第四章 實施方法
4.2 研擬並精進三維地形圖資測製技術
4.2.3 提升三維地形圖資核心類別測製效率或品質
本項工作為針對 4.2.2 節中提出之核心圖資(包括房屋及道路模型)測製 技術進行精進，精進的方向為：(1)提升房屋紋理細節、及(2)三維道路模型 重建的精進。
一、 提升房屋紋理細節(通用紋理品質)
本項工作主要任務為建置一個可提升房屋紋理品質之程序圖 4-2-3-1 為 改良版通用紋理流程圖。詳細步驟如下：
圖 4-2-3-1、改良版通用紋理流程圖
i. LOD2 房屋模型：圖資來源為 4.1 節產製之試辦區房屋模型。
ii. 房屋屬性與街景測站分析：本步驟主要是藉由(1)將房屋內部的多邊形 做溶解處理(如圖 4-2-3-2)，濾除雜點降低測站搜尋的資料量；(2)分析 LOD2 房屋模型的房屋屬性資料，計算房屋屋角點坐標(圖 4-2-3-3)；
(3)計算試辦區域內各方位牆面中心點坐標(如圖 4-2-3-4)等三個部分 的前處理，取得位置參數，最後使用 Google Street View Image API 的
42
中繼資料功能(輸入位置參數)，查詢特定位置附近是否有測站資訊，
圖 4-2-3-5 為查詢後的測試區測站分布。
(a)內部的多邊形溶解前之示意圖 (b)內部的多邊形溶解後之示意圖
圖 4-2-3-2、房屋內部的多邊形之溶解處理
圖 4-2-3-3、房屋牆面臨界值分布圖
43
圖 4-2-3-4、房屋牆面中心點示意圖
44
圖 4-2-3-5、試辦區測站搜尋成果
45
iii. 下載街景影像：本步驟流程包含下列二個部分：
(1) 在 Google Street View Image API 透過輸入 HTTP 要求的 URL 參數，查 看 Google 街景車與第三者在街道提供的街景影像。
(2) 取得測站與牆面之方位角(Heading):利用測站到牆面中心點位置與正 北方向取得的影像都為傾斜影像，為了盡可能從測站取得建物正面影像，
首先計算測站到房屋牆面的投影點，再計算測站到投影點與正北的角度為 方位角，如圖 4-2-3-6 所示。另外假設影像傾角(Pitch)與視角(Field Of View, FOV) 分別為 0°和 120°，使用 Google Street View Image API 取得街景影像。
以測試案例而言，牆面 ID1 可找到最近的測站為測站 ID2，經由 Google Street View Image API 輸入 HTTP 要求的 URL 參數，取得街景影像，如圖 4-2-3-7(d) 所示。
(a)測站到牆面投影點 (b)計算正北與測站到牆面投影點的方位角
圖 4-2-3-6、取得測站與牆面之方位角示意圖
46 (a)試辦區中的測試案例(粉紅色區塊) (b)世界大樓示意圖
(c)世界大樓原始影像 (d)街景影像下載的成果
圖 4-2-3-7、街景影像下載之測試案例
iv. 影像分析：本步驟主要流程為(1)計算房屋角點在街景影像之坐標；(2) 感興趣區域。步驟流程說明如下：
(1)計算房屋角點在街景影像之坐標：關於房屋角點在街景影像中的坐標，
以攝影測量中的共線條件方程式取得影像的坐標，圖 4-2-3-8 為三點共線示 意圖。共線條件方程式起初推導源自式(4.2.3.1)，利用已知測站(Station)坐
47
標，對目標建物(Building)三維坐標求解房屋在影像(Image)上之坐標。但 Google Street View Image API 並未提供該影像之焦距(focus)，並不能用傳統 共線條件方程式求解。但依據 Google Street View API 所提供的參數 FOV 和 測站 S 投影到𝐵𝐵̅̅̅̅̅之投影點 S′ P與測站 S 的距離 D，可取代焦距並改良式 (4.2.3.1)成式(4.2.3.2)與式(4.2.3.3)，透過比例解算在影像上之坐標。最後，
經由式(4.2.3.2)、式(4.2.3.3)可求得在建物在影像上之投影坐標。
(a)測量車與建物示意圖 (b)三點共線示求
圖 4-2-3-8、三點共線條件示意圖 𝑋𝑠 − 𝑋𝐼
𝑋𝑆 − 𝑋𝐵 = 𝑌𝑠 − 𝑌𝐼
𝑌𝑆 − 𝑌𝐵 = −𝑓
𝑍𝑆 − 𝑍𝐵 式(4.2.3.1)
𝐼 = √(𝑆𝑃𝑥− 𝑋𝐵)2− (𝑆𝑃𝑦 − 𝑌𝐵)2+ (𝑆𝑃𝑧− 𝑍𝐵)2 𝐷 tan 𝜃
式(4.2.3.2)
𝐼′ = √(𝑆𝑃𝑥− 𝑋𝐵′)2 − (𝑆𝑃𝑦 − 𝑌𝐵′)2+ (𝑆𝑃𝑧 − 𝑍𝐵′)2 𝐷 tan 𝜃
式(4.2.3.3)
48
(2)擷取感興趣 區域 (Area of Interest,AOI): 為 將建物的各樓 層交界線 切 割， 以取得模型牆面影像的資料。使用房屋樓層屬性和步驟(1)的計算方法，
可取得每個樓層區塊的 AOI，如圖 4-2-3-9 所示。因為街景影像有遮避問題，
例如行道樹、路燈、招牌等，最後會取最高樓層的 AOI 切割結果(即圖 4-2-3-9(f)中紅色區塊)為模型牆面影像之成果，如圖 4-2-3-10 所示。
(a) 原始街景影像 (b) AOI 切割 2 樓 (c) AOI 切割 3 樓
(d) AOI 切割 4 樓 (e) AOI 切割 5 樓 (f) AOI 切割 6 樓
圖 4-2-3-9、AOI 切割樓層示意圖
圖 4-2-3-10、AOI 切割樓層-最高樓層成果
49
v. 牆面影像分析：為了分析圖 4-2-3-10 之影像成果，使用 ArcGIS 產品 ISODATA 功能來分析影像的色群分布，可以得到主色群區域的結果，如圖 4-2-3-11(a)所示(綠色為主色群區域)。接著比對主色群區域與牆面影像的差異，
產製僅包含主色群區域之牆面影像，成果如圖 4-2-3-11(b)所示。
(a)影像色群分布 (b)分析主色群後之牆面影像
圖 4-2-3-11、牆面影像分析
vi. 改良版通用紋理：為分析圖 4-2-3-11(b)影像中主色群涵蓋區域之 RGB 平均值，並與紋理資料庫中所有紋理進行比對，挑選出 RGB 差值最 小的紋理影像，即為該牆面的通用紋理影像。圖 4-2-3-12 為紋理資料庫之 部分影像，圖 4-2-3-13 為牆面影像與對應之改良版通用紋理成果。
圖 4-2-3-12、紋理資料庫影像
50 (a) 牆面影像 1 (b) 改良版通用紋理影像 1
(c) 牆面影像 2 (d) 改良版通用紋理影像 2
(e) 牆面影像 3 (f) 改良版通用紋理影像 3
(g) 牆面影像 4 (h) 改良版通用紋理影像 4
圖 4-2-3-13、牆面影像與對應之改良版通用紋理分析成果
二、 三維道路模型重建的精進
在三維道路模型重建的精進方面，考量道路模型重建的自動化程度及 細緻度的提升，工作重點為：三維點雲自動形塑於三維彩帶式道路模型重 建之自動化程度提升(Elberinket al., 2013)。
本計畫採用大比例尺二維數值地形圖加值後的 GIS 產品作為輸入資料，
使用圖資包含人工編修後之二維道路多邊形向量圖，而三維道路的幾何則 來自三維點雲，道路多邊形向量圖提供道路區域，並由點雲提供路面幾何
51
形狀。圖 4-2-3-14 為三維彩帶式道路模型重建流程圖，道路重建先將道路 區分為平面及非平面道路，以區別道路立體交會區域。首先以道路多邊形 節點分解為二維平面三角網；最後，以三維點雲之數值地形模型及數值地 表模型進行路面擬合，以建立三維彩帶式道路模型。
圖 4-2-3-14、道路模型重建流程圖
本計畫使用試辦區域內的 GIS 道路向量圖、數值地形模型及數值地表 模型形塑平面及高架道路，三維道路模型重建所使用的點雲的來源為空載 光達網格化之數值地形模型及數值地表模型。形塑採用隨機抽樣一致演算 法(RANdom SAmple Consensus, RANSAC)過濾非路面點雲及擬合路面。圖 4-2-3-15 以屋頂面為例，以展示 RANSAC 過濾點雲的能力，RANSAC 會自 動挑選主要群聚的主平面點雲，排除非主平面的點雲進行擬合，可有效利 用在 LOD1 模型形塑中。
52
圖 4-2-3-15、三維點雲形塑平面之示意圖
本計畫試辦區三維道路模型自動化重建成果如圖 4-2-3-16 所示，平面 與高架分離為兩組道路模型，統計所有道路模型的節點數，共有 8194 個節 點。採用本計畫提出之方法，可自動將輸入的 GIS shapefile 轉換為 OGC CityGML cityObjectMember:Tran:Road，有效提升三維地形圖資核心類別測 製效率，此外，輸出成果可直接在 FZKViewer 中展示，表示本計畫輸出的 三維道路模型為正確的 CityGML 檔案。
(a)數值地形模型 (b)數值地表模型
所有三維點雲 房屋多邊形內三維點雲
移除中庭後之房屋三維點雲 RANSAC偵測之主平面
53
(c)平面道路 (d)高架道路
(e) CityGML LOD1 道路模型
圖 4-2-3-16、道路模型重建成果
三、 LOD1 模型重建的精進
本計畫整理 LOD1 三維地形圖模組所對應的二維多邊形圖層，以二維 多邊形向量圖、數值地形模型及數值地表模型重建不同模組之 LOD1 模形，
此處的「精進」是指自動化程度的提升，提升自動化程度的方法是，採用
54
RANSAC 萃取房屋多邊形內數值地表模型之最佳三維平面。表 4-2-2-3 總整 試辦區「千分之一地形圖」、「臺灣通用電子地圖」對應三維地形圖模組，
其中 CityFurniture 為都市設施，無對應圖層，故未進行重建。重建方法為 前述之形塑方法，利用高程模型配合 RANSAC 萃取最佳三維平面，並依照 Building _Build _Build Transportation _Road _RoadA
Vegetation _Plan _Block 屬性標示為公園之多邊 形
Waterbody _Lake _WaterA _RiverA Bridge _HRoad _HroadA
Tunnel _TunnelA
CityFurniture 無對應圖層
LOD1 三維地形圖重建成果如圖 4-2-3-17 所示，試辦成果顯示，採用本 計 畫 的 形 塑 策 略 ， 可 成 功 對 現 有 二 維 圖 資 進 行 加 值 ， 並 建 立 滿 足 CityGMLLOD1 規範之產品。比較來自「千分之一地形圖」及「臺灣通用電 子地圖」的成果，從房屋多邊形數量進行比較，千分之一地形圖及臺灣通 用電子地圖的數量分別是 6013 及 758 個多邊形，來自千分之一地形圖的房 屋屋頂細節較為豐富。
55
(a)1/1000 2D polygon (b)emap 2D polygon
(c) LOD1 3D Models (from 1/1000) (d) LOD1 3D Models (from emap)
(e) LOD1 3D Buildings (from 1/1000) (f) LOD1 3D Buildings (from emap) 圖 4-2-3-17、LOD1 重建成果之比較
就道路細緻度而言，由於製圖比例尺不同，比較兩者之道路邊界節點 (Vertex)數量，本測區各別為 7265 點(臺灣通用電子地圖)及 8194 點(1/1000)，
細緻度差異為臺灣通用電子地圖的節點數約少 11%(=8194-7295/8194)，主
56
要差異為道路兩側的局部區域之細緻度差別。就三維道路模型而言，千分 之一地圖與臺灣通用電子地圖路面區域有高的重疊率，因三維形塑均使用 相同的數值高程模型，故形塑之路面形狀有高的一致性。本案僅能以臺北 市為案例比較 1/1000 數值地形圖與通用版電子地圖之三維建模成果，因無 法取得其他各縣市的資料，故未能進行其他縣市的比較。若 1/1000 數值地 形圖與通用版電子地圖之間存在製圖時間差等因素，兩者的形變差異會更 嚴重，此一因素必須納入考量。
4.2.4增加三維地形圖資尺度資訊
近年來，影像密匹配(dense matching)技術與攝影系統蓬勃發展，能以 多視角影像萃取大量的影像點雲，加上空載光達技術成熟，使得點雲成為 廣泛使用的空間資料。然而，點雲仍算是前端的空間資料，在高點雲密度 下能提供不錯的視覺展示效果，其缺乏物件概念，沒有明確的屬性與實體 資料，亦難以進行進階的空間分析及查詢。
為了實體化點雲資料，網格(raster)與網格模型(mesh)是常用的建模形式。
網格資料結構簡單、容易套疊其他空間資料進行分析，但儲存資料量大且 呈現複雜特徵時仍顯粗糙；此外，網格數值是取樣(resample)後的結果，其 品質容易受網格大小和原始點空間分布的影響。網格模型的資料結構為向 量(vector)形式故儲存量較小，且保留原始高程資料不須重新取樣，對於細
57
緻特徵亦擁有較佳的視覺效果，但需要額外處理才能與其他空間資料一同 分析。即便如此，仍可能因影像的特徵點萃取不足或不佳、匹配失敗或錯 誤、拍攝幾何條件薄弱、遮蔽等等原因，使得方位解算成果不佳並進一步 造成局部區域的三維定位失敗(即模型扭曲變形)。此外，由於這些產製成果 無物件化的概念與相關規範，因此與現行三維空間資訊平台常用之物件模 型資料格式(CityGML)的相容性仍有發展空間。
本項工作考量由航空攝影俯視角度取得空間資料延續至由地面視角取 得街景之影像資料(如車載影像、Google 街景影像、現地拍攝等)及點雲資訊 等資料輔助，結合三維地形圖資核心類別資訊(包括房屋及道路模型)，進而 增加模型之尺度資訊，或提升建置模型之效能。本項工作重點為：(1)提升
本項工作考量由航空攝影俯視角度取得空間資料延續至由地面視角取 得街景之影像資料(如車載影像、Google 街景影像、現地拍攝等)及點雲資訊 等資料輔助，結合三維地形圖資核心類別資訊(包括房屋及道路模型)，進而 增加模型之尺度資訊，或提升建置模型之效能。本項工作重點為：(1)提升