La precisione e la risoluzione delle nuvole di punti SfM: fattibilità di un approccio sperimentale

Riassunto

Nel presente lavoro è descritto un approccio sperimentale mirato alla stima della risoluzione di nuvole di punti ottenute da analisi di fotogrammetria digitale di tipo Structure-from-Motion (SfM). I risultati ottenuti rappresentano un secondo step e non un punto di arrivo, poiché la finalità di questa esperienza è valutare se il metodo utilizzato permette di estrarre informazioni sulla precisione e sulla risoluzione dei modelli ottenuti e metterle in relazione con i parametri del rilievo legati sia alle caratteristiche delle camere utilizzate che alla loro disposizione nello spazio. Si ricorda brevemente che la fotogrammetria SfM si basa su algoritmi, del tutto compatibili con risorse di calcolo ormai comunemente disponibili (indicativamente sistemi dotati di microprocessori Intel i7 o equivalenti, RAM da 16 Gbyte, scheda video con architettura CUDA) che permettono di creare modelli tridimensionali realistici a partire da un set di immagini scattate senza alcun tipo di vincolo sulle posizioni delle camere utilizzate. La tecnica SfM è stata già ampiamente descritta in [Pesci et al., 2015; Pesci e Teza, 2016; Pesci et al., 2016; Teza et al., 2016]; è tuttavia opportuno sottolineare come una caratteristica fondamentale di detta tecnica sia la registrazione automatica in uno stesso sistema di riferimento delle immagini di partenza. Nel caso in cui sia utilizzata una procedura di allineamento di tipo feature-based, questa è attuata attraverso i seguenti passi [Granshaw e Fraser, 2015]: (i) riconoscimento di particolari mediante operatori morfologici; (ii) memorizzazione di dati atti a descrivere l’intorno di ciascun particolare individuato; (iii) confronto tra gli intorni dei punti, nelle singole immagini, e individuazione dei punti omologhi; (iv) verifica delle corrispondenze individuate in (iii) mediante tecnica RANSAC (RANdom SAmple Consensus) [Fisher e Bolles, 1981]. Altri algoritmi di registrazione automatica, di tipo area-based, operano il riconoscimento automatico di aree corrispondenti utilizzando o la correlazione incrociata o la correlazione di fase o, ancora, l’informazione mutua tra le immagini, eventualmente col supporto di tecniche di ottimizzazione come il simulated annealing. Interessanti considerazioni sul confronto di vari pacchetti software per SfM sono riportati da [Remondino et al., 2015]. Il risultato del trattamento dati SfM è una nuvola di punti molto densa e fotorealistica, da cui è possibile altresì trarre un modello digitale 3D,...