ドローン測量の3D化の仕組み
ドローン写真測量で、平面の写真から精度水平±3cm・垂直±5cmの3次元モデルが生成されるのは、SfM（Structure from Motion）とMVS（Multi-View Stereo）というアルゴリズムの力です。
当社が使用する Metashape・Pix4Dmapper の内部処理を、初心者向けにわかりやすく解説します。
SfM（Structure from Motion）の基本
SfMは「複数の写真から、その撮影時のカメラ位置と被写体の3次元構造を復元する」技術です。
基本原理：異なる視点から同じ物体を見ると、見え方が変わります。この視点差（視差）から距離を計算するのが、SfMの本質です。
SfMの処理ステップ
ステップ1：特徴点検出（Feature Detection）
各写真から、照明変化やスケール変化に強い「特徴点」を自動抽出します。
- 代表的な特徴点検出器：SIFT（Scale-Invariant Feature Transform）
- 検出例：建物の角、樹木の枝分かれ、地面の石、溝など
- 数量：1枚の写真から数千～数万個の特徴点を検出
ステップ2：特徴点マッチング（Feature Matching）
隣接した写真で同じ物体上の特徴点を自動で対応させます。
- 例：写真A の「建物の角①」と、写真B の「建物の角①」が同じ物体だと判定
- マッチング基準：特徴点の周辺パターンが似ているかを数学的に評価
- 誤マッチ排除：几何的に矛盾したマッチペアを自動削除
ステップ3：バンドル調整（Bundle Adjustment）
マッチした特徴点と各写真のカメラ位置・向きを同時最適化します。
- 目的：「カメラ位置がこうなら、特徴点はここにあるはず」という予測と、実際の画像位置の誤差を最小化
- 数学：数百万個の方程式を非線形最適化で解く（計算負荷が大きい）
- 結果：各カメラの正確な位置・向き、および3D特徴点座標が決定
SfMの結果：スパース点群
SfM処理の出力は「スパース点群」と呼ばれる、疎な3次元点のセットです。
- 点数：数万～数十万点程度（詳細度はやや低い）
- 用途：カメラキャリブレーション、スケール設定、次段階のMVS処理の初期値
MVS（Multi-View Stereo）とは
SfMで得たカメラ位置を固定し、各写真の全ピクセルについて深度（奥行き）を推定します。これにより、スパース点群をデンス（密）な点群に変換します。
MVSの処理ステップ
ステップ1：コスト容積の計算（Cost Volume Computation）
各ピクセルについて、複数の写真での色の一貫性を評価し、「各深度でどの程度マッチしているか」を数値化します。
ステップ2：最適化（Optimization）
各ピクセルで最もコストが低い（最も整合性の高い）深度を選択します。
ステップ3：フィルタリング・デノイズ
孤立した外れ値点を削除し、点群の信頼性を向上させます。
MVSの結果：デンス点群
MVS処理の出力は「デンス点群」で、以下の特徴があります：
- 点数：数千万～数億点（高密度）
- 精度：水平±3cm、垂直±5cm（GSD設定による）
- 用途：メッシュ化、等高線生成、DEMデータ作成、体積計算
メッシュ化と正射画像生成
デンス点群からさらに処理を進めます：
- メッシュ化：点群を三角形ポリゴンで繋ぎ、3Dモデル（STL、OBJ形式）化
- 正射画像（オルソモザイク）：傾いた写真を鉛直方向に投影し、ドローン地図を作成
- DEM（数値標高モデル）：グリッド状の高さデータに変換
精度を左右する要因
| 要因 | 精度への影響 | 当社対応 |
|---|---|---|
| 撮影重複率 | 低い→マッチング失敗 | 前後80%・左右70%以上確保 |
| 画像品質（シャープネス） | ぼけ→特徴点検出失敗 | 高速シャッター・低ISO設定 |
| カメラキャリブレーション | ズレ→座標系統エラー | RTK-GNSS組み込みで高精度化 |
| GCP（グラウンドコントロール） | 欠落→絶対座標がズレ | RTK-GNSS搭載で最小化 |
| 地形変化（テクスチャ） | 均一→マッチング困難 | 補助撮影・多視点工夫 |
当社の処理体制
Metashape・Pix4Dmapper の両方を保有し、案件特性に応じて最適なエンジンを選択します。バンドル調整の再投影誤差を0.5pixel以下に管理することで、高精度を実現しています。
精度保証のご確認
— TAS Technical Writing Team（技術記事監修）