Semi-Automated Registration Of Close-Range Hyperspectral Scans Using Oriented Digital Camera Imagery And A 3d Model

Diverse applications can benefit from the integration of data acquired by a new generation of close‐range imaging sensors with high‐resolution three‐dimensional (3D) geometric data. However, such integration requires increased automation and efficiency of image‐data registration to guarantee adoption by users beyond the geomatics community. This paper presents a semi‐automated method for registering terrestrial panoramic hyperspectral imagery with lidar models and conventional digital photography. The method relies on finding corresponding points between images acquired in significantly different parts of the electromagnetic spectrum, from different viewpoints, and with different spatial resolution and geometric projections. Optimisation of the scale invariant feature transform (SIFT) operator was required to ensure a sufficient number of homologous points, as well as a routine for eliminating false matches. A band selection routine maximises the number of points found while minimising the input data for SIFT. Three‐dimensional object coordinates were derived in the lidar model and used as control points in a bundle block adjustment to determine the hyperspectral exterior orientation and intrinsic camera parameters. The method developed was applied to two datasets with different characteristics, and the results indicate that the proposed method is a time‐saving alternative to manual approaches. Résumé Diverses applications peuvent bénéficier de l'intégration des données acquises de manière rapprochée par une nouvelle génération de capteurs imageurs avec des données géométriques 3D à haute résolution. Cependant, cette intégration ne sera adoptée par les utilisateurs au‐delà de la communauté géomatique qu'au prix d'une automatisation et d'une efficacité accrues du recalage des données. Cet article présente une méthode semi‐automatique de recalage entre des images hyperspectrales panoramiques terrestres et des modèles lidar et des images numériques conventionnelles. La méthode repose sur la recherche de points homologues entre des images acquises dans des domaines très différents du spectre électromagnétique, à partir de différents points de vue, et avec des résolutions spatiales et des projections géométriques différentes. Une optimisation de l'opérateur SIFT et le développement d'une routine destinée à éliminer les fausses correspondances ont permis de garantir un nombre suffisant de points homologues. Une routine de sélection de bande spectrale maximise le