数字摄影测量第3-2章.pptVIP

最小二乘匹配算法的过程： （1）由于最小二乘影像匹配点位需要有较好的近似值，因此应首先进行初匹配，搜索相关系数最大的序列，求相关系数获得右影像窗口中心的初始位置。 （2）根据初匹配所得到的窗口影像中心的位置 和 ，按照下式计算变形参数的近似值： （3）进行几何变形改正，根据几何变形参数将左方影像窗口的影像坐标（像素的行列号）变换到右方影像阵列中。 （4）由于换算所得的坐标x2, y2一般不是右影像的整数行列号，因此可进行重采样获得 （5）计算几何变形和辐射畸变的八个变形参数的改正数 （6）在上一次算得的几何变形和辐射畸变的八个变形参数的基础上加上改正数得到此次新的八个参数。 （7）重新计算左影像与经过几何，辐射改正后的右影像灰度阵列之间的相关系数，若小于某个限值则停止迭代。 （8）匹配最佳点位。 其中 * * 第三章 影像匹配理论与算法 §3-1 影像相关原理 §3-2 数字影像匹配基本算法 §3-3最小二乘匹配 §3-4特征匹配 最小二乘影像匹配LSM (Least Squares Image Matching)方法是由德国Ackermann教授在20世纪80年代提出的一种高精度的影像匹配方法，该方法将测量中最常用的数据处理方法(最小二乘法)应用到影像匹配。它不仅仅将影像匹配提高到子象素级精度(即小于1个象素)，同时将数字摄影测量纳入到测绘工作者所熟悉的最小二乘法数学模型，将影像匹配变为一般的平差问题。 由于在最小二乘影像匹配中可以非常灵活地引入各种已知参数和条件（如共线方程等几何条件、已知的控制点坐标，等等），进行整体平差。此外，在最小二乘影像匹配系统中，可以很方便地引入“粗差检测”，从而大大地提高影像匹配的可靠性。由于最小二乘影像匹配方法具有灵活、可靠和高精度的特点。因此，它受到了广泛的重视，得到了很快的发展。 影像匹配中判断影像匹配的度量很多，其中有一种是“灰度差的平方和最小”。若将灰度差记为余差v,则上述判断可写为 ∑ v v＝min 因此，它与最小二乘法的原则是一致的。 但在一般情况下，它没有考虑影像灰度中存在的系统误差，仅仅认为影像灰度只存在偶然误差（随机噪声），即 式中：n1, n2为左、右影像灰度g1, g2中存在的偶然误差。把上式写成一般的误差方程式形式为 这就是按一般的∑v v＝min原则进行影像匹配的数学模型。 若在此系统中引入系统变形的参数，再根据最小二乘法原则，解求变形参数，就构成了最小二乘影像匹配系统。 影像灰度的系统变形有辐射畸变(灰度值的偏差)和几何畸变两大类，由此产生左右影像灰度分布之间的差异。 辐射畸变的原因有： 照明及被摄物体辐射面的方向、大气与摄影机物镜所产生的衰减。 摄影处理条件的差异以及影像数字化过程中所产生的误差等。 产生几何畸变的原因有： 摄影机方位不同所产生的影像透视畸变、仿射变形(比例、旋转） 。 由于地形高差所产生的影像畸变等(如在陡峭的山区的影像匹配要比平坦地区影像匹配困难)。 这些系统变形可以用一些函数关系式，或者说用一些参数来表示,在影像匹配中引入这些变形参数，并仍按照最小二乘原理解求这些参数，可以得到高精度的相关精度。这就是最小二乘影像匹配的基本思想。 1.仅考虑辐射畸变的最小二乘影像匹配(相关系数法) 辐射畸变或者说灰度值的偏差可以在匹配之前先进行预处理，设 分别为左影像的灰度值、均值和标准差， 分别为右影像的灰度值、均值和标准差，通过去均值（中心化），并用标准差进行规格化处理得到改正后的左、右影像。该式可在很大程度上消除两影像之间的灰度偏差。 为了使得两影像在灰度上分布一致，可以把辐射畸变描述成一个线性变换： 若再考虑先前的偶然误差，则有 组成误差方程 (有n个像素点时的 误差方程) 法方程式及其解 若对两影象g1，g2均作中心化处理,则有 于是由 可得两个系数分别为： 上式表明:基于辐射畸变改正的最小二乘影象匹配,就是求相关系数最大的序列,其实质是搜索信噪比为最大的灰度序列.注意:在运算该算法时,窗口影象应当进行中心化。 2 仅考虑影象相对位移的一维最小二乘影像匹配 2 仅考虑影象相对位移的一维最小二乘影像匹配 由于最小二乘影象匹配是非线性系统,因此必须进行迭代,迭代过程收敛的速度取决于初值。为此,采用最小二乘影象匹配，必须已知初匹配的结果。 单点最小二乘影像匹配 (兼顾几何变形和辐射畸变的最小二乘影像匹配) 两个二维影像之间的几何变形，不仅仅存在着相对移位，还存在着图形变化。如左方影象上为矩形影象窗，而在右方影象上为任意四边形。