gespeichert ,und die Daten für Ortho- und DEM-Model wurde in der
Datei ‚ikoort.dat’ gespeichert.
CORIKON erzeugt eine Datei ‚bluinf.dat’ für die Datentransformation bei dem
Programm BLAN. Nach dem Lauf von BLAN kann eine Datei ‚blplot.blt’
erzeugen. Dadurch kann die Standardabweichung der Passpunkte graphisch
dastellen. So kann man das mit verschiedene Parameter berechnete Ergebnis
deutlich sehen.

Bild-4:
1- Keine Unbekannte Parameter 2-Nur Shift Parmameter
3-Nur Affine Parameter
4-Affine mit auch Azimut und Elevation
Durch dem Test kann man abschließen, dass bei der geometrischen
Rekonstruktion ohne unbekannte Parameter die Abweichungen der
Passpunkte in der Y-Richtung von SI1 und in der X-Richtung von SI2 etwa
systematische Probleme zeigen. Nach der Ausgleichung sind die Ergebnisse,
in der der systematische Fehler der Richtung enthalten, viel verbessert. Für
SI1 mit nur Shift Parameter wieder auszugleichen, wurde das Ergebnis
deutlich verbessert, besonders für die Y-Koordinaten. Nach den mehr
unbekannte Parameter angesetzt werden, nämlich alle 6 affine Parameter als
unbekannte, und noch Azimut und Elevation als unbekannte Parameter
addiert werden, zeigte die Ergebnisse nur wenig Verbesserungen.
Aber für SI2 mit allen affinen Parameter wurden die Ergebnisse erst deutlich
verbessert. Wir sollen nach verschiedenen Situationen die unbekannte
Parameter wählen. Normalerweise in der Ausgleichung für die Verbesserung

der Geometrie von IKONOS Geo wird oft zwei unbekannte Shift Parameter
genug.
Geomet r i sche Rekonst r ukt i on von Szene- 2
3, 00
St andar da
bwei chung
2, 00
1, 00
0, 00
1 2 3 4
SX 2, 82 2, 39 0, 69 0, 57
SY 1, 29 1, 07 0, 82 0, 81
SX
SY
Tabelle-3.
1- ohne unbekannte Parameter 2- nur Shift Parameter
3- nur unbekannte Parameter 4- Affine mit auch Azimut und Elevation
Bild-5
1- Keine Unbekannte Parameter 2-Nur Shift Parmameter
3-Nur Affine Parameter
4-Affine mit auch Azimut und Elevation

3.3 Vergleich der verschiedenen Methode für die äußere
Orientierung
In aller Regel ist es erwünscht , in vielen Fällen unbedingt erforderlich,
Satellitenbilder geometrisch zu korrigieren, um die Verzerrungen durch das
Aufnahme-System und das Geländerelief (Bild -1.) zu eliminieren und die
Daten auf ein bestimmtes geodätisches Koordinatensystem bzw. einen
Kartennetzentwurf einzupassen. Die Bestimmung der erforderlichen
Transformationsgleichungen ist deshalb das zentrale Problem.
Zur Lösung dieses Problems kommen zwei grundsätzlich verschiedene Wege
in Frage.
Interpolationsverfahren verzichten auf eine geometrische Modellierung der
Aufnahmegeometrie und setzen lediglich die Stetigkeit der Abbildung voraus.
Aufgrund dieser Annahme werden die unbekannten Koordinaten eines Pixels
im Referenzsystem durch Interpolation zwischen benachbarten Passpunkten
berechnet. Zur Interpolation können verschiedene mathematische Ansätze
benutzt werden, z.B. Polynomansätze oder Maschenweise Transformationen.
Parametrische Verfahren versuchen dagegen, die Aufnahmegeometrie im
Raum mathematisch zu modellieren. Dies erfordert die Kenntnis der Sensorgeometrie
und der Raumlage bzw. Sensorbewegung. Geländehöhenunterschiede,
die in einem Digitalen Geländemodell beschrieben sind, können
dabei voll berücksichtigt werden. Dieses Vorgehen, das dem klassischen
Verständnis der Photogrametrie folgt, benutzt wiederum Passpunkt, um den
Bezug zum Referenzsystem herzustellen.
Geometrische Rekonstruktion
Test mit dem Programm CORIKON
Die geometrische Rekonstruktion ist schon in (3.2) beschrieben. Für die
geometrische Rekonstruktion sind die Sensorinformationen und der
Raumlage notwendig. Man benutzt 2D-Affine Transformation, aber oft mit nur
ein shift Parameter in X und Y kann eine gute genauigkeit erreichen. Es
bedeutet, es braucht nur wenige Passpunkte für die Rekonstruktion.
Rationale polynominale Koeffizient (rational polynominal coefficient
RPCs)
Test mit dem Programm RAPORI

Zur Bildauswertung braucht der auf Polynomen basierender Ansatz kein
Kenntnis von Sensormodell. Es
braucht nur allgemeines
Sensormodell zur Verfügung,
und ist sensorunabhängig.
Weger der sehr gut Genauigkeit
von RPC’s wird zur Auswertung
hochauflösender Satellitendaten
eingesetzt
RPC’s werden von Vertreibern
der Bilddaten aus der strengen
Lösung abgeleitet, Zahl und
Bild-6.
Form der benötigten Terme
muss experimentell bestimmt
werden. Eine strenge Lösung liefert die korrespondierende Koordinaten in
dem Objekt- und Bildraum für ein regelmäßiges 3D Raster, und die
Polynomkoeffizient werden durch Kleinste-Quadrate-Schätzung bestimmt.
Formular-2.
x
mit
P
ij
n1
Pi
1(
X , Y,
Z)
j
=
P ( X , Y,
Z)
i2
( X , Y,
Z)
j
= a
1
j
+ a
+ a
9
15
X
Y
2
2
2
+ a
y
10
ij
3
Z
X + a
16
Pi
3
( X , Y,
Z)
j
=
P ( X , Y,
Z)
2
X
3
i4
2
+ a Y + a X + a Z + a YX + a YZ + a XZ + a Y
4
11
+ a
17
XZ
5
+ a YXZ + a
2
j
12
Y
+ a
3
18
6
+ a
Y
2
13
YX
Z + a
7
2
19
+ a
X
14
2
8
YZ
2
Z + a
20
Z
3
Drei dimensionale affine Transformation (3D)
Test mit dem Programm TRANS3D
Für die 3D affine Transformation ist die Orientierungsinformation der Sensor
nicht nötig. Wegen 8 unbekannten Parameter sind mindestens 4 gut
verteilende Passpunkte erforderlich. Die Passpunkte können in verschieden
Ebenen liegen. Die 3D-Transformation beruht auf eine parallele Projektion ,
die annäherungsweise gültig in der Richtung der Satellitenbahn , nicht in der
Richtung der CCD-Linie.
Formular-3.
x
y
ij
ij
= a
1
= a
5
+ a
2
+ a
6
⋅ X + a
3
⋅ X + a
7
⋅Y
+ a
4
⋅Y
+ a
8
⋅ Z
⋅ Z

Direkt lineare Transformation ( DLT)
Test mit dem Programm TRANS3D
Die DLT beruhen auf einem perspektivischen Bildgeometrie, die nur in der
Richtung der CCD-Line gültig ist. Es ist gleich wie 3D-affine Transformation ,
dass es für die DLT keine vorgegebene Information notwendig ist. Die
alternative Parametrisierung basiert auf die Kollinearitätsgleichung und affiner
Transformation. Wegen der 11 Unbekannte für die Transformation sind
mindestens 6 Passpunkte in dem Bild notwendig. Die Passpunkte dürfen nicht
auf einer im Raum liegenden Ebene oder sehr nahe daran liegen. Weiterhin
sollten diese Punkte genau genug bestimmt worden sein. Eventuelle
Punktfehler werden nicht erkannt und können die DLT erheblich stören.
Formular-4
x
y
ij
ij
L1
X + L2Y
+ L3Z
+ L4
=
L9
X + L10Y
+ L11Z
+ 1
L5
X + L6Y
+ L7Z
+ L8
=
L X + L Y + L Z + 1
9
10
11
Weil die Verteilung der Passpunkte nicht identisch ist, zeigt die Korrelation
Koeffizienten zwischen den Passpunkte sehr hoch. Bei DLT sind die RMSE
von Checkpunkte sehr groß. DLT war deshalb nicht geeignet für den Test. Alle
andere Methode sind mit unterschiedliche Passpunktesanzahl ausgetestet
(Bild-6). Verursacht durch die Anzahl der unbekannten Parameter, bei der
geometrische Konstruktion und RPC’s mit nur shift Parameter sind mindestens
zwei Passpunkte gebraucht, mit affiner Parameter sind mindestens 3
Passpunkte, und bei der 3D affine Transformation sind mindestens 4
Passpunkte. Die RPC’s führt zu der besten Genauigkeit, aber mit den
wenigsten Passpunkte. Es ist fast unabhängig von der Passpunktesanzahl.
Das Ergebnis von geometrische Konstruktion, die mit affine Transformation
durchgeführt wurden, zeigt auch eine gute Genauigkeit mit einer gleichen
Anzahl wie RPC’s. Die Genauigkeit der 3D affinen Transformation sind nahe
zur geometrische Konstruktion und RPC’s. Aber es gibt keine Justierung für
eine erforderliche große Passpunktesanzahl und die notwendige gute 3D
Verteilung. Deswegen ist diese Methode nicht empfohlen.

Bild-6.
Ergebnisse bei der unabhängig Checkpunkte für die unterschiedliche
Orientierungsmethode als eine Funktion der Anzahl der Passpunkte

4 Bildzuordnung
Erfassung der 3D-Objekte Koordinaten aus Luftbilder muss der Objekt in
verschiedenen Bildern abgebildet werden. Die korrespondierende Punkte
können gemessen werden. Durch der Rekonstruktion der Bildstrahlen kann
3D Objektinformationen aus 2D Bilddaten abgeleitet werden.
Bild-7. 3D Punktbestimmung
Um die Erstellung eines DGM aus digitalen Bildern zu automatisieren, wurden
Methoden der digitalen Bildzuordnung entwickelt und bereits erfolgreich
angewandt. Dann was ist Bildzuordnung? Bildzuordnung ist ein Prozess der
automatischen Identifizierung und Messung korrespondierender (homologer,
identischer) Punkte in zwei oder mehr überlappenden Bildern. Dabei gibt es
2 Haupt-methoden die grauwertbasierte Zuordnung und die merkmalsbasierte
Zuordnung.

4.1 Grauwertbasierte Zuordnung
Die grauwertbasierte Zuordnung basiert auf die Ähnlichkeit in zwei Bildern.
Man extrahiere Maske aus Bild1 und suche ähnlichen Ausschnitt in Bild2
(Bild-8). Zur Bestimmung der Ähnlichkeit von Grauwertmasken werden
normalerweise zwei Methode Korrelation und Intensitätsbasierte
Kleinste–Quadrate-Schätzung verwendet.
Bild-8.
4.1.1 Korrelation
Normierter Kreuzkorrelationskoeffizient zur Bestimmung der Ähnlichkeit von
Bildausschnitten.
ρ Korrelationskoeffizient
g '
g '
Grauwert des Referenzbildes
Durchschnittlicher Grauwert
des Referenzbildes
g '' Grauwert des Suchbildes
Formular-5.
g '' Durchschnittlicher Grauwert
des Suchbildes
Das Prinzip ist so, der Ausschnitt des Referenzbildes g’ (Maske) wird über das
zweite Bild g’’(Funktion) geschoben. Die Korrelationskoeffizient ρ zwischen
Maske und Funktion wird für jede Position berechnet. Die beste
Übereinstimmung von
beiden Bilderausschnitten wird von der maximalen

Korrelation definiert.
4.1.2 Intensitätsbasierte Kleinste-Quadrate-Schätzung
Die Intensitätsbasierte Kleinste-Quadrate-Schätzung ist eine Erweiterung der
Kreuzkorrelation. Die Blickrichtung und die Geländeneigung werden auch
berücksichtigt. Die kleine Bildausschnitte können durch geeignete
Transformation in Übereinstimmung gebracht werden, hierbei 6 geometrische
Transformationsparameter (Affintransformationsparameter) und 2
radiometrische Transformationsparameter (Helligkeit und Kontrast) können
nach Methode der kleinsten Quadrate geschätzt werden.
Formular-6.
geometrische Transformation
1
Formular-7.
⎛ x ⎞ ⎛ a1
a2
⎞ ⎛ x'
⎞ ⎛a5
⎞
⎜ ⎟ =
y
⎜
a3
a
⎟ ⋅ ⎜ ⎟ +
4
y'
⎜
a
⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ 6 ⎠
radiometrische Transformation
I ( x',
y')
= r I
1
2
( x,
y)
+ r
Minimierung der Grauwertunterschiede durch
Kleiste-Quadrate-Ausgleichung
∑
2
( I − r I − r) min
1 1 2
⇒
2
Bild-9.

4.2 Merkmalsbasierte Zuordnung
Bei der merkmalsbasierte Zuordnung werden anstatt Muster- und
Suchmatrizen ganze Merkmale als Objekte verwendet. Dabei wird zwischen
Punkten, Kanten (Linien) und Regionen unterschieden. Die Merkmale werden
aus den Grauwerten extrahiert, indem die Differenzen benachbarter
Grauwerte gebildet werden.
Merkmalsbasierte Verfahren bestehen aus zwei Hauptschritten. Zuerst wird
die Extraktion von Merkmalen durchgeführt, danach werden die Markmalen
zugeordnet. Zum ersten Schritt werden vor allem Punkte (mit guter Textur in
zwei Richtungen, oder entlang Grauwertkanten) oder Kanten in allen Bildern
mit Interest-Operator order Kanten-Detektoren extrahiert. Zum zweiten Schritt
wird eine provisorische Liste von möglichen Matchpunkten erstellt. Dazu wird
die Ähnlichkeit der Merkmalsattribute benutzt. Die Konsistenz der mehrfachen
Lösungen wird überprüft und die beste Lösung gewählt.
Bild-10
Links: ein ausgewählter Punkt im
Templatebild. Rechts: zwei
gleich gute Zuordnungslösungen
(mögliche Kandidaten). Welche
ist die richtige Lösung?
Überprüfung der Konsistenz der
Zwei möglichen Lösungen 1’,1’’.
Lösung 1’ ist konsistent mit den
Lösungen der Nachbar vom
Punkt 1, und deshalb wird sie
gewählt.
4.3 Bildzuordnungsprüfung der Bilder von IKONOS Geo
Für die Herstellung der DEM wurden die automatische Bildzuordnung von
Zwei Testbilder mit dem Programm DPCOR behandelt. Das Programm beruht
auf der regionale wachsende Methode, und benutzt zuerst die manuelle
gemessene Position als Anfangswert. Die korrespondierender Punkte sind von
einer Bilderkombination mit der Methode von Korrelation und der kleinste

quadrate Schätzung berechnet. Die Bildzuordnung ist auf dem Bildraum
durchgeführt. Anfang mit bekannte korrespondierende Punkte sind andere
homologe Punkte in der Nachbarschaft identifiziert, und damit sind andere
Punkte bis zu dem ganze Bild bestimmt. Diese Methode hat den Vorteil, dass
eine Änderung für die spezielle Bildgeometrie nicht notwendig ist. Nach dem
Bild-11 können wir wissen , dass die beide Satellitenbilder sehr unterschiedlich
sind . Bei der Bildzuordnung habe ich deshalb viele Probleme getroffen. Für
das Ergebnis kann man nicht zufrieden sein.
2500
Anzahl der Punkte
2000
1500
1689
2237 2280 2065
1941
1749
1593 1491
1315 11951115
905
1000
500
c
751
511
363278198148
122 80
176
0
Bild-11 .
0.95 0.90 0.80 0.70 0.60 0.50 0.40 0.30 0.20 0.10 0.00
Koeffizient
Die Frequenzverteilung der Korrelationskoeffizient
Zwei Bildpaare (Bild-12), die von zwei IKONOS Geo Satellitenbilder
ausgeschnitten wurden.
linker Bild
rechter Bild
Bild-12.

Normalerweise kann eine automatische Bildzuordnung mittels die Ähnlichkeit
zwei Bilder durchgeführt werden. In einer günstigen automatischen
Bildzuordnung sind eine gute Objekttextur mit Variation des Grauwerts, eine
glatte Objektoberfläche , und keine bewegende Objekte erforderlich.
Bild-13
Die Umgebung des
rot markierte Passpunkten
hat guter
Kontrast. Die
automatische Bildzuordnung
konnte
in dem Gebiet gut
durchführen.
Aber bei dem Test der automatische Bildzuordnung sind nur relative wenige
homologen Punkte gefunden. Es wurden wegen folgenden Probleme
beeinflusst.
a) Wegen der Aufnahmezeit zeigen geometrische und radiometrische
Unterschiede in der Bilderscheinung.
Bild-14
Der radiometrische
Unterschied in den
beiden Bilder ist
deutlich. Ein weißes
Gebäude in dem
linken Bild erscheint
gar nichts. Auch
wegen der Jahreszeit
zeigt Vegetation
unterschliche Grauwerte.

) Wegen der Reflexionen zeigt ein radiometrische Unterschied in der
Bilderscheinung.
Bild-15.
Wegen des Stoffs der
Hausdache und der
Aufnahmerichtung
erscheint eine
stärkere Reflexionen
der Hausdache in dem
rechten Bild, es
verursacht sehr unterschiedliche
Grauwert
in den Bilder.
c) Es fehlt an Objektteil in der Bilderscheinung.
Bild-16.
Wegen der Beleuchtungsrichtung
der Sonne
erscheint die Abdeckung
und das Schatten in dem
rechten Bilder sehr stark.
In der Umgebung der
Anfangspunkte zeigt ein
sehr unterschiedliche
Kontrast.

d) schlechte Kontrast
Bild-17.
Weil in der Rasenfläche
gibt es immer eine
schlechte Variation des
Grauwerts, konnte die
Bildzuordnung immer
ungünstig in einer Rasenfläche
durchgeführt.
d) Verarbeitung der Bilder vor der Bildzuordnung.
linker Bild
rechter Bild
Bild-17. gefilterte Bilder
Weil ein gut Kontrast erforderlich bei der Bildzuordnung ist, probierten wir vor
der Bildzuordnung, um den Kontrast der Bilder zu erhöhen. Im Test wurden
das Programm „Photoshop 6.0“ verwendet. Die beide Bilder sind durch ein
Filter „Hochpass“, den Photoshop liefert , verarbeitet. Danach wurde eine
automatische Bildzuordnung mit den beiden gearbeitete Bilder wieder
durchgeführt. Aber das Ergebnis ist nicht verbessert.

5 Herstellung eines digitalen Höhenmodell(DHM)
5.1 Digitales Höhenmodell (DHM)
Engl. digital elevation model (DEM); digitale Darstellung der Topographie,
meist in Form eines regelmäßig angeordneten Punktrasters, in dem die
einzelnen Punkte die Höhenwerte repräsentieren. Durch diese z-Werte sind
eine dreidimensionale Darstellung und eine quantitative Analyse der
Erdoberfläche möglich.
DHMs werden in einer Vielzahl von Disziplinen benötigt. Einige Stichworte
sollen das Anwendungsspektrum umreissen: hydrologische Modellierung,
Wasserwirtschaft, GPS-Navigation, Planung terrestrischer Mobilfunknetze,
Rohstoffexploration, Infrastrukturplanung, Planung von Großanlagen wie
Flughäfen und Staudämmen, Militär, Flugführung, Katastrophenschutz,
-vorsorge, Wetter- und Klimamodellierung, Geländekorrektur von
Fernerkundungsdaten durch Geokodierung u.w.
Meist erfolgt die Erstellung von DHM durch Auswertung von Stereoaufnahmen
optischer Systeme. Es ist gewöhnlich eine Luftbild-Photogrammetrie, die zwar
hochwertige DHMs liefern, für globale Anwendungen aber zu langwierig und
aufwändig sind. Satellitengestützte optische Stereoverfahren andererseits sind
auf wolkenlose Sicht angewiesen. Insbesondere gibt es ein Defizit an präzisen
DHMs für Afrika, Asien und Südamerika. Aber auch für höher entwickelte
Länder sind die derzeitigen digitalen Höhendaten häufig örtlich inhomogen, da
aus unterschiedlichen Quellen stammend, mit unterschiedlichen Verfahren
gewonnen oder auch auf unterschiedliche Referenzsysteme bezogen.

5.2 DHM-Herstellung mit CARTERRA Geo Bilderpaar
5.2.1 Stereobilderpaar
Ein Stereobildpaar ist ein für stereoskopische Auswertung geeignetes Bildpaar
aus raumparallaktisch verschiedenen, jedoch weitgehend inhaltsgleichen
Halbbildern. Der unten gezeigte Bild ist mit zwei Bilder zusammen eingesetzt,
eines mit rote Farbe, andres mit grüne Farbe. Mit der Stereobrille sieht jedes
Auge nur ein Bild. Jedes der beiden Bilder wird durch eine eigene Linse
betrachtet, wobei die beiden Linsen schräg angeordnet sind, damit die Bilder
zueinander verschoben werden. Als Ergebnis verschmelzen sie beim
Betrachten zu einem dreidimensionalen Bild.
Bild-18.
5.2.2 Digital Höhemodel
Grundvoraussetzung für die Generierung des DHMs ist die Bildzuordnung.
Bei der Bildzuordnung wird zunächst in beiden stereoskopischen Bildern nach
gemeinsamen Punkten gesucht und erhält Bildkoordinaten. Die
Bildkoordinaten werden mit Hilfe der Kollinearitätsgleichung und der
verbesserten äußeren Orientierung in 3D Objektpunkte umgewandelt. Aus

den Objektpunkten kann nun ein Raster mit 3D Koordinaten interpoliert
werden.
Bild-19.
Darstellung der Höhe durch eine Konturfarbe.
Herstellung des DHMs ist mit der Programme „BLPRE“ und „BASIC
4.0“ durchgeführt. Bei dem Verfahren sind drei Datei notwendig. Die Datei
„conj.pix“ wurde nach der automatische Bildzuordnung mit dem Programm
DPCOR erzeugt. Die Datei enthalt die Information der Bildkoordinaten, die zu
den durch die Bildzuordnung gefundene homologen Punkte gehört. Man
brauch noch zwei Datei, die unterschiedlich die Informationen der äußere
Orientierung von zwei Bilder enthalt. Hier ist „ikonor3.dat“ und „ ikonor1.dat“.
Durch das Programm „BLPRE“ kann die 3D-Objektkoordinaten aller
gemeinsamen Punkten ausgerechnet werden und in die Datei
„dem.dat“ speichern. Danach mit dem Programm „BISIC 4.0“ wurden andere
gemeinsame Punkten nach dem eingesetzten Abstand interpoliert, und wurde
eine graphische Datei „GITT.ima“ erzeugt (Bild-19, Bild-20).

Bild-19.
3D Model
In der oben erzeugte DHMs zeigt die Gelände sehr felsig. Er wurde vielleicht
die Gebäude verursacht. Weil die Höhe sich von Gebäude zu Flachboden oder
umgekehrt plötzlich groß änderte. Nach Filterung kann die Gelände in dem
DHM eine glatte Änderung erscheinen(Bild-21).
Bild-21.
3D Model nach der Filterung

Um die Genauigkeit des DHMs, wurde ein Referenzhöhenmodel genommen,
das aus SPOT Bilder hergestellt ist. Nach dem Vergleich ist die Untersiedhöhe
etwa 6 m. Ein digitales Differenzhöhenmodel kann auch dadurch
herstellen(Bild-22).
Bild-22.
Differenzhöhen- model zu dem Referenzhöhen-model.

6 Literaturverzeichnis
Bücher:
KRAUS, K., 1994: Photogrammetrie, Grundlagen und Standardverfahren,
Band 1, Dümmler Verlag, Bonn
KRAUS, K., 1996: Photogrammetrie, Verfeinerte Methoden und
Anwendungen, Band 2, Dümmler Verlag, Bonn
Jörg, A., 2001: Einführung in die Fernerkundung, Grundlagen der
Interpretation von Luft- und Satellitenbildern, 2.,überarbeitete und erweiterte
Auflage, Wissenschaftliche Buchgesellschaft, Darmstadt
Schriftreihen:
Jacobsen K., Mapping with IKONOS images, EARSeL, Prag 2002,
“Geoinformation for European-wide Integration” Millpress ISBN 90-77017-71-2,
pp 149 - 156
Jacobsen K.: Orthoimages and DEMs by QuickBird and IKONOS, EARSeL
Ghent 2003, Remote Sensing in Transition, Millpress, ISBN 90-77017-71-2,
513 – 525
Jacobsen K.: Geometric Potential of IKONOS- and QuickBird-Images, in D.
Fritsch (Ed.) Photogrammetric Weeks ‘03, pp 101-110, Wichmann Verlag ISBN
3-87907-397-X und GIS Geo-Informations-Systeme 9/2003, 33 - 39.
Jacobsen K.: Mapping with IKONOS images, Proceedings of 22nd EARSeL
Symposium, Prague, Tomas Benes (Ed.), Millpress Rotterdam, 149-156.

Jacobsen, K.: DEM Generation by SPOT HRSC: IntArchPhRS. Band XXXV,
Teil B1. Istanbul, 2004, S. 439-444
Passini, R. ; Jacobsen, K.: Accuracy analysis of digital orthophotos from very
high resolution imagery: IntArchPhRS. Band XXXV, Teil B4. Istanbul, 2004, S.
695-700
Topan, H. ; Büyüksalih, G. ; Jacobsen, K.: Comparison of Information
Contents of High Resolution Space Images: IntArchPhRS. Band XXXV, Teil B4.
Istanbul, 2004, S. 583-588
H. Eisenbeiss, E. Baltsavias, M. Pateraki, L. Zhang, O. Gut, O. Heller.:
Das Potenzial von Ikonos und Quickbird-Bildern für die genaue
3D-Punktbestimmung,Orthophoto- und DSMGenerierung
Jacobsen, K., Büyüksalih, G., Sefercik, U., Büyüksalih, I. 2005:
Geometric Conditons of Space Imagery for Mapping
Jacobsen, K. , 2005: Comparative Analysis of Space Image Orientation
Internet:
Institut für Photogrammetrie und GeoInformation (IPI) der Universität
Hannover
http://www.ipi.uni-hannover.de/html/lehre/lehrveranstaltungen/ph-ii-v/
Institut für Photogrammetrie der Universität Stuttgart
http://www.ifp.uni-stuttgart.de/lehre/skripte.html
Space Imaging, Inc.
http://www.spaceimaging.com/