Kamera Pushbroom Linier

Rajiv Gupta dan Richard I. Hartley

General Electric Corporate R&D

1 River Rd, Schenectady, NY, 12301
Ph : (518)-387-7333, Fax : (518)-387-6845
Email: gupta@crd.ge.com

Abstrak

Pemodelan sensor pushbroom yang biasa digunakan pada pencitraan satelit cukup sulit dan intensif
secara komputasi karena gerak satelit yang mengorbit dalam hubungannya dengan rotasi bumi, dan
non-linieritas model matematiknya termasuk dinamika orbit. Dalam paper ini, model sederhana sensor
pushbroom (model pushbroom linier) diperkenalkan. Model ini mempunyai kelebihan pada
kesederhanaan komputasi dan juga memberikan hasil yang sangat akurat jika dibandingkan dengan
model pushbroom orbit penuh (full orbiting). Di samping penginderaan jauh, model linear pushbroom
juga berguna pada banyak aplikasi pencitraan lainnya.

Solusi non-iterative sederhana digunakan untuk menyelesaikan masalah fotogrametrik standar utama
untuk model linear pushbroom: komputasi parameter model dari ground- control point; penentuan
parameter model relatif dari hubungan citra (image correspondence) antara dua citra; dan rekonstruksi
scene dari image correspondence dan ground-control point.

Model linear pushbroom mengarah ke theoretical insight yang kira-kira akan valid untuk full model juga.
Geometri epipolar dari kamera pushbroom linier diinvestigasi dan terbukti benar-benar berbeda dari
kamera perspektif. Meskipun demikian, analogi matriks terhadap matriks fundamental kamera
perspektif terbukti ada untuk sensor linear pushbroom. Dari hal ini dapat dilihat bahwa scene ditentukan
hingga transformasi affine dari dua view dengan kamera pushbroom linier.

Kata kunci: sensor pushbroom, matriks fundamental, kamera satelit, fotogrametri.

Gambar 1: Geometri akuisisi kamera pushbroom

1. Sensor Real Pushbroom

Gambar 1 menunjukkan gambaran sensor pushbroom. Pada umumnya, kamera pushbroom terdiri dari
sistem optik yang memproyeksikan citra pada sensor linear array, khususnya CCD array. Pada tiap saat
hanya titik-titik yang dicitrakan tersebut yang terletak pada bidang yang didefinisikan oleh pusat optik
dan garis yang berisi array sensor. Bidang ini disebut bidang view instantaneous atau secara sederhana
disebut bidang view (view plan).

Sensor pushbroom dipasang pada wahana (platform) yang bergerak. Ketika platform bergerak, view
plane menyapu suatu ruang wilayah tertentu. Array sensor, dan demikian juga view plane, kira-kira
tegak lurus terhadap arah gerak. Besarnya charge yang terakumulasi oleh tiap sel detektor pada selang
waktu tetap, disebut dwell time, menunjukkan nilai piksel pada lokasi tersebut. Sehingga, pada interval
waktu yang teratur (regular), citra view plane 1-dimensi di-capture. Satu pasang citra 1-dimensi ini
mewakili citra 2-dimensi.

Umumnya, kamera tidak mempunyai bagian yang bergerak. Fakta ini, yang berkontribusi secara
signifikan pada kualitas geometrik internal superior, mengimplikasikan bahwa salah satu dari dimensi
citra bergantung hanya pada gerak sensor.

Sensor pushbroom biasa digunakan pada kamera satelit, terutama satelit SPOT untuk generasi citra 2-D
permukaan bumi. Meskipun istilah “kamera pushbroom” paling prevalensi pada bahasa penginderaan
jauh dimana istilah tersebut digunakan untuk menjelaskan tipe spesifik kamera yang dipasang di satelit,
prinsip akuisisi citra yang dijelaskan di atas dapat diterapkan pada banyak situasi pencitraan lainnya.
Misalnya, citra yang diperoleh dari side-looking airborne radar (SLAR), tipe tertentu proyeksi CT, dan
citra pada pengaturan pengukuran sinar-X dapat juga dimodelkan sebagai citra pushbroom. Sebelum
melanjutkan pada formalisasi model ini, kita menjelaskan secara ringkas dua aplikasi nyata pencitra
pushbroom.

Citra SPOT. Kamera HRV pada satelit SPOT merupakan contoh sistem pushbroom yang cukup dikenal
baik. Untuk SPOT, sensor linear array terdiri dari 6000 pixel array sensor elektronik yang menjangkau
sudut 4.2 derajat. Array sensor ini meng-capture baris citra pada interval waktu 1.504 ms (sehingga,
dwell time = 1.504 ms). Ketika satelit mengorbit di atas bumi, strip kontinu citra dihasilkan. Strip ini
dibagi ke citra, masing-masing terdiri dari 6000 baris. Dengan demikian, citra berukuran 6000 x 6000
piksel dapat di-capture dalam waktu 9 detik oleh satelit. Citra tersebut mencakup satu wilayah persegi
(square) dengan panjang sisi kira-kira 60 km di bumi.

Pemodelan citra satelit SPOT benar-benar merupakan sesuatu yang rumit (kompleks) dan beberapa
faktor harus dimasukkan dalam perhitungan.

 Menurut Hukum Kepler, satelit bergerak pada orbit elliptical dengan pusat bumi sebagai salah
satu fokus elips. Kecepatannya tidak konstan, tetapi bervariasi sesuai dengan posisi satelit pada
orbitnya.

 Bumi berotasi terhadap bidang orbit satelit, sehingga gerak satelit terhadap permukaan bumi
cukup kompleks.

 Satelit berotasi secara perlahan sehingga kurang lebih bisa tetap terhadap frame koordinat
orthogonal yang didefinisikan sebagai berikut: sumbu-z mengarah lurus ke bawah; sumbu-x
 terletak di bidang yang didefinisikan oleh vektor kecepatan satelit dan sumbu z; sumbu-y tegak
lurus terhadap sumbu x dan sumbu z. Kerangka koordinat ini disebut kerangka orbit lokal (local
orbital frame). Dalam satu kali orbit, kerangka orbit lokal mengalami revolusi penuh terhadap
sumbu y-nya.

 Arah satelit mengalami beberapa variasi terhadap kerangka orbit lokal.

 Arah view plane terhadap satelit mungkin tidak diketahui.

Beberapa parameter gerak satelit bergantung pada ketetapan fisika dan konstanta astronomik (misalnya
konstanta gravitasi, massa bumi, periode rotasi bumi). Parameter lain seperti sumbu mayor, sumbu
minor dan arah orbit satelit diberikan sebagai data ephemeris dengan kebanyakan citra. Dan lagi,
fluktuasi arah satelit terhadap kerangka orbit lokal diberikan sebagaimana juga arah view plane. Namun
demikian, telah terbukti untuk memperoleh akurasi yang lebih besar diperlukan perbaikan data
ephemeris dengan menggunakan ground-control point.

Meskipun orbit satelit diketahui secara pasti, metode untuk menemukan koordinat titik citra pada ruang
(space) relative rumit. Tidak ada ekspresi bentuk-tertutup (closed-form expression) yang menentukan
waktu ketika satelit yang mengorbit akan melintasi suatu titik di orbitnya (waktu untuk perigee) – perlu
menggunakan perkiraan. Selanjutnya, cara menentukan kapan waktu (time instant) ketika titik di bumi
(ground point) akan dicitrakan harus diselesaikan dengan prosedur iteratif, seperti metode Newton. Hal
ini berarti bahwa komputasi eksak citra yang dihasilkan dengan sensor pushbroom membutuhkan
waktu.

Pengukuran Sinar-X. pada bentuk pencitra sinar-X paling umum yang digunakan untuk pengukuran
sinar-X atau inspeksi sebagian, obyek yang akan dilihat ditempatkan antara titik sumber sinar-X dan
detektor linear array. Ketika obyek digerakkan tegak lurus terhadap pancaran berkas sinar-X, citra 2-D
terdiri dari beberapa proyeksi 1-D yang dikumpulkan. Tiap citra yang terkumpul dengan cara semacam
itu dapat dianggap sebagai citra pushbroom yang ortografik pada arah gerak dan perspektif pada arah
orthogonal. Hasil yang sangat bagus telah diperoleh dalam pemodelan setup pencitra ini seperti pada
kamera linear pushbroom (lihat [1] untuk detailnya).

1.1. Overview

Pada paper ini, aproksimasi linier untuk model pushbroom diperkenalkan. Model baru ini
menyederhanakan komputasi yang terlibat dalam pembuatan citra dengan pushbroom. Asumsi
penyederhanaan utama yang digunakan pada penurunan model kamera ini adalah: (1) array sensor
bergerak dalam garis lurus, dan (2) arahnya konstan selama durasi akuisisi citra.

Bagian 2 mendefinisikan model linear pushbroom dan menurunkan bentuk matematika dasarnya. Kita
akan menunjukkan bahwa dengan asumsi di atas – sama seperti kamera perspektif – kamera linear
pushbroom dapat direpresentasikan dengan matriks kamera M 3 x 4. Namun, tidak seperti kamera
frame, M merepresentasikan transformasi Cremona non-linier dari ruang obyek ke ruang citra. Pada
bagian berikutnya, masalah-masalah fotogrametrik standar yang berhubungan dengan penentuan
parameter diselesaikan untuk model linear pushbroom. Secara khusus, tehnik linier untuk
mengkomputasikan M dari satu set ground control point dijelaskan pada Bagian 3. Bagian 4 menjelaskan
metode perolehan parameter kamera dari M. Semua algoritma yang didiskusikan non-iteratif, relatif
sederhana, sangat cepat, dan tidak bergantung pada informasi ekstra seperti data ephemeris. Hal ini
kontras dengan penentuan parameter untuk model full pushbroom, yang lambat dan membutuhkan
pengetahuan mengenai parameter orbit dan ephemeris.

Selain memungkinkan efisiensi komputasi, model linear pushbroom menyediakan basis untuk analisis
matematik citra pushbroom. Model full pushbroom agak sulit untuk analisisnya. Sebaliknya, kesesuaian
antara model full pushbroom dan model linear pushbroom sangat dekat sehingga hasil analisis model
linear pushbroom akan mudah diaplikasikan juga ke full model.

Hasil penting yang diturunkan dalam paper ini mengenai hubungan titik citra (ui, vi)T pada citra pertama
dengan titik korespondensinya (ui’, vi’)T pada citra kedua (Bagian 5). Kita melihat bahwa analogi matriks
terhadap matriks fundamental untuk kamera perspektif ([2, 3, 4]) ada untuk kamera linear pushbroom
juga. Secara khusus, kita membuktikan bahwa terdapat matriks F, 4 x x, yang kita sebut matriks
fundamental LP (linear pushbroom), seperti (ui’, ui’vi’, vi’, 1)T F(ui, uivi, vi, 1) = 0 untuk semua i. Kita juga
menjelaskan tehnik non-iteratif untuk menurunkan F dari satu set korespondensi citra-ke-citra.

Sebagai contoh gain teori dan praktek yang diperoleh dengan mempelajari model linear pushbroom ada
pada Theorem 5.5 dari paper ini, yang menunjukkan bahwa dua view linear pushbroom dari scene umum
yang menentukan scene tersebut hingga transformasi affine. Hal ini menyebabkan timbulnya
konsekuensi praktis yaitu affine invariant dari sebuah scene mungkin dikomputasikan dari dua view
pushbroom. Seperti yang terlihat pada [5, 4],hasil yang sama menerapkan pada view perspektif, dimana
scene ditentukan hingga proyektivitasnya dari dua view. Diharapkan model linear pushbroom yang
mungkin menyediakan basis untuk pengembangan algoritma pemahaman citra lebih lanjut dengan cara
yang sama dengan model kamera pinhole dapat memberikan kemajuan teori dan algoritma.

Hasil yang dijelaskan dalam paper ini dapat digunakan untuk merumuskanmetodologi lengkap untuk
ekstraksi informasi stereo dari satu set yang terdiri dari dua atau lebih scene citra yang diperoleh melalui
sensor linear pushbroom. Dalam metodologi ini, yang dijelaskan pada Bagian 6, tidak ada informasi
mengenai arah relatif atau mutlak dan lintasan (path) sensor yang berhubungan dengan yang lainnya
diperlukan. Hanya dengan menggunakan ground control point, tanpa menggunakan metode iteratif, kita
dapat menentukan koordinat titik 3D yang berhubungan (korespondensi) dengan satu set matched
point citra.

Kita bisa menanyakan asumsi yang menjadi dasar model linear pushbroom ketika digunakan untuk citra
satelit karena array sensor mengatasi lintasan elliptical dan terlihat langsung berotasi dengan lambat.
Namun, jika segmen orbit yang mana pada citra yang diperoleh kecil, dapat diperkirakan dengan garis
lurus. Untuk segmen orbit yang lebih besar, kita dapat mengatasi masalah dengan cara linier piece-wise.
Pada bagian akhir, akurasi model pushbroom linier didiskusikan, dan hasil beberapa algoritma yang
dijelaskan disini diberikan.

Hasil eksperimen mengkonfirmasikan bahwa asumsi mengenai linieritas cukup valid sekalipun untuk
orbit rendah (low-earth) dan tidak memiliki efek negatif pada akurasi. Contohnya, untuk citra SPOT
dengan ukuran 6000 x 6000 piksel yang mencakup wilayah sekitar 60 x 60 km2, model linier dan full
model mempunyai kesamaan dengan kurang dari setengah piksel. Hal ini terkait dengan perbedaan
sekitar 6 x 10-6 radian, atau sekitar 5 meter di ground. Bagian 7 juga menjelaskan hasil eksperimen yang
membandingkan model linear pushbroom dengan kamera perspektif sederhana, dan yang pasti, model
orbiting pushbroom yang tidak mempunyai asumsi penyederhanaan.
2. Sensor Linear Pushbroom

Untuk menyederhanakan model kamera pushbroom yang digunakan untuk mem-fasilitasi komputasi
dan untuk menyediakan basis untuk investigasi teoritik model pushbroom, asumsi penyederhanaan
tertentu dapat dibuat, sebagaimana berikut.

 Platform bergerak dalam garis lurus pada kecepatan konstan terhadap bumi.

 Dengan demikian, arah satelit dan bidang view konstan.

Kamera ini dapat dianggap sebagai kamera perspektif yang bergerak sepanjang lintasan linier dalam
ruang (space) dengan kecepatan konstan dan arah tetap (lihat Gambar 2). Lebih lanjut lagi, kamera
diberi batasan sehingga setiap waktu ketika kamera mencitra hanya satu titik terletak pada satu bidang
(plane), yang disebut view plane, melintasi melalui pusat kamera. Sehingga, setiap saat, proyeksi 2-
dimensi view plane di atas image line terbentuk. Arah view plane tetap, dan diasumsikan bahwa gerak
kamera tidak terjadi/terletak pada view plane. Akibatnya, view plane menyapu seluruh ruang sebagai
waktu yang bervariasi antara -∞ dan ∞. Citra titik sembarang x dalam ruang dideskripsikan dengan dua
koordinat. Koordinat pertama u mewakili waktu ketika titik x dicitrakan (yang terletak pada view plane)
dan koordinat kedua v mewakili proyeksi titik pada image line.

Gambar 2. Proyeksi di bawah kamera linear pushbroom

Kami anggap kerangka koordinat orthogonal menempel (attach) pada kamera yang bergerak sebagai
berikut (lihat Gambar 1). Titik origin sistem koordinat merupakan pusat proyeksi. Sumbu y terletak pada
view plane sejajar (parallel) dengan bidang fokus (pada kasus ini, array sensor linier). Sumbu z terletak
pada view plane tegak lurus terhadap sumbu y dan diarahkan sehingga titik yang tampak (visible)
mempunyai koordinat z positif. Koordinat x tegak lurus terhadap view plane seperti sumbu x, y, dan z
membentuk kerangka koordinat sebelah kanan. Ambiguitas arah sumbu y pada deskripsi di atas dapat
diatasi dengan mensyaratkan bahwa gerak kamera mempunyai komponen x positif.

Pertama-tama, kita mempertimbangkan proyeksi dua dimensi. Jika koordinat titik adalah (0,y,z)
terhadap frame kamera, maka koordinat titik ini dalam proyeksi 1-dimensi menjadi v = fy/z + pv dimana f
merupakan panjang fokus (atau perbesaran) kamera dan pv adalah offset titik utama dalam arah v.
Persamaan ini dapat dituliskan dalam bentuk

dimana w merupakan faktor skala (biasanya sama dengan z).

Agar lebih nyaman, daripada menganggap bumi stasioner dan kamera bergerak, lebih baik jika
diasumsikan bahwa kamera tetap dan bumi yang bergerak. Titik pada ruang akan direpresentasikan
sebagai x(t) = (x(t),y(t),z(t))T dimana t menyatakan waktu. Anggap vektor kecepatan titik terhadap frame
kamera adalah –V = -(Vx,Vy,Vz)T. Tanda minus dipilih sehingga kecepatan kamera terhadap bumi adalah
V. Anggap bahwa titik yang bergerak dalam ruang melintasi (cross) view plane pada waktu tim pada posisi
(0,yim,zim)T. Pada citra pushbroom 2-dimensi, titik ini akan dicitrakan pada lokasi (u,v) dimana u = tim dan v
dapat dinyatakan dengan menggunakan persamaan (1). Hal ini dapat dinyatakan dalam persamaan

Anggap x0 sebagai koordinat titik x yang bergerak pada waktu t = 0. Karena seluruh titik bergerak dengan
kecepatan yang sama, koordinat titik sebagai fungsi waktu, dinyatakan dengan persamaan berikut

Karena view plane merupakan plane x = 0, waktu t ketika titik x menyeberangi (cross) view plane
diberikan oleh t = x0/Vx. Pada waktu tersebut, titik akan berada pada posisi

Kita dapat menuliskan ini sebagai

Kombinasi persamaan ini dengan persamaan (2) memberikan persamaan

Dalam persamaan ini, (x0,y0,z0)T adalah koordinat titik x dalam frame kamera pada waktu t = 0.
Normalnya, akan tetapi, koordinat titik diketahui tidak dalam sistem koordinat berbasis kamera, tetapi
lebih pada beberapa sistem koordinat orthogonal eksternal tetap. Khususnya, anggap koordinat titik
pada sistem koordinat semacam itu menjadi (x,y,z)T. Karena kedua kerangka koordinat orthogonal,
koordinat dihubungkan dengan transformasi
Dimana T = (Tx, Ty, Tz)T adalah lokasi kamera pada waktu t = 0 pada kerangka koordinat eksternal, dan R
merupakan matriks rotasi.

Yang terakhir, dengan meletakkan ini bersama dengan persamaan (5) akan menjadi

Persamaan (7) harus dibandingkan dengan persamaan dasar yang menjelaskan pinhole, atau kamera
perspektif, yaitu (wu, wv, w)T = M(x, y, z, 1)T dimana (x, y, z)T adalah koordinat titik bumi, (u, v)T yang
merupakan koordinat titik citra yang berhubungan (korespondensi) dan w merupakan faktor skala.
Dapat terlihat bahwa citra linear pushbroom dapat dianggap sebagai citra terproyeksi pada satu arah
(arah v) dan citra orthographic pada arah lainnya (arah u).

Perbedaan penting yang harus diperhatikan antara matriks kamera dari kamera perspektif dan matriks
M dari pemetaan linear pushbroom. Matriks kamera perspektif kuantitasnya homogen, yang berarti
bahwa dua matriks semacam itu yang berbeda dengan faktor skala konstanta bukan-nol mengkodekan
(encode) pemetaan yang sama, dan dianggap ekuivalen. Sebaliknya, matriks kamera linear pushbroom
kuantitasnya tidak homogen. Pengujian persamaan dasar (u, wv, w)T = Mx menunjukkan bahwa karena
perkalian matriks M dengan faktor konstanta k menghasilkan dalam perkalian koordinat titik citra u
dengan k. Koordinat v, sebaliknya tidak berubah. Bahkan, dua baris terakhir M dapat dikalikan dengan
faktor k tanpa mengubah pemetaan. Nilai derajat kebebasan menunjukkan bahwa baris pertama M
mempunyai 4 derajat kebebasan, dimana nilai dua baris lainnya 7 derajat kebebasan, karena tidak peka
skalanya. Pemetaan linear-pushbroom mempunyai 11 derajat kebebasan secara keseluruhan.

Matriks kamera M pada persamaan (7) untuk sensor linear pushbroom bisa memodelkan translasi, rotasi
dan scaling koordinat bumi 3-D dan juga bisa memodelkan translasi dan scaling koordinat citra 2-D.
Namun, tidak bisa menghitung rotasi pada bidang citra. Secara umum, transformasi perspektif 2-D dari
citra yang diperoleh dengan kamera linear pushbroom tidak dapat dianggap sebagai citra lain yang yang
diambil dari kamera linear pushbroom yang berbeda. Banyak operasi resampling – misalnya citra
resampling dalam stereo pair sehingga perbedaan match point hanya pada sepanjang satu koordinat
citra [6] – tidak dapat dilakukan di citra linear pushbroom tanpa memecahkan kode (encode) pemetaan
(7).

Titik di depan Kamera. Mengingat bahwa kerangka koordinat kamera diatur sedemikian rupa bahwa
sumbu z positif diarahkan sehingga titik yang terlihat (visible point) mempunyai koordinat z positif.
Mengacu pada persamaan (1) kita lihat bahwa visible point dipetakan ke titik untuk yang w > 0. Properti
ini dilindungi melalui perubahan koordinat bumi. Sehingga, mengacu pada persamaan (7), kita lihat
bahwa jika titik x = (x, y, z, 1)T di depan kamera, maka (u, wv, w)T = Mx dengan w > 0, dan M didefinisikan
sebagai persamaan (7).
Kita telah melihat bahwa titik citra didefinisikan oleh Mx tidak berubah jika dua baris terakhir M
dikalikan dengan faktor konstanta k. Namun, jika faktor konstanta k negative, maka w berubah tanda.
Hal ini tidak mengubah nilai proyeksi titik, tetapi tidak mempengaruhi penentuan titik mana yang di
depan kamera dan mana yang di belakang. Sehingga, jika kita berharap untuk melindungi informasi ini,
maka kita memungkinkan perkalian dua kolom terakhir M dengan konstanta positif saja. Kita dapat
merangkum inti bagian ini sebagai berikut:

Preposisi 2.1. Pemetaan linear pushbroom dapat dikodekan dalam matriks M 3 x 4, yang menentukan
pemetaan (u, wv, w)T = M(x, y, z, 1)T, dimana (x, y, z)T merupakan koordinat titik bumi 3D dan (u, v)
adalah koordinat citra 2D yang berhubungan. Titik (x, y, z) T berada di depan kamera dan secara
potensial terlihat jika dan hanya jika w > 0. Matriks M didefinisikan dengan kondisi ini hingga perkalian
dua baris terakhir dengan konstanta skalar positif k.

3. Penentuan Matriks Kamera

Pada bagian ini akan ditunjukkan bagaimana matriks kamera linear pushbroom dapat dikomputasikan
dengan memberikan satu set ground control point. Metodenya merupakan adaptasi dari metode Direct
Linear Transformation (DLT) ([7]) yang digunakan untuk kamera pinhole. Secara khusus, menyatakan
dengan tiga baris matriks M m1T, m2T dan m3T dan ground control point x = (x, y, z, 1)T, persamaan (7)
dapat ditulis dalam bentuk tiga persamaan

Faktor yang tidak diketahui w dapat dieliminasi menjadi dua persamaan

Dengan menganggap koordinat bumi (x,y,z) dan koordinat citra (u,v) diketahui, persamaan (9)
merupakan satu set persamaan linier pada masukan (entry) matriks M yang tidak diketahui. Dengan
memberikan ground control point yang sesuai, kita dapat mencari solusi untuk baris pertama M.

Satu penyelesaian untuk baris pertama M tidak bergantung pada dua baris terakhir. Secara khusus, perlu
diperhatikan bahwa entri pada baris m1T hanya bergantung pada koordinat u dari ground control point.
Dengan memberikan empat ground control point kita memperoleh satu set persamaan homogen pada
entri m1T, dari salah satu yang dapat mengatasi baris pertama M. Dengan lebih dari 4 titik, solusi least-
square dikomputasikan.

Sama halnya dengan baris pertama, baris kedua dan baris ketiga M bergantung hanya pada koordinat v
dari matriks. Dengan memberikan tujuh ground control point kita memperoleh satu set persamaan
homogen dalam entri m2T dan m3T. Persamaan – persamaan ini dapat diselesaikan untuk mencari baris
kedua dan ketiga M. Ketika lebih dari satu solusi least-square ditemukan maka lebih dari tujuh match
diberikan. Solusi set persamaan non-homogen merupakan vektor tunggal yang berhubungan dengan
nilai least singular dari matriks persamaan ([8]).

Dua baris terakhir M ditentukan dengan metode ini hanya sampai pada konstanta faktor yang tidak
diketahui. Untuk menentukan matriks M yang secara benar menentukan titik mana yang di depan
kamera, sesuai dengan Preposisi 2.1 kita bisa melakukan seperti berikut. Satu ground control point xi
dipilih dan hasil (ui, wivi, wi)T = Mxi dikomputasikan. Jika wi < 0, maka dua baris terakhir M dikalikan
dengan -1. Dengan cara ini, kita memperoleh matriks yang memenuhi Preposisi 2.1. Jika data benar,
maka seluruh titik seharusnya berada di depan kamera, sehingga prosedur ini tidak bergantung pada
titik xi mana yang dipilih.

Pemetaan Garis dibawah M. Untuk melihat sifat non-linier fungsi pemetaan dilakukan dengan M, yang
merupakan instruksi untuk melihat bagaimana garis dalam ruang dipetakan pada bidang citra oleh M.
Linear pushbroom mentransformasikan titik x ke u dan v sesuai dengan (9). Pembatasan x agar berada
pada garis dalam 3-D diberikan oleh Vp + tVa, dimana Vp merupakan titik di atas garis, dan Va merupakan
vektor sepanjang garis, citra dari garis ini di bawah M dinyatakan dengan

Eliminasi t dari persamaan ini, kita mendapatkan persamaan bentuk αu + βv + γuv + δ = 0, yang
merupakan persamaan hiperbola pada bidang citra.

4. Pengambilan Parameter

Seperti yang telah dinyatakan, dua baris terakhir matriks M mungkin dikalikan dengan konstanta tanpa
mempengaruhi hubungan antara koordinat titik bumi (x,y,z) dan koordinat citra (u,v) yang dinyatakan
dengan persamaan (7). Hal ini berarti bahwa matriks M 3x4 hanya mengandung 11 derajat kebebasan.
Sebaliknya, dapat diverifikasi bahwa formasi citra linear pushbroom juga dijabarkan dengan 11
parameter, yaitu posisi (3) dan arah (3) kamera pada waktu t=0, kecepatan kamera (3) dan panjang
fokus serta v-offset (2). Berikutnya akan ditunjukkan bagaimana parameter linear pushbroom dapat
dihitung dengan matriks M yang diberikan. Hal ini dilakukan untuk mencari faktorisasi M dari semua
yang diberikan pada persamaan (7). Masalah yang berhubungan dengan kamera pinhole telah diatasi
oleh Ganapthy([9]) dan Strat ([10]), tetapi lebih mudah dilakukan dengan aturan yang sama yang
digunakan di bawah, variasi pada metode faktorisasi QR standar ([11]);

Tujuan penentuan parameter kamera individual, yang lebih dari hanya sekedar menggunakan matriks
proyeksi M, adalah untuk mendapatkan pengetahuan (knowledge) mengenai parameter kamera yang
mempengaruhi kalibrasi kamera. Misalnya, panjang fokus dan offset titik utama kamera dapat diketahui
dengan cukup presisi dari spesifikasi manufacturing. Pada metode DLT untuk penentuan matriks kamera
M, seperti dijelaskan pada bagian 3 bahwa tidak ada cara untuk menggabungkan informasi ini ke proses
kalibrasi. Akan tetapi, satu cara dalam metode ini dapat dilakukan, yaitu memperoleh solusi awal untuk
matriks kamera M, mengekstraksi parameter dari matriks dengan cara seperti yang dijelaskan pada
bagian ini, menetapkan parameter yang diketahui menjadi nilai yang diketahui, dan yang terakhir
melakukan penyesuaian parameter iterative pada algoritma untuk mendapatkan perkiraan pemetaan
kamera yang lebih pasti. Program pemodelan kamera kita, Carmen ([12]), menggunakan pendekatan ini,
memungkinkan berbagai parameter untuk ditetapkan secara absolute, atau dengan deviasi standar
khusus. Parameterisasi kamera dengan cara yang berbeda memungkinkan untuk tipe knowledge
pengaturan kamera yang berbeda.

Untuk menentukan parameter kamera, pertama-tama kita menentukan posisi kamera pada waktu t = 0,
terhadap yang berikutnya dianggap sebagai posisi awal kamera. Dari perkalian hasil persamaan (7),
dapat terlihat bahwa M merupakan bentuk (K │-KT) untuk matriks K non-singular 3 x 3. Dengan
demikian, T mudah diatasi dengan menyelesaikan persamaan linier K T = -m4 dimana m4 merupakan
kolom terakhir matriks M, dan K merupakan blok 3 x 3 sebelah kiri.
Selanjutnya, kita mempertimbangkan matriks K. Sesuai dengan persamaan (7), dan mengingat bahwa
dua baris bawah matriks K mungkin dikalikan dengan faktor konstanta positif k, matriks K dalam bentuk

dimana R adalah matriks rotasi. Kita diberi K, dan diharapkan untuk mengkomputasi L. Untuk mencari
faktorisasi ini, kita mengalikan K yang di sebelah kanan dengan urutan matriks rotasi yang diberikan
untuk menguranginya ke bentuk yang diambil oleh L pada persamaan (12). Matriks rotasi yang diberikan
merupakan matriks dalam bentuk

dimana c = cos(θ) dan s = sin (θ) untuk beberapa sudut θ yang dipilih untuk mengeliminasi beberapa
elemen matriks kamera. Pada kasus sekarang, rotasi yang diperlukan akan berhasil dengan rotasi Rz, Ry
dan Rx dengan sudut yang dipilih untuk mengeliminasi entri K (1,2), (1,3) dan (3,2). Contohnya, rotasi
pertama yaitu Rz dimana cos(θz) = k11/(k211 + k212)1/2 dan sin(θz) = k12/(k211 + k212)1/2. Sudut rotasi selanjutnya
dipilih dengan cara yang sama, kita memperoleh faktorisasi K sebagai hasil K = LR dimana R adalah
matriks rotasi dan L merupakan matriks yang mempunyai nilai nol pada posisi yang diperlukan.
Faktorisasi ini sama dengan faktorisasi QR dari matriks ([11]).

Pada titik ini, kita dapatkan bahwa salah satu atau kedua entri L22 dan L33 negatif. Hal ini akan menjadi
kontradiktif dengan persyaratan kita bahwa L33 = k > 0, atau secara geometrik memaksakan persyaratan
bahwa panjang fokus L22/L33 = f > 0. Kita bisa mengkoreksi hal ini sebagaimana berikut. Jika L33 > 0, maka
kita dapat melakukan rotasi selanjutnya Ry melalui sudut π di sekitar sumbu y. Rotasi semacam itu
mempunyai matriks rotasi diagonal (13) yang sama dengan diag(-1,1,-1). Sebagai tambahan, jika L22 < 0,
maka kita bisa melakukan rotasi berikutnya Rz melalui sudut π di sekitar sumbu y. Rotasi ini mempunyai
matriks diag(-1,-1,1). Sehingga matriks diperoleh, didefinisikan dengan kondisi K = LR dengan L22 dan L33
positif ditentukan secara khusus.

Sekarang, dengan menyamakan L dengan matriks sebelah kiri pada persamaan (12), terlihat bahwa
parameter f, pv, Vx, Vy dan Vz dapat dengan mudah dibaca dari matriks L. Secara khusus, kita bisa
langsung membaca nilai k = L33. Selanjutnya dua baris terakhir dari L dikalikan dengan faktor k-1 sehingga
L33 = 1. Maka

Secara ringkas

Preposisi 4.2. 11 parameter kamera linear pushbroom ditentukan secara unik dan dapat
dikomputasikan dari matriks kamera 3 x 4 yang didefinisikan dengan persyaratan Preposisi 2.1.
Perlu dicatat bahwa tanpa informasi mengenai bagian depan dan belakang kamera, parameter tidak
dapat ditentukan secara khusus. Spesifikasi bagian depan kamera memungkinkan kita untuk
menentukan matriks kamera hingga perkalian dua baris terkahir dengan faktor konstanta positif. Tanpa
spesifikasi ini, matriks kamera hanya diketahui hingga faktor konstanta, positif atau negative. Dalam
kasus ini, penerapan rotasi Rx(π) dengan matriks diag(1,-1,-1) akan mengubah pola dua kolom terakhir L,
termasuk nilai L33 = k. Kemudian, dengan mengikuti prosedur di atas untuk penentuan parameter akan
membawa ke nilai Vy dan Vz dengan pola berlawanan. Perlu diingat bahwa rotasi ini melalui π di sekitar
sumbu x sesuai dengan pembalikan (flipping) kamera ke bawah dengan rotasi di sekitar sumbu yang
tegak lurus terhadap instantaneous bidang view (view plane).

5. Penentuan Model Kamera Relatif

Masalah dalam menentukan penempatan kamera relatif dari dua kamera atau lebih dan penentuan
konsekuen kamera pinhole telah dipertimbangkan secara luas. Yang lebih relevan pada paper baru
adalah kegiatan Longuet-Higgins ([2]) yang mendefinisikan matriks esensial F. Jika {(ui, ui’)} adalah satu
set match point dalam stereo pair, F didefinisikan dengan hubungan ui’T Fui = 0 untuk seluruh i. Seperti
terlihat pada [3], (r, s, t)T = Fui adalah persamaan garis epipolar yang berhubungan dengan ui, pada citra
kedua. (Garis (r, s, t)T pada koordinat homogen yang sesuai dengan persamaan garis ru + sv + t = 0,
dalam ruang-citra) F dapat ditentukan dari delapan titik korespondensi atau lebih antara dua citra
dengan tehnik linier.

Tehnik non-linier lain untuk menentukan F, lebih stabil pada kehadiran noise, telah dipublikasikan pada
([13, 14, 15, 16]). Tehnik itu sangat berhubungan sehingga disebut “kamera terkalibrasi”, untuk yang
parameter internalnya dikatahui. Paper yang berhubungan dengan penentuan matriks fundamental
untuk kamera tak terkalibrasi adalah [17, 18]. Adapun penentuan titik koordinat bumi melihat dari dua
kamera pinhole, telah ditunjukkan pada ([5, 4]) bahwa untuk kamera tak terkalibrasi, posisi titik bumi
ditentukan hingga transformasi proyektif tak diketahui oleh citranya dalam dua view terpisah.

Hasil yang sama untuk kamera linear pushbroom akan ditunjukkan di sini. Pada Bagian 5.1, matriks
fundamental LP untuk kamera linear pushbroom, yang sama dengan matriks fundamental untuk kamera
pinhole diperkenalkan. Geometri epipolar kamera linear pushbroom didiskusikan pada Bagian 5.2. Pada
Bagian 5.3, kita membuktikan bahwa matriks fundamental LP yang mengkodekan (encode) arah relatif
dua kamera linear pushbroom, menentukan titik 3-D pada ruang obyek hingga transformasi affine dari
ruang. Sehingga pengetahuan arah relatif dalam kasus linear pushbroom lebih membatasi daripada
untuk kamera perspektif; pada kasus berikutnya ambiguitas merupakan transformasi proyektif ruang.
Bagian 5.4 dan 5.5 disediakan untuk diskusi mengenai critical set dan komputasi F dari satu set matched
point.

5.1. Definisi Matriks Fundamental LP

Anggap sebuah titik x = (x,y,z)T dalam ruang seperti terlihat dengan dua kamera linear pushbroom
dengan matriks kamera M dan M’. Anggap citra dua titik u = (u, v)T dan u’ = (u’, v’)T. Hal ini memberikan
sepasang persamaan
Pasangan persamaan ini dapat dituliskan dalam bentuk berbeda sebagai

Matriks 6 x 6 dalam persamaan (15) akan dinyatakan sebagai A (M,M’). Anggap sebagai satu set
persamaan linier dalam variabel x, y, z, w dan w’ dan konstanta 1, ini adalah satu set dari enam
persamaan homogen dalam enam parameter yang tidak diketahui (anggap 1 yang akan diketahui). Jika
sistem ini untuk mempunyai solusi, maka det A (M, M’) = 0. Kondisi ini menyebabkan kenaikan pada
persamaan kubik p(u,v,u’,v’) = 0 dimana koefisien p ditentukan oleh entri dari M dan M’. Polinomial p
disebut polinomial fundamental yang sesuai dengan dua kamera. Karena bentuk khusus dari persmaan
(15), tidak ada istilah dalam u2, u’2, v2 atau v’2 pada polynomial. Konsekuensinya, terdapat matriks F 4 x 4
seperti p(u,v,u’,v’) = 0 dapat dituliskan:

Matriks F disebut matriks fundamental LP yang sesuai dengan pasangan kamera linear pushbroom {M,
M’}. Matriks F merupakan cara termudah untuk menampilkan koefisien polinomial fundamental. Karena
entri F bergantung hanya pada dua matriks kamera, M dan M’, persamaan (16) harus dipenuhi dengan
pasangan dari titik citra yang sesuai (u,v) dan (u’,v’). Metode pembuktian dasar yang sama seperti yang
digunakan di atas dapat digunakan untuk membuktikan eksistensi matriks fundamental untuk kamera
pinhole ([19]).

Terlihat bahwa jika M ataupun M’ diganti dengan matriks ekuivalen dengan mengalikan dua baris
terakhir dengan konstanta c, maka efeknya adalah mengalikan det A(M,M’), dan demikian juga
polinomial fundamental p dan matriks F dengan konstanta yang sama c (bukan c2 seperti yang tampak
pada pandangan pertama). Konsekuensinya, dua polinomial fundamental atau matriks yang berbeda
dengan faktor konstanta bukan-nol akan dianggap ekuivalen. Sehingga, tidak seperti matriks kamera M
dan M’, matriks fundamental F LP adalah obyek homogeny, didefinisikan hanya hingga skala bukan-nol.

Pendekatan lebih dalam matriks A(M,M’) pada persamaan (15) memperlihatkan bahwa p = det A(M,M’)
mengandung yang tidak dalam istilah uu’, uvu’, uu’v’ atau uvu’v’. Dengan kata lain, bagian kiri atas
submatriks F 2 x 2 adalah nol. Hal ini secara formal dinyatakan di bawah.

Teorema 5.3. Anggap ui = (ui, vi, 1)T dan ui’ = (ui’, vi’, 1) adalah koordinat citra 3-D titik-titik pi (i = 1, …,n)
di bawah dua kamera linear pushbroom. Untuk semua i, terdapat matriks F = (fij), seperti
Karena F hanya didefinisikan hingga faktor konstanta, maka F mengandung tidak lebih dari 11 derajat
kebebasan. Satu set yang terdiri dari 11 atau lebih korespondensi citra-ke-citra matriks F dapat
ditentukan dengan solusi satu set persamaan linier yang sama dengan kamera pinhole.

5.2. Geometri Epipolar

Salah satu perbedaan yang menarik antara kamera linear pushbroom dan kamera perspektif adalah
geometri epipolar. Pertama-tama, tidak ada epipole dalam sifat/pengaturan kamera perspektif, karena
dua kamera pushbroom bergerak saling memperhatikan satu sama lain. Dan tidak benar bahwa garis
epipolar merupakan garis lurus.

Anggap pasangan matched point (u, v)T dan (u’, v’)T pada dua citra. Sesuai dengan persamaan (16) titik-
titik ini memenuhi (u’, u’v’, v’, 1)T F(u, uv, v, 1) = 0. Sekarang, penetapan (u, v)T dan pemberian informasi
untuk locus seluruh kemungkinan matched point (u’, v’)T, dan penulisan (α, β, γ, δ)T = F(u, uv, v, 1)T, kita
lihat bahwa αu’ + βu’v’ + γv’ + δ = 0. Ini adalah persamaan hiperbola – epipolar loci berupa hiperbola
untuk kamera linear pushbroom. F dapat digunakan dalam komputasi match point untuk melakukan
batasan epipolar.

Epipolar locus sebuah titik adalah proyeksi pada citra garis lurus kedua yang mengalir dari pusat proyeksi
instantaneous kamera pertama. Kurva epipolar hiperbolik diharapkan, seperti yang telah dibuktikan, di
bawah garis model linear pushbroom dalam ruang dipetakan ke hiperbola pada bidang citra. Hanya satu
dari dua cabang hiperbola akan tampak pada citra. Cabang yang lain akan berada di belakang kamera.

Matriks fundamental LP mengandung seluruh informasi mengenai parameter kamera relatif untuk
kamera linear pushbroom yang belum terkalibrasi (uncalibrated) sepenuhnya (yaitum kamera yang
mengenai segala sesuatunya belum diketahui) yang dapat diturunkan dari satu set match point. Pada
bagian selanjutnya, kita mempertimbangkan informasi yang dapat diekstraksi dari F.

5.3. Ekstraksi Kamera Relatif dari Q

Longuet-Higgins ([2]) menunjukkan bahwa untuk kamera terkalibrasi, posisi relatif dan arah dua kamera
dapat disimpulkan dari matriks fundamental. Hasil ini diperluas untuk kamera yang belum terkalibrasi
dalam [4, 5] dimana diperlihatkan bahwa jika M1 dan M1’ merupakan pasangan (pair) kamera yang
sesuai dengan matriks fundamental F dan jika M2 dan M2’ merupakan pasangan lain yang sesuai dengan
matriks fundamental yang sama, maka terdapat matriks H 4 x 4 sedemikian rupa sehingga M1 = M2H dan
M1’ = M2’H. Hasil ini akan ditunjukkan untuk mencapai kamera linear pushbroom dengan batasan bahwa
H harus merupakan matriks yang merepresentasikan transformasi affine, yaitu baris terakhir dari H
adalah (0,0,0,1).

Pertama-tama, akan ditunjukkan bahwa M dan M’ dapat dikalikan dengan matriks transformasi affine
yang beruba-ubah (arbitrer) tanpa mengubah matriks fundamental LP. Anggap H sebagai matriks
transformasi affine 4 x 4 dan Ĥ sebagai matriks 6 x 6

dimana I adalah matriks identitas 2 x 2. Jika A adalah matriks di dalam persamaan (15), maka dapat
diverifikasi dengan sedikit usaha sehingga A(M, M’)Ĥ = A(MH, M’H), dimana asumsi baris terakhir H
berupa (0,0,0,1) diperlukan. Dengan demikian, det A(MH, M’H) = det A(M, M’) det H dan sehingga
polinomial fundamental yang sesuai dengan pasangan {M, M’} dan {MH, MH’} berbeda dengan faktor
konstanta dan juga ekuivalen.

Hasil yang sama dapat dibuktikan dengan cara yang lebih intuitif sebagai berikut. Matriks fundamental
LP hanya bergantung pada koordinat citra dari matched point. Dengan demikian, investigasi mengenai
transformasi mana yang dapat dilakukan di kamera dan titik spasial 3D tanpa mengubah koordinat citra.
Kita dapat mengobservasi bahwa jika M digantikan dengan MH-1 dan tiap titik xi diganti dengan Hxi,
maka (ui, wivi, wi)T = Mxi = (MH-1)(Hxi). Sehingga, koordinat citra, dan begitu juga matriks fundamental
tidak berubah dengan transformasi affine titik 3D ini. Argumen yang sama digunakan pada kasus kamera
pinhole, tetapi dalam kasus tersebut, H dapat berupa transformasi proyektif apapun, dan sehingga
rekonstruksi dimungkinkan hanya hingga transformasi proyektif. Dapat dipelajari kenapa hal ini tidak
memungkinkan pada kasus kamera linear pushbroom baru-baru ini.

Untuk transformasi proyektif yang tidak berubah (arbitrer), H, kita lihat bahwa Hxi = H(xi, yi, zi, 1)T = (xi’,
yi’, zi’, ti’)T, dimana ti’ umumnya tidak sama dengan satu. Akan tetapi, dalam Preposisi 2.1 mendefinisikan
pemetaan kamera LP, titik 3D harus ditulis dalam bentuk (x, y, z, 1)T dengan koordinat terakhir satuan.
Untuk mendapatkan ini, kita bagi dengan t’, yang menyebabkan (MH-1)(xi’/ti’, yi’/ti’, zi’/ti’, 1)T = (ui/ti’,
wivi/ti, wi/ti)T. Vektor terakhir ini merepresentasikan titik citra 2D (ui’/ti’, vi)T yang tidak sama dengan titik
original (ui, vi)T. Sehingga, usulan transformasi proyektif tidak menjaga titik citra tetap. Sebaliknya, jika H
adalah transformasi affine, maka baris terakhir H adalah (0, 0, 0, 1), dapat dilihat bahwa H(xi, yi, zi, 1)T =
(xi’, yi’, zi’, 1)T. Dengan demikian, koordinat terakhir selalu 1, dan masalah tidak terjadi.
Hasil ini menyarankan bahwa dua matriks kamera harus ditentukan hingga transformasi affine dari
matriks fundamental LP. Sekarang akan diperlihatkan bahwa hal ini memang benar, dan prosedur
konstruktif akan diberikan untuk mengkomputasikannya. Baru saja didemonstrasikan bahwa matriks
kamera dan titik 3D bisa dikalikan dengan matriks affine H 4 x 4 yang tidak berubah (arbitrary) dan
inversnya tanpa mempengaruhi matriks fundamental LP, atau titik citra 2D. Sehingga, kita bisa memilih
untuk mengatur matriks M’ ke bentuk sederhana khusus (I │0) dimana I adalah matriks identitas.
Bahkan, bisa dianggap M’ = (R│t). kita bisa mentransformasikan M’ menjadi (I │0) dengan menempatkan

perkalian keduanya M dan M’ dengan matriks affine . Akan terlihat bahwa dengan asumsi
bahwa M’ = (I │0), matriks M yang lain ditentukan secara khusus dengan matriks fundamental LP.

Dengan asumsi bahwa M’ = (I|0), F dapat dikomputasikan secara eksplisit dalam hal entri M. Dengan
menggunakan Mathematica ([20]) atau secara manual dapat dihitung bahwa

Dengan entri fij pada F yang diberikan, pertanyaannya adalah apakah mungkin memperoleh nilai entri
mij. Hal ini meliputi solusi satu set yang terdiri dari 12 persamaan dalam 12 nilai mij yang belum diketahui
(unknowni). Empat entri m22, m23, m32 dan m33 dapat diperoleh dengan cepat dari blok kiri bawah F.
Secara khusus,
Perolehan sisa entri lebih membutuhkan triks khusus tetapi mungkin berhasil seperti berikut ini. Empat
entri bukan-nol pada dua baris pertama dapat dituliskan ulang dalam bentuk berikut (menggunakan
persamaan (19) untuk subtitusi m22, m23, m32 dan m33).

Dengan cara yang sama, blok sebelah kanan bawah 2x2 memberi satu set persamaan

Sepintas dapat dilihat bahwa jika kita mempunyai solusi mij, maka solusi baru bisa diperoleh dengan
mengalikan m12 dan m13 dengan konstanta c bukan-nol dan membagi m21, m31, m24 dan m34 dengan
konstanta c yang sama. Dengan kata lain, jika m13 = 0 tidak terpenuhi, yang dapat dengan mudah dicek,
maka dapat diasumsikan m13 = 1. Dari asumsi solusi persamaan (20) dan (21) dapat disimpullkan bahwa
matriks 4 x 4 dalam persamaan (20) dan (21), keduanya harus mempunyai determin nol. Dengan m13 =1,
masing-masing dari persamaan (20) dan (21) memberikan persamaan kuadratik dalam m12. Untuk solusi
menghadirkan matriks sought M, kedua kuadratik ini harus mempunyai akar yang umum (common
root). Kondisi ini merupakan kondisi yang diperlukan untuk matriks agar menjadi matriks fundamental
LP. Penyusunan kembali matriks selintas (slightly), menulis λ ataupun m12 dan menyatakan eksistensi
akar umum dalam hubungannya dengan resultan menyebabkan statemen berikut.

Teorema 5.4. Jika matriks 4 x 4 matriks F = (fij) adalah matriks fundamental LP, maka

1. f11 = f12 = f21 = f22 = 0

2. resultan polinomial

dan

menghilang (vanish).

3. Diskriminan polinomial (22) dan (23) keduanya bukan-negatif.

Jika dua kuadratik mempunyai akar umum, maka akar umum ini akan menjadi nilai m12. Persamaan linier
(20) kemudian dapat diselesaikan untuk m11, m21 dan m31. Sama juga, persamaan (21) dapat diselesaikan
untuk m14, m24 dan m34. Jika f31f42 – f41f32 tidak hilang, tiga kolom pertama matriks (20) dan (21) tidak akan
bergantung secara linier dan solusi untuk mij akan diperoleh dan nilainya unik.

Untuk merekapitulasi, jika m12 adalah akar umum dari dua polinomial kuadratik (22) dan (23), m13 dipilih
agar sama dengan 1, dan f31f42 – f41f32 ≠ 0 maka matriks M = (mij) dapat ditentukan secara khusus dengan
solusi satu set persamaan linier. Relaxing kondisi m13 = 1, menghasilkan solusi bentuk

Namun, pada perkalian dengan diagonal matriks affine diag(1, 1/c, 1/c, 1), semua matriks tersebut
ekuivalen. Lebih lanjut, matriks M’ = (I|0) dipetakan pada matriks ekuivalen dengan perkalian diag(1,
1/c, 1/c, 1). Hal ini menunjukkan bahwa jika m12 ditentukan, pasangan matriks {M, M’} dapat dihitung
secara khusus hingga ekuivalensi affine.

Yang terakhir, kita anggap kemungkinan persamaan (22) dan (23) mempunyai dua akar umum. Hal ini
hanya bisa terjadi jika koefisien F memenuhi identitas terbatas tertentu yang dapat dideduksi dari
persamaan (22) dan (23). Ini membuat kita menyatakan

Teorema 5.5. Matriks F 4 x 4 memenuhi kondisi Preposisi 5.4, pasangan matriks kamera {M,M’} yang
sesuai dengan Fditentukan secara khusus hingga ekuivalensi affine, jika F tidak berada pada critical set
dimensional yang paling rendah.

Algoritma lengkap untuk komputasi matriks kamera (hingga transformasi affine) dari matriks
fundamental LP diringkas sebagai berikut.

1. Atur M’ = (I│0).

2. Atur m22 = f31, m23 = f41, m32 = -f32, m33 = -f42.

3. Atur m13 = 1 dan atur λ = m12 untuk menjadi akar umum determinan (22) dan (23).

4. Selesaikan persamaan (20) dan (21) untuk mencari sisa entri M.

5.4. Lebih Dalam Mengenai Critical Set

Investigasi lengkap mengenai critical set bukanlah menjadi tujuan di sini. Seperti yang telah dinyatakan
sebelumnya, kondisi dimana ada dua akar umum pada persamaan (22) dan (23) menyebabkan dua
solusi yang berbeda untuk M dapat dideduksi dari bentuk (22) dan (23). Investigasi ini akan
menghasilkan kondisi dalam hal entri F. Pencerahan lebih lanjut akan menjadi kondisi dalam hal entri
matriks M untuk solusi yang ambigu. Hal ini akan diinvestigasi selanjutnya.

Akan ada solusi ambigu pada masalah estimasi matriks M jika polinomial (22) dan (23) mempunyai dua
akar umum. Anggap bahwa matriks F merupakan bentuk yang diberikan pada persamaan (18).
Kemudian kita dapat hitung dua polinomial kuadratik dari (22) dan (23). Hasilnya (dihitung dengan
menggunakan Mathematica) adalah
Seperti yang diharapkan, p1(λ) dan p2(λ) mempunyai akar umum λ = m12/m13. Akar kedua p1 dan p2 sama
jika dan hanya jika dua polinomial linier (m22m31 – m21m32 – λ(m23m31 – m21m33)) dan (m22m34 – m24m32 –
λ(m23m34 – m24m33)) mempunyai akar yang sama. Hal ini berlaku jika dan hanya jika

Karena bagian kanan persamaan ini merupakan produk dari dua faktor, ada dua kondisi terpisah dimana
solusi ambigu ada. Kondisi pertama (m21m34 – m24m31) = 0 berhubungan secara geometrik dengan situasi
dimana lintasan dua kamera bertemu di space. Hal ini dapat terlihat sebagai berikut. Titik x = (x, y, z)T
berada pada lintasan pusat proyeksi kamera dengan matriks M jika dan hanya jika M (x, y, z, 1)T = (u, 0,
0)T, untuk kondisi ini koordinat v dari citra belum didefinisikan. Khususnya, titik yang berada pada
lintasan kamera M’ dengan matriks (I│0) adalah dari bentuk (x,0,0)T. Titik semacam itu juga akan ada
pada lintasan kamera dengan natriks M jika dan hanya jika xm21 + m24 =xm31 +m34 = 0 untuk beberapa x;
yaitu, yang jika dan hanya jika m21m34 – m24m31 = 0.

Kita mungkin melakukan verifikasi dalam kasus ini, bahkan ada dua solusi yang berbeda. Kondisi
geometriknya bahwa dua lintasan tersebut bertemu. Untuk menyederhanakan, kita anggap bahwa dua
lintasan bertemu pada titik origin sistem koordinat pada waktu t = 0. Dalam kasus ini, bisa diasumsikan
bahwa dua matriks kamera yaitu (I│0) dan M = (K│0). Anggap k*ij = det ij, dimana ij merupakan
matriks yang diperoleh dari K dengan mengeliminasi baris ke-i dan kolom ke-j. Selanjutnya, anggap entri
K adalah kij. Definisikan matriks K2 dengan ekspresi

Kemudian dapat diverifikasi (misalnya menggunakan Mathematica) bahwa pasangan (I│0), (K2│0)
mempunyai matriks fundamental LP yang sama, yang didefinisikan oleh persamaan (18) sebagai
pasangan (I│0), (K│0).

Dapat ditunjukkan bahwa kondisi kedua yang berhubungan secara geometrik terhadap lintasan kamera
M yang paralel terhadap bidang view (view plane) kamera M’. Namun, bukti terhadap ini diabaikan,
karena faktanya, kondisi ini tidak mengakibatkan ke solusi kedua. Kondisi m22m33 - m23m32 = 0 adalah
sama (lihat (18)) dengan kondisi q31q42 – q41q32 = 0. Terlihat bahwa dalam kasus ini, matriks pada
persamaan (20) dan (21) mempunyai pangkat 3, tetapi ruang-null-nya (null-spaces) adalah dalam bentuk
(a, b, c, 0). Dengan demikian, set persamaan yang berhubungan tidak menerima solusi dengan entri
akhir sama dengan 1, seperti yang diperlukan.

5.5. Komputasi Matriks Fundamental LP

Matriks F dapat dikomputasikan dari korespondensi citra hampir sama dengan cara Longuet-Higgins
dalam mengkomputasi matriks fundamental perspektif ([2]). Dengan memberikan 11 atau lebih
korespondensi titik-ke-titik antara pasangan citra linear pushbroom, persamaan (16) dapat digunakan
untuk menyelesaikan 12 entri bukan-nol dari F, hingga perkalian dengan skala yang belum diketahui.
Penting sekali dalam implementasi algoritma linier ini, bahwa data korespondensi citra dinormalisasi
dengan cara yang sama seperti yang dijelaskan pada (18). Sayangnya, dengan adanya noise, solusi yang
diperoleh dengan cara ini untuk F tidak akan memenuhi kondisi kedua (5.4) secara pasti.
Konsekuensinya, ketika menyelesaikan matriks M, akan ditemukan bahwa dua polinomial (22) dan (23)
tidak mempunyai akar umum. Berbagai strategi memungkinkan pada tahapan ini.

Salah satu strategi adalah sebagai berikut. Anggap tiap dua akar m12 dari (22) dan dengan tiap nilai
semacam itu m12 diproses sebagai berikut: Subtitusikan tiap m12 dalam gilirannya ke dalam persamaan
(21). Dengan memberikan satu set dari empat persamaan dalam tiga bentuk yang belum diketahui;
selesaikan persamaan (21) untuk mencari solusi least-square untuk m14, m24 dan m34. Yang terakhir
terima akar dari (22) yang menghasilkan solusi least-square terbaik. Kita dapat melakukan ini dengan
round lain sama halnya memulai dengan mempertimbangkan akar (23) dan menerima empat solusi
terbaik yang ditemukan. Strategi berbeda adalah dengan memilih m12 menjadi angka yang terdekat
untuk menjadi akar dari tiap persamaan (22) dan (23). Ini adalah algoritma yang telah kita
implementasikan, dengan hasil yang bagus sampai sejauh ini.

Namun, untuk memperoleh hasil terbaik, mungkin diperlukan untuk menerapkan kondisi Proposisi 5.4
ke akun secara eksplisit dan mengkomputasikan matriks fundamental LP yang memenuhi kondisi ini
dengan menggunakan asumsi eksplisit mengenai source error untuk merumuskan fungsi kosinus untuk
diminimalkan. Ini telah ditunjukkan dan menjadi pendekatan terbaik untuk kamera perspektif ([21, 16]).

Pertanyaan stabilitas numerik penting dalam penerapan algoritma dengan menggunakan model linear
pushbroom. Khususnya, mudah untuk mengatasi situasi dimana penentuan parameter model linear
pushbroom dalam kondisi yang sangat buruk. Khususnya, jika satu set ground-control point berada pada
bidang sangat mendekati planar, maka akan terlihat dengan mudah (sama seperti dengan kamera
perspektif) bahwa penentuan parameter modelnya ambigu. Kita telah mengembangkan tehnik (tidak
dijelaskan di sini) untuk menangani beberapa kasus ketidakstabilan, tetapi masih perlu perawatan.
Algoritma yang dijelaskan di paper ini tidak dapat digunakan dalam kasus dimana set obyek berada pada
sebuah bidang.

6. Rekonstruksi Scene

Jika dua matriks kamera telah ditentukan, posisi titik xi di ruang dapat ditentukan dengan penyelesaian
persamaan (15). Hal ini akan menentukan posisi titik di ruang hingga transformasi affine ruang.

Dalam kasus dimana kedua titik sesuai (match) antara citra dan ground-control point tertentu, scene
dapat direkonstruksi dengan menggunakan titik yang match (matched point) untuk menentukan scene
hingga transformasi affine, dan kemudian menggunakan ground-control point untuk menentukan
penempatan absolut scene. Jika ground-control point terlihat di kedua citra, maka mudah untuk mencari
transformasi affine yang benar. Hal ini dilakukan dengan menentukan posisi ground-control point dalam
rekonstruksi citra, dan kemudian menentukan transformasi affine 3-D yang akan menggunakan titik-titik
ini pada lokasi ground-control absolut.

Jika ground-control point tersedia maka yang terlihat hanya pada satu citra saja, masih memungkinkan
menggunakannya untuk menentukan lokasi absolut dari rekonstruksi set titik. Metode untuk melakukan
ini dijelaskan pada [4] dan tidak akan diulangi di sini.
7. Hasil Eksperimen

Dua asumsi utama dibuat dalam penurunan model linear pushbroom (lihat bagian 2). Dalam konteks
aplikasi penginderaan jauh, asumsi pertamanya adalah bahwa selama waktu akuisisi satu citra, variasi
kecepatan satelit pada orbitnya dapat diabaikan. Dan lagi, gerak permukaan bumi dapat dimasukkan
dalam gerak satelit, gerak gabungan keduanya kira-kira rectilinear. Asumsi kedua bahwa rotasi kerangka
orbit lokal dan perubahan arah yang berhubungan dengan kerangka ini dapat diabaikan. Untuk sejauh
mana asumsi-asumsi ini dibenarkan akan dieksplorasi di bagian ini dan beberapa eksperimen yang
mengukur akurasi model linear pushbroom dijelaskan.

Pada eksperimen pertama, akurasi model linear pushbroom dibandingkan dengan full model kamera
HRV SPOT. Model ini, yang dijelaskan secara detail di [22], memperhitungkan dinamika orbit ( orbital
dynamics), rotasi bumi, attitude drift yang terukur oleh sistem on-board, data ephemeris dan beberapa
fenomena lainnya untuk membuat proses pencitraan seakurat mungkin. Model yang berbeda
didiskusikan di [23].

Model linear pushbroom dibandingkan dengan full model pada pasangan citra sebenarnya (real image)
dengan matched point yang dikomputasikan dengan menggunakan algoritma stereo matching. Pasangan
stereo (stereo pair) citra SPOT wilayah Malibu, berpusat kira-kira pada 34 derajat 5 min utara, dan 118
derajat 32 min barat (citra dengan (J, K) = (541, 281) dan (541, 281) pada sistem referensi kisi ( grid) SPOT
[24]) digunakan. Kita memperkirakan model kamera untuk kedua citra ini dengan menggunakan satu set
yang terdiri dari 25 ground control point, tampak pada kedua citra, dipilih bentuk peta USGS dan
beberapa korespondensi citra-ke-citra yang dibuat secara otomatis dengan menggunakan STEREOSYS
[25].

Tabel 1: Perbandingan ketiga model kamera.

Dua ukuran kinerja dikomputasi. Akurasi dengan model kamera mana yang memetakan ground point ke
titik citra yang berhubungan sangat penting. Perbedaan RMS antara koordinat citra yang diketahui dan
koordinat citra yang dikomputasi menggunakan model kamera turunan diukur. Ukuran spesifik-aplikasi,
viz. Akurasi model elevasi lereng (terrain) yang dibuat dari stereo pair, juga diukur.

Sekali lagi, data dimodelkan dengan menggunakan model kamera perspektif, model linear pushbroom
dan model full pushbroom.

Untuk membuat hasilnya dapat dibandingkan secara langsung, ground control point dan korespondensi
citra-ke-citra yang sama digunakan untuk komputasi model kamera pada seluruh eksperimen ini.
(Jumlah titik-titik yang digunakan untuk komputasi kamera perspektif merupakan perkecualian dimana
511 korespondensi citra-ke-citra, bukan 100, disediakan dalam usaha untuk menaikkan akurasi). Sebagai
tambahan, model terrain juga dibuat dengan menggunakan set matched point yang sama.

Hasil ketiga eksperimen ini ditabulasikan pada Tabel 1. Baris pertama dan kedua daftar jumlah ground
control point dan jumlah titik digunakan dalam komputasi model kamera. Baris ketiga menunjukkan
jumlah matched point untuk titik mana pada terrain yang dibuat. Akurasi model kamera, yaitu, akurasi
dengan ground point mana (x, y, z)T yang dipetakan pada titik citra yang berhubungan, didaftar pada
baris keempat. Akhirnya, perbedaan RMS antara terrain buatan dan ground truth (data DMA DTED)
diberikan pada baris kelima.

Usaha untuk memodelkan kamera HRV SPOT dengan kamera perspektif menghasilkan model kamera
dengan kombinasi akurasi sekitar 11 piksel. Hal ini merupakan error yang besar karena untuk wahana
(platform) yang tinggi seperti satelit, meskipun berupa error piksel tunggal, tetapi dapat menjadi
perbedaan puluhan meter sepanjang dimensi horisontal dan vertikal (jumlah sebenarnya bergantung
pada resolusi piksel dan sudut pandang). Hal ini direfleksikan dalam akurasi terrain buatan yang mana
sebesar 380 m, rata-rata. Dengan demikian, seperti yang diharapkan, kamera pin-hole merupakan
perkiraan yang jelek untuk kamera pushbroom. Linear pushbroom, sebaliknya, cukup kompetitif dengan
model detail, baik dalam hal akurasi model kamera, dan juga akurasi terrain buatan.

Gambar 3: Rekonstruksi terrain dari model perspektif.

Entri terakhir pada baris kelima (akurasi 11,10 m untuk terrain yang dibuat dengan model kompleks)
sedikit salah karena terrain buatan lebih akurat daripada akurasi yang diklaim pada ground-truth jika
dibandingkan. Gambaran ini merupakan pernyataan mengenai akurasi ground-truth, bukan cara lain di
sekitarnya.

Gambar 3 dan 4 menunjukkan terrain yang dibuat dengan model perspektif dan model full SPOT.
Gambar 4 dapat dianggap sebagai ground-truth. Karena wilayah yang tercakup oleh stereo pair sedikit
lebih besar (sekitar 60km x 60km), relief terrain ditunjukkan hanya untuk sub-citra 1024 x 1024 dan
telah cukup dilebihkan dibandingkan dimensi horisontal. Kita tidak memasukkan terrain yang dibuat
dengan model linear pushbroom karena secara visual tidak bisa dibedakan dengan terrain yang dibuat
oleh full model (Gambar 4).
Gambar 3 mengilustrasikan distorsi yang diperkenalkan ketika proyeksi perspektif sebagian (partially)
dimodelkan dengan kamera fully perspective. Untuk memahami distorsi ini dengan lebih baik, beberapa
eksperimen dilakukan.

Dengan menggunakan parameterisasi model full pushbroom pada orbit sebenarnya dan data ephemeris,
dan model artificial terrain, satu set ground pada korespondensi citra dikomputasi, satu ground-control
point semacam itu dikomputasi setiap 120 piksel. Hal ini memberi satu kisi ground-control point 51 x 51
yang mencakup kira-kira 6000 x 6000 piksel. Selanjutnya, ground control point ini digunakan untuk
memberi contoh model linear pushbroom dengan menggunakan algoritma bagian 3. Pada eksperimen
ini, lokasi ground point ditetapkan untuk keduanya, baik full pushbroom maupun linear pushbroom.
Perbedaan diukur antara titik citra yang berhubungan seperti yang dikomputasi dengan tiap model. Nilai
error absolut bervariasi sepanjang citra ditunjukkan pada Gambar 5. Error maksimum kurang dari 0,4
piksel dengan RMS error 0,16 piksel. Seperti dapat dilihat, untuk citra SPOT lengkap, error yang
disebabkan penggunaan model linear pushbroom kurang dari setengah piksel, dan lebih kecil lagi pada
hampir seluruh citra.

Gambar 4: Rekonstruksi terrain dari model full pushbroom.

 Gambar 5: Profil error untuk model linear pushbroom.

Gambar 6: Profil error untuk model perspektif.

Untuk menguji apakah model kamera perspektif dapat berlaku sama baiknya, satu set ground control
point yang sama dimodelkan dengan menggunakan model kamera perspektif. Hasilnya adalah RMS
error 16,8 piksel dengan error piksel maksimum pada 45 piksel. Gambar 6 menunjukkan distribusi error
sepanjang citra.

8. Kesimpulan

Model linear pushbroom memeberikan aproksimasi yang bagus pada full model sensor pushbroom yang
mengorbit, tetapi secara substansial kurang kompleks. Penyederhanaan model kamera linear
pushbroom memungkinkan timbulnya banyak masalah fotogrametri standar, seperti kalibrasi kamera
dan deteksi pose, serta arah relatif yang harus diatasi dengan menggunakan algoritma non-iterative
sederhana. Selain aplikasi pada sensor satelit yang mengorbit, dimana model linear pushbroom
merepresentasikan aproksimasi pada model full orbiting, model LP mempunyai aplikasi pada
penginderaan industrial. Model ini telah digunakan untuk pemeriksaan bagian turbine blade sinar-X.
pada kasus ini, model linier sangat mendekati perkiraan geometri sebenarnya, dan sensor dapat secara
akurat dikalibrasi dengan menggunakan algoritma linier yang dijelaskan di paper ini.

Referensi

[1] Alison Noble, Richard Hartley, Joseph Mundy, and James Farley, “X-ray metrology for quality
assurance,” in Proc. IEEE Robotics and Automation Conference, 1994.
[2] H.C. Longuet-Higgins, “A computer algorithm for reconstructing a scene from two projections,”
Nature, vol. 293, pp. 133–135, Sept 1981.
[3] R. I. Hartley, “Estimation of relative camera positions for uncalibrated cameras,” in Computer Vision
- ECCV ’92,LN CS-Series Vol. 588, Springer-Verlag, 1992, pp. 579 – 587.
[4] R. Hartley, R. Gupta, and T. Chang, “Stereo from uncalibrated cameras,” in Proc. IEEE Conf. on
Computer Vision and Pattern Recognition, 1992, pp. 761–764.
[5] O. D. Faugeras, “What can be seen in three dimensions with an uncalibrated stereo rig?,” in
Computer Vision - ECCV ’92,LN CS-Series Vol. 588, Springer-Verlag, 1992, pp. 563 – 578.
[6] Richard Hartley and Rajiv Gupta, “Computing matched-epipolar projections,” in Proc. IEEE Conf. on
Computer Vision and Pattern Recognition, 1993, pp. 549 – 555.
[7] I.E. Sutherland, “Three dimensional data input by tablet,” Proceedings of IEEE, vol. Vol. 62, No. 4,
pp. 453–461, April 1974.
[8] O. Faugeras, Three Dimensional Computer Vision: A Geometric Viewpoint, The MIT Press, Cambridge,
MA, 1993.
[9] S. Ganapathy, “Decomposition of transformation matrices for robot vision,” Pattern Recognition
Letters, vol. 2, pp. 410–412, 1989.
[10] T.M. Strat, “Recovering the camera parameters from a transformation matrix,” in Readings in
Computer Vision, M.A. Fischler and O. Firschein, Eds., pp. 93 – 100. Morgan Kaufmann Publishers,
Inc., 1987, Also appeared in Proc. of DARPA Image Understanding Workshop, New Orleans, LA, pp.
264–271, 1984.
[11] Gene H. Golub and Charles F. Van Loan, Matrix Computations,Se cond edition, The Johns Hopkins
University Press, Baltimore, London, 1989.
[12] Richard I. Hartley, “An object-oriented approach to scene reconstruction,” in Proc. IEEE
International Conference on Systems Man and Cybernetics,Peking , October 1996, pp. 2475 – 2480.
[13] J. Weng, T. S. Huang, and N. Ahuja, “Motion and structure from two perspective views: Algorithms,
error analysis and error estimation,” IEEE Trans. Patt. Anal. Machine Intell., vol. 11, no. 6, pp. 451–
476, May 1989.
[14] R. Y. Tsai and T. S. Huang, “Uniqueness and estimation of three dimensional motion parameters of
rigid objects with curved surfaces,” IEEE Trans. Patt. Anal. Machine Intell., vol. PAMI-6, pp. 13–27,
1984.
[15] B. K. P. Horn, “Relative orientation revisited,” Journal of the Optical Society of America,A , vol. Vol.
8, No. 10, pp. 1630 – 1638, 1991.
[16] M. E. Spetsakis and Y. Aloimonos, “Optimal visual motion estimation: A note,” IEEE Trans. on
Pattern Analysis and Machine Intelligence, vol. Vol. 14, No. 9, pp. 959 – 964, September 1992.
[17] O. D. Faugeras, Q.-T Luong, and S. J. Maybank, “Camera self-calibration: Theory and experiments,”
in Computer Vision - ECCV ’92,LN CS-Series Vol. 588, Springer-Verlag, 1992, pp. 321 – 334.
[18] R. I. Hartley, “In defence of the 8-point algorithm,” in Proc. International Conference on Computer
Vision, 1995, pp. 1064 – 1070.
[19] Olivier Faugeras and Bernard Mourrain, “On the geometry and algebra of the point and line
correspondences between N images,” in Proc. International Conference on Computer Vision, 1995,
pp. 951 – 956.
[20] S. Wolfram, Mathematica : A System for Doing Mathematics by Computer, Addison-Wesley,
Redwood City, California, 1988.
[21] B. K. P. Horn, “Relative orientation,” International Journal of Computer Vision, vol. 4, pp. 59 – 78,
1990.
[22] Rajiv Gupta and Richard Hartley, “Camera estimation for orbiting pushbrooms,” in Proc. Second
Asian Conference on Computer Vision, Singapore, Dec 1995.
[23] Ashley P. Tam, Terrain elevation extraction from digital SPOT satellite imagery, Ph.D. thesis, Masters
Thesis, Dept. of Surveying Engineering, Calgary, Alberta, July 1990.
[24] SPOT Image Corporation, 1897, Preston White Dr., Reston, VA 22091-4368, SPOT User’s Handbook,
1990.
[25] M. J. Hannah, “Bootstrap stereo,” in Proc. Image Understanding Workshop,Col lege Park,MD , April
1980, pp. 210–208.