L’obiettivo di questo lavoro è mostrare i primi risultati di un approccio sperimentale realizzato per stimare la precisione tipica che è possibile conseguire nell’ambito del telerilevamento mediante sistemi di fotogrammetria digitale Structure from Motion (SfM). Come evidenziato da [Granshaw e Fraser, 2015], la fotogrammetria SfM differisce dalla fotogrammetria digitale tradizionale per due innovazioni significative, vale a dire: (1) l’uso dell’algoritmo SIFT (Scale Invariant Feature Transform) [Lowe, 1999], o di altro algoritmo per l’individuazione automatica dei punti corrispondenti in immagini di uno stesso oggetto acquisite da posizioni diverse, e (2) la tecnica RANSAC (RANdom SAmple Consensus) [Fisher e Bolles, 1981], utilizzata per la verifica delle corrispondente individuate e, in particolare, la soppressione delle false corrispondenze. Tali innovazioni consentono la registrazione completamente automatica in uno stesso sistema di riferimento delle immagini rilevate ai fini della successiva ricostruzione fotogrammetrica. In particolare, l’algoritmo SIFT, del tipo feature based, individua in modo automatico i punti omologhi tra due immagini mediante: (i) riconoscimento di particolari (ad esempio spigoli, vertici) mediante operatori morfologici; (ii) memorizzazione di dati rilevanti ai fini della descrizione dell’intorno di ciascun particolare individuato; (iii) confronto tra gli intorni dei punti individuati nelle singole immagini e individuazione dei punti omologhi. Altri algoritmi di registrazione automatica, di tipo area-based, operano il riconoscimento automatico di aree corrispondenti in immagini diverse considerando direttamente i valori di intensità. Si deve comunque precisare che non tutti i produttori di pacchetti software per la fotogrammetria dichiarano il tipo di algoritmo da essi implementato. Interessanti considerazioni su diversi pacchetti per la fotogrammetria SfM, incluso un confronto critico tra le corrispondenti prestazioni e con enfasi sugli algoritmi utilizzati per la registrazione automatica, possono trovarsi in [Remondino et al., 2015]. Trattandosi di procedure che ricercano e verificano in modo pressoché completamente automatico delle corrispondenze tra immagini digitali, è requisito fondamentale che il rilievo delle aree di interesse avvenga in modo rapido al fine di prevenire effetti indesiderati dovuti al moto apparente del Sole. Questo agisce, infatti, sia sulle ombre che possono interessare le superfici osservate, a disegnare pattern di forma e colore molto diversi, sia sulla maggiore o minore luminosità delle immagini a seconda degli orari in cui si effettua il rilievo. Tali effetti indesiderati possono condurre al mancato allineamento automatico delle immagini. Il risultato del processamento fotogrammetrico delle immagini mediante SfM è una nuvola di punti molto densa e fotorealistica, da cui è possibile trarre un modello digitale 3D, del pari fotorealistico. In generale, è difficile fornire una valutazione dell’errore tipico perché una stima di esso non è prevista nel processo di ricostruzione fotogrammetrica. Tuttavia, le nuvole di punti possono essere trattate secondo le strategie comunemente utilizzate nell’ambito dell’analisi dati da laser a scansione terrestre (TLS) per estrarre informazioni utili a quantificare l’errore in parola. È necessario altresì sottolineare che ad una nuvola di punti SfM deve essere assegnato un fattore di scala affinché essa possa divenire la rappresentazione di un oggetto reale in un sistema metrico. Tale fattore di scala può essere gestito sia nella fase di allineamento delle immagini, cioè nella fase di registrazione delle stesse in uno stesso sistema di riferimento, dunque antecedentemente alla generazione della nuvola di punti (utilizzando quindi lo stesso pacchetto software della fotogrammetria), sia successivamente alla generazione della nuvola di punti in questione, eventualmente utilizzando un diverso pacchetto software. Vari autori hanno già affrontato la questione delle prestazioni dell’SfM anche in riferimento al confronto rispetto alle prestazioni del TLS utilizzato in analoghe condizioni di osservazione. Ad esempio [Andrews et al., 2013] ha mostrato che l’uso di TLS e SfM ha portato a modelli digitali triangolati di un antico granaio molto simili; [Kustoudis et al., 2014] ha evidenziato che, se un’ampia serie di immagini è acquisita in opportuni condizioni di illuminazione, la fotogrammetria SfM permette di ottenere risultati di alta qualità anche per i monumenti caratterizzati da superfici complesse. Inoltre, [Teza et al., 2016] ha evidenziato che le prestazioni di TLS e SfM sono analoghe anche nella generazione di nuvole di punti finalizzate all’esecuzione dell’analisi morfologica di un edificio storico, a patto che i punti i vista del rilievo fotogrammetrico siano ben distribuiti spazialmente. Le elaborazioni presentate in questo lavoro sono realizzate mediante il software PhotoScan [Agisoft, 2015], per l’analisi delle immagini digitali e l’estrazione delle nuvole di punti, e mediante il software PolyWorks [Innovmetric, 2015] per il calcolo del fattore di scala, per la registrazione delle nuvole in un comune sistema di riferimento e per il calcolo della mappa delle differenze tra modelli digitali.