2:1 Data ReductionThe comparison be

2:1 Data Reduction
The comparison between ADS-based SGM and LiDAR point clouds by Gehrke et al. (2010) has shown that the
resolution (ADS < 50 points/m2
, LiDAR < 10 points/m2
) and the horizontal accuracy (ADS: ~ 0.5 GSD, LiDAR: 10-
30 cm) are better than LiDAR for medium and high-resolution ADS data (GSD < 50 cm), while the vertical
accuracy is comparable to LiDAR (~ 5 cm) only for high resolution ADS imagery (GSD ~ 5 cm) – along with the
much higher point density. These differences in accuracy as well as the experience that such a huge amount of data
cannot be handled properly in the interactive post-processing as described below, we decided to reduce the amount
of data along with increasing the vertical accuracy.
This is achieved by joining the disparities of 2x2 neighboring base image pixels, similar to a 2:1 minification of
the disparity map. The consistency of respective values is verified: disparities that differ by more than 1 from the
(initial) average are disregarded; at least two disparities are required to agree for the final result. Such averaging
removes noise and doubles the vertical accuracy (for results based on 4 input pixels) and reduces the data by up to
75%. The result is considered the high-resolution output of the XPro DSM Extractor. Depending on the input image
GSD, it can still exceed the density of LiDAR data and theoretically achieve more comparable accuracy properties.
Note that the horizontal resolution of this final result is (almost) identical to an SGM output from the 2:1
pyramid level but the vertical accuracy is much better for two reasons: the use of full resolution imagery and, thus,all available information; and the averaging of neighboring disparities. The advantage of pyramid level output is
performance, a factor of (up to) 8 per level. In that regard, the XPro DSM Extractor provides the option of a ‘quick’
overview based on very fast computation using 8:1 minified imagery.

ผลลัพธ์ (ไทย) 1:

ลดข้อมูล 2:1การเปรียบเทียบระหว่างเมฆจุดขึ้นตามโฆษณาและ LiDAR โดย Gehrke et al. (2010) ได้แสดงที่การความละเอียด (โฆษณา < 50 คะแนน/m2, LiDAR < 10 จุด/m2) และความแม่นยำแนวนอน (โฆษณา: ~ 0.5 GSD, LiDAR: 10 -30 ซม.) กว่า LiDAR ข้อมูลโฆษณาปานกลาง และความละเอียดสูง (GSD < 50 ซม.), ในขณะที่แนวตั้งความแม่นยำก็เปรียบได้กับ LiDAR (~ 5 ซม.) สำหรับความละเอียดสูงภาพโฆษณา (GSD ~ 5 ซม.) -พร้อมกับการมากจุดความหนาแน่นสูง แตกต่างในความถูกต้องตลอดจนประสบการณ์ที่ดังกล่าวเป็นข้อมูลจำนวนมหาศาลไม่สามารถจัดการได้อย่างถูกต้องในการโต้ตอบเราหลังประมวลผลตามที่อธิบายไว้ด้านล่าง ตัดสินใจที่ลดปริมาณข้อมูลพร้อมกับเพิ่มความแม่นยำแนวตั้งโดยการเข้าร่วมความแตกต่างของ 2 x 2 ฐานภาพพิกเซล คล้ายกับ minification 2:1 ของแผนที่ความเหลื่อมล้ำ มีการตรวจสอบความสอดคล้องของค่า: ความแตกต่างที่แตกต่าง โดยมากกว่า 1 จากการค่าเฉลี่ย (เริ่มต้น) ถูกละเลย ความแตกต่างน้อยสองต้องยอมรับผล หาค่าเฉลี่ยดังกล่าวเอาเสียงรบกวน และเพิ่มความแม่นยำแนวตั้ง (สำหรับผลลัพธ์ตามพิกเซลสำหรับการป้อนค่าที่ 4) และลดข้อมูลโดยการ75% ผลเป็นการแสดงผลที่ความละเอียดสูงของ XPro DSM Extractor ขึ้นอยู่กับสัญญาณภาพGSD ยังสามารถเกินความหนาแน่นของข้อมูลจาก LiDAR และตามหลักวิชาให้ประเมินความถูกต้องคุณสมบัติความละเอียดแนวนอนนี้ผลสุดท้าย (เกือบ) เหมือนกับการแสดงผลขึ้น 2:1ปิรามิดระดับ แต่ความแม่นยำแนวตั้งจะดีด้วยเหตุผลสองประการ: การใช้ภาพความละเอียดสูงและ จึง มีข้อมูล และหาค่าเฉลี่ยของความแตกต่างใกล้เคียง ประโยชน์ระดับของพีระมิดคือประสิทธิภาพ ปัจจัย (นานถึง) 8 ต่อระดับ ในเรื่องนั้น ดูด DSM XPro มีตัวเลือก 'ด่วน'ภาพรวมที่ใช้ในการคำนวณอย่างรวดเร็วโดยใช้ภาพ minified 8:1

ผลลัพธ์ (ไทย) 2:

2: 1 การลดข้อมูล
การเปรียบเทียบระหว่าง SGM ADS-based และ LiDAR เมฆจุดโดย Gehrke et al, (2010) แสดงให้เห็นว่า
มติ ADS (<50 คะแนน / m2
, LiDAR <10 คะแนน / m2
) และความถูกต้องในแนวนอน (ADS: ~ 0.5 GSD, LiDAR: 10-
30 เซนติเมตร) จะดีกว่า LiDAR กลางและสูง ข้อมูล ADS ความละเอียด (GSD <50 ซม.) ในขณะที่แนว
ความถูกต้องก็เปรียบได้กับ LiDAR (~ 5 ซม.) เท่านั้นสำหรับภาพความละเอียดสูง ADS (GSD ~ 5 ซม.) - พร้อมกับ
ความหนาแน่นของจุดที่สูงขึ้นมาก ความแตกต่างเหล่านี้ในความถูกต้องเช่นเดียวกับประสบการณ์ที่ดังกล่าวเป็นจำนวนมากของข้อมูล
ไม่สามารถจัดการได้อย่างถูกต้องในการโต้ตอบการโพสต์ตามที่อธิบายไว้ด้านล่างเราตัดสินใจที่จะลดปริมาณ
ของข้อมูลพร้อมกับการเพิ่มความถูกต้องในแนวตั้ง.
นี้จะทำได้โดยการเข้าร่วม ความแตกต่างของเพื่อนบ้าน 2x2 พิกเซลภาพฐานคล้ายกับ 2: 1 minification ของ
แผนที่ความเหลื่อมล้ำ ความสอดคล้องของค่าที่เกี่ยวข้องที่มีการยืนยัน: ความแตกต่างที่แตกต่างมากกว่า 1 จาก
(เริ่มต้น) เฉลี่ยจะปัดทิ้ง; อย่างน้อยสองความแตกต่างจะต้องเห็นด้วยสำหรับผลสุดท้าย ค่าเฉลี่ยดังกล่าว
เอาเสียงและคู่ความถูกต้องในแนวตั้ง (เพื่อให้ได้ผลลัพธ์ขึ้นอยู่กับ 4 พิกเซลการป้อนข้อมูล) และลดข้อมูลได้ถึง
75% ผลที่ได้คือการพิจารณาการส่งออกที่มีความละเอียดสูงของ Xpro DSM ดูด ทั้งนี้ขึ้นอยู่กับภาพที่นำเข้า
GSD ก็ยังสามารถเกินความหนาแน่นของข้อมูล LiDAR และในทางทฤษฎีบรรลุคุณสมบัติความถูกต้องมากขึ้นเปรียบ.
ทราบว่าความละเอียดแนวนอนของผลสุดท้ายนี้เป็น (เกือบ) เหมือนกันกับการส่งออก SGM จาก 2: 1
ระดับพีระมิด แต่ ความถูกต้องในแนวตั้งจะดีกว่ามากด้วยเหตุผลสองประการ: การใช้ภาพความละเอียดเต็มรูปแบบและทำให้ข้อมูลที่มีอยู่ทั้งหมด และค่าเฉลี่ยของความแตกต่างที่อยู่ใกล้เคียง ข้อได้เปรียบของการส่งออกระดับพีระมิดคือ
ประสิทธิภาพของปัจจัย (สูงสุด) 8 ต่อระดับ ในเรื่องนั้น Xpro DSM ดูดและมีตัวเลือกของ 'รวดเร็วฯ
ภาพรวมอยู่บนพื้นฐานของการคำนวณที่รวดเร็วมากใช้ 8: 1 ภาพ minified