Fotogrametría por Estructura a partir del Movimiento: Fundamentos y Proceso

Método SfM: Etapas y Resultados Clave

En el método de Estructura a partir del Movimiento (SfM) se resuelve la posición de la cámara y la geometría de la escena de forma simultánea y automática, mediante un ajuste de haces altamente redundante basado en la correspondencia de un conjunto poco denso de elementos en múltiples imágenes convergentes.

Aplicabilidad del SfM

Este enfoque es adecuado para:

• Series de imágenes con mucho solapamiento que capturan la estructura tridimensional completa de la escena vista desde muchas posiciones.
• Imágenes derivadas de un sensor en movimiento.

Principio de Cálculo Simultáneo

El cálculo de las posiciones de la cámara y los puntos 3D a partir de una secuencia de al menos 2 imágenes se realiza simultáneamente (de ahí el nombre Structure from Motion o SfM).

Procedimiento Estándar y Densificación

El procedimiento estándar inicial genera un conjunto de puntos poco denso. Este conjunto es suficiente para el cálculo de las posiciones de la cámara o el seguimiento de la cámara, pero no es adecuado para aplicaciones de modelado y visualización que requieren una mayor densidad de puntos reconstruidos.

El paso posterior consiste en la reconstrucción de un conjunto denso de puntos 3D.

Etapas del Proceso SfM

El flujo de trabajo general comprende las siguientes etapas:

1. Obtención de imágenes.
2. Detección y correspondencia de elementos.
3. Determinación de las posiciones de la cámara y triangulación.
4. Optimización.
5. Reconstrucción de la geometría 3D de la escena.

Datos Necesarios y Resultados

• Datos necesarios: Imágenes del objeto.
• Resultados obtenidos: Matrices de orientación de imágenes y nube de puntos 3D del objeto.

Aplicación del Algoritmo RANSAC en Fotogrametría

El algoritmo RANSAC (Random Sample Consensus) es un método robusto utilizado para ajustar datos a un modelo, siendo especialmente útil cuando los datos son muy numerosos y pueden contener muchos errores (outliers).

Caso a): Medición Automática de Puntos de Referencia Codificados

En el caso de la medición automática en múltiples imágenes de puntos de referencia codificados preseñalizados:

• Se miden automáticamente en las imágenes los puntos de referencia (señales codificadas, patrones únicos que el algoritmo debe encontrar, identificar y localizar).
• Habrá pequeños errores inherentes a la medición.
• Conclusión: RANSAC no es necesario en este escenario si la detección y correspondencia son muy precisas, ya que los errores son pequeños y no hay una gran proporción de outliers disruptivos en la correspondencia inicial.

Caso b): Orientación Relativa de un Par Estereoscópico

Para la obtención de la orientación relativa de un par estereoscópico de imágenes a partir de la medición automática de múltiples puntos en las zonas de Grüber:

Proceso de Orientación Relativa

En la orientación relativa automática se miden un gran número de puntos en cada una de las zonas de Gruber en las dos imágenes y se obtienen las correspondencias entre ellos. Estas correspondencias se emplean para obtener el modelo matemático aplicado en la orientación relativa (matriz, coplanaridad, etc.).

Adecuación de RANSAC

En este caso, se dispone de muchos datos, y muchos de ellos pueden ser erróneos. El modelo matemático se calcula a partir de un número mínimo de puntos (9 para la matriz fundamental, 5 para la matriz esencial/coplanaridad).

RANSAC es adecuado, ya que permite estimar el modelo a partir de un número pequeño de muestras de puntos con una probabilidad prefijada de que no contengan outliers, filtrando así las correspondencias incorrectas.