UAV fotogrammetrie a metody obrazové analýzy v polním pokusnictví

Fotogrammetrické metody

Fotogrammetrické metody dnešní doby jsou metody pasivní, bezkontaktní a poměrně přesné. Metody fotogrammetrického zpracování dat byly v této diplomové práci využity v rámci generování trojrozměrných mračen bodů a pro tvorbu orotofotosnímků, výškových modelů, digitálních povrchů terénů a 3D modelů plodin. V dnešní době lze pro účel zpracování dvourozměrných měřických snímků do podoby trojrozměrných bodových mračen využít více odlišných algoritmů využívajících různých přístupů a metod zpracování snímků. Mezi tyto algoritmy a přístupy patří zejména:
• Semi-Global Matching
• Structure from Motion
• Multi-view Image Matching
Detailnější popis těchto přístupů je uveden v podkapitole 3.1.4. Pro fotogrammetrické zpracování UAV snímků byly využity zejména metody a nástroje, které jsou součástí softwarů Agisoft Metashape a Cloud Compare. Popis konkrétních fotogrammetrických nástrojů včetně možností nastavení jejich parametrů je uveden v rámci kapitoly 5.

Metody obrazové analýzy

Metody obrazové analýzy byly v této práci využity zejména pro výpočet vegetačních indexů plodin a pro hledání a testování algoritmu sloužícího pro automatickou detekci počtu klasů pšenice. V této kapitole následuje pouze stručný popis využitých metod obrazové analýzy a konkrétních vegetačních indexů. Více informací o využitých metodách obrazové analýzy včetně správného nastavení jejich parametrů je uvedeno v následujících kapitolách této práce.

Vegetační indexy
V závislosti na snímcích pořízených UAV (RGB snímky) bylo možné pro účely této práci využít pouze ty vegetační indexy, které jsou založené na transformací dvou a více pásem viditelného spektra (RGB pásem). Celkem bylo vybráno 10 různých vegetačních indexů, které byly aplikovány na ortofoto snímky generované za pomocí fotogrammetrických metod. V této podkapitole je uveden pouze výpis vybraných vegetačních indexů, které byly v rámci této práce počítány. Více informací o vegetačních indexech obecně i o využitých vegetačních indexech je uveden v podkapitole 3.2.2. Způsob výpočtu vybraných vegetačních indexů včetně uvedení rovnic pro jejich výpočet je uveden v podkapitole 5.7.
Vybrané vegetační indexy:
ExB (Excess Blue Index), ExG (Excess Green Index), ExR (Excess Red Index), ExGR (Excess Green Red Index), GLI – (Green Leaf Index), GRVI – (Green Leaf Index), IKAW (Kawashima Index), MGRVI (Modified Green Red Vegetation Index), RGBVI (Red Green Blue Vegetation Index), VARI (Visible Atmospherically Resistant Index).

Následující metody byly nezbytné pro provedení automatické detekce počtu klasů vybraných druhů obilí. Všechny tyto metody jsou součástí a byly provedeny v programu ImageJ.
Laplaceův frekvenční filtr
Laplaceův obrazový filtr slouží pro zvýraznění oblastí rychlé změny intenzity (detekce hran apod.). Je obzvláště užitečný k nalezení a zvýraznění jemných detailů obrazu.
Mediánový filtr
Jedná se o dobře známý nelineární obrazový filtr. Tento filtr nahrazuje hodnotu středového pixelu v sousedství, které je definováno oknem určité velikosti M x M, střední hodnotou vypočtenou jako medián všech hodnot v daném okně. Mediánový filtr je vhodný k odstranění náhodného šumu (Deligiannidis a Arabnia, 2015).
Find Maxima
Tato operace slouží pro detekci lokálních maxim v obraze. Výstupem této operace je binární obraz.

Statistické metody

Pro zjištění, zdali mezi vypočítanými výškovými metrikami a vegetačními indexy existují vzájemné vztahy a závislosti byla využita korelační matice, která pro každou dvojici vstupujících veličin (rasterů) vypočítá korelační koeficienty vyjadřující míru závislosti těchto dvou veličin.
Pro porovnání výsledků různého nastavení parametrů při testování algoritmu pro automatickou detekci počtu klasů a vyhodnocení jejich přesnosti v porovnání s hodnotami z manuálního sčítání byly využity tyto statistické charakteristiky: chybovost, míra úspěšnosti a celková úspěšnost (popsány v podkapitole 6.4.3.).
Pro vyhodnocení přesnosti hodnot odvozených výšek vytvořených výškových modelů plodin s hodnotami naměřenými při referenčním měření byly využity tyto 4 prediktivní statistické ukazatele (popsány v podkapitole 6.4.3.):
• MAD – Mean Absolute Deviation
• MSE – Mean Square Error
• RMSE – Root Mean Square Error
• MAPE – Mean Absolute Percentage Error