A drónos térképezés fejlődésével sokan úgy gondolják, hogy elegendő néhány száz vagy akár több ezer légifelvételt készíteni, és a feldolgozószoftver automatikusan elkészíti a pontos ortofotót. A valóság azonban ennél jóval összetettebb. Bizonyos felszínek esetében még a legmodernebb fotogrammetriai szoftverek is nehézségekbe ütközhetnek, és az eredmény hiányos, torz vagy akár teljesen használhatatlan ortofotó lehet.
A probléma gyökere nem a fényképek számában, hanem a felszín megjelenésében keresendő.
A fotogrammetria nem képeket, hanem mintázatokat használ
A modern drónos térképezés alapját a Structure from Motion (SfM) és a többnézetű képfeldolgozás (Multi-View Stereo) módszerei adják. Ezek a technikák a fedésben lévő képek között közös jellegpontokat keresnek, majd ezek alapján számítják ki a kamera pozícióját és a felszín geometriáját. A folyamat alapvető eleme, hogy a szoftver ugyanazt a pontot több felvételen is felismerje.
Ezek a jellegpontok lehetnek például:
– repedések az aszfalton,
– kövek vagy kavicsok,
– útburkolati jelek,
– növényfoltok,
– épületsarkok,
– kontrasztos árnyékok.
Minél több ilyen egyedi részlet található a képeken, annál könnyebben tudja a szoftver összekapcsolni az egyes felvételeket. A fotogrammetriai feldolgozás alapja tehát nem maga a kép, hanem az azon felismerhető mintázatok és egyezések keresése – ezt nevezzük pixelhasonlóságnak, Dense Matching-nek.
Mi történik homogén felületeken?
A problémák akkor kezdődnek, amikor a felszín túl egyforma.
Egy frissen kaszált gyep, egy homokos terület, egy havas mező vagy egy nagy kiterjedésű új aszfaltburkolat esetében a képek jelentős része szinte ugyanúgy néz ki. Ilyenkor a szoftver nem talál elegendő egyedi jellegpontot, ezért bizonytalan vagy hibás lesz az illesztés. A szakirodalom ezt gyakran „featureless” vagy „textureless” felszínként említi.
Különösen jól ismert probléma ez sivatagos vagy homokos területeken. Egy 2022-es kutatás kifejezetten olyan UAV-felvételeket vizsgált, amelyek homogén, mintázatmentes homokfelszínekről készültek. A szerzők megállapították, hogy ezek a körülmények jelentősen megnehezítik az automatikus pontazonosítást és a képek illesztését.
Erdős területeken is nagyon gyakran előjön. A lenti képen nagyon szépen látszik, mi történik, ha erdős, sűrű vegetációval borított területet mérünk fel: ezek a területek a fotogrammetria „rémálmai”. A lomboknak nincs fix, szilárd geometriájuk (a szél miatt folyamatosan mozognak), a levelek pedig milliónyi apró, ismétlődő mintát alkotnak. A pixelhasonlósági algoritmus itt nem talált egyértelmű, fix pontokat, ami egyenesen vezetett a textúra széteséséhez és a fehér lyukakhoz. Az alacsony napállás miatt a fák óriási területeket takarnak ki a saját árnyékukkal. Az árnyékos részeken a kamera szenzora alulexponált lett (bebuktak a sötét tónusok), és a szoftver számára ezek a területek teljesen homogén fekete foltokká váltak. Mivel a sötétben nincsenek kivehető részletek (pixelek közötti kontraszt), az algoritmus vakon maradt, és inkább maszkolta (feketítette) vagy kihagyta (fehér lyukak) ezeket a részeket.
A víz a fotogrammetria egyik legnagyobb ellensége
A vízfelületek különösen problémásak a fotogrammetria számára; ennek több oka is van. Egyrészt a víz gyakran homogén megjelenésű, ezért kevés egyedi mintázat áll rendelkezésre. Másrészt a hullámzás miatt a felszín folyamatosan változik, így ugyanaz a pont néhány másodperccel később már teljesen máshogy nézhet ki. Harmadrészt a tükröződés és a fénytörés további hibaforrásokat visz a feldolgozásba. Nem véletlen, hogy a vízfelszínek és a sekély víz alatti területek fotogrammetriai feldolgozására külön kutatási irány épült. A szakirodalom szerint már a gyenge textúrájú tengeraljzati képek esetében is jelentősen romolhat a képillesztés minősége, ezért speciális algoritmusokra van szükség a megfelelő pontazonosításhoz.
Milyen hibák jelenhetnek meg az ortofotón?
Ha a feldolgozószoftver nem talál elegendő közös pontot, annak látványos következményei lehetnek.
Gyakori hibák:
– lyukas vagy hiányos ortofotó,
– elcsúszott mozaikrészletek,
– megnyúlt vagy torz objektumok,
– kettőződő tereptárgyak,
– pontatlan felszínmodellek,
– hullámos digitális terepmodellek,
– hibás georeferálás.
Sok esetben a probléma csak a feldolgozás végén válik láthatóvá, amikor a több száz vagy több ezer felvételből összeállított térkép egyes részei egyszerűen nem illeszkednek megfelelően.
Mit lehet tenni?
Bár a homogén felszínek mindig kihívást jelentenek, bizonyos módszerekkel javítható a feldolgozás sikeressége.
Ilyen lehet:
– a repülési magasság csökkentése,
– a képfedés növelése (80–90%),
– keresztrepülési mintázat alkalmazása,
– RTK vagy PPK pozicionálás,
– földi illesztőpontok (GCP-k) használata,
– LiDAR-technológia bevonása ott, ahol a fotogrammetria korlátokba ütközik.
A repülési magasság hatása nem egyértelmű. Alacsonyabb magasság esetén nagyobb részletesség érhető el, míg magasabb repülésnél több környezeti objektum jelenhet meg a képeken, amelyek segíthetik a képillesztést. Az optimális magasság ezért mindig a felszín jellegétől és a felmérés céljától függ. A homogén felszínek vizsgálatával foglalkozó kutatások azt mutatják, hogy különösen nagy képfedés mellett jelentősen javítható a modellek geometriai pontossága, még kedvezőtlen felszíni adottságok esetén is.
Összegzés
A sikeres ortofotó készítésének kulcsa nem a fényképek mennyisége, hanem a felszín textúrája. A fotogrammetriai algoritmusok egyedi mintázatok alapján kapcsolják össze a képeket, ezért a homogén felületek – például a víz, a homok, a hó vagy a nagy kiterjedésű egyszínű burkolatok – komoly kihívást jelentenek. Bár a korszerű szoftverek és a precíz helymeghatározás sokat segíthetnek, bizonyos környezetekben még mindig elérkezünk a fotogrammetria természetes korlátaihoz. Éppen ezért egy jó drónos felmérés nem a repüléssel kezdődik, hanem annak megértésével, hogy mit is lát majd a kamera a felszínből.
Források
Taha, A., Rabah, M., Mohie, R., Elhadary, A., & Ghanem, E. (2022). Assessment of Using UAV Imagery over Featureless Surfaces for Topographic Applications. Mansoura Engineering Journal, 47(1).
Elhadary, A., Rabah, M., Ghanim, E., Mohie, R., & Taha, A. (2022). The Influence of Flight Height and Overlap on UAV Imagery over Featureless Surfaces and Constructing Formulas Predicting the Geometrical Accuracy. NRIAG Journal of Astronomy and Geophysics, 11(1), 210–223. https://doi.org/10.1080/20909977.2022.2057148
Verykokou, S., & Ioannidis, C. (2025). Image Matching: A Comprehensive Overview of Conventional and Learning-Based Methods. Encyclopedia, 5(1), 4. https://doi.org/10.3390/encyclopedia50100
Micheletti, N., Chandler, J. H., & Lane, S. N. (2015). Structure from Motion (SfM) Photogrammetry. British Society for Geomorphology.
Muratbekuly, B., & Tynymbayev, S. (2025). Research in Structure from Motion and Multi-View Stereo Techniques in Photogrammetric 3D Reconstruction from 2D Image Sequences
Chen, Y., Le, Y., Wu, L., Zhang, D., Zhao, Q., Zhang, X., & Liu, L. (2024). Weak-Texture Seafloor and Land Image Matching Using Homography-Based Motion Statistics with Epipolar Geometry. Remote Sensing, 16(14), 2683. https://doi.org/10.3390/rs16142683
Maas, H.-G., Sardemann, H., Mulsow, C., Gueguen, L.-A., & Mandlburger, G. (2025). New Approaches in Photo-Bathymetry. ISPRS Archives.
Sardemann, H., Mulsow, C., Gueguen, L.-A., Mandlburger, G., & Maas, H.-G. (2024). Multimedia Photogrammetry with Non-Planar Water Surfaces – Accuracy Analysis on Simulation Basis.