（毕业论文）普通数码影像匹配的方法研究.docVIP

普通数码影像匹配的方法研究 摘要：普通数码相机获取的影像具有成本低、分辨率高、数据采集简便、影像传输与处理快速等特点，解决了现场快速获取影像的问题，降低了近景摄影测量作业对设备及技能的要求。普通数码相机是非量测相机，所获取的像片属于近景像片，但相片没有已知的内方位元素且变形较大，因此普通数码相片的图像处理比较特殊。近年来，国内外学者对基于普通数码相机的近景目标三维数据进行了广泛的研究，但研究大多利用单基线影像进行同名点匹配，再采用自检校光束法或直接线性变换算法来解决目标的空间坐标。该方法存在对控制点的数量及分布要求较高、同名点匹配可靠性较低等缺点。用于近景摄影测量的普通数码影像与航空影像相比,存在更为复杂的影像变形和影像遮挡等问题,这使得其影匹配的难度大大增加影像匹配是数字摄影测量的关键技术之一,是该领域持续关注和研究的热点。影像匹配即通过一定的匹配算法在两幅或多幅影像之间识别名点的过程。最初的影像匹配是利用相关技术实现的，因而也有人称影像匹配为影像相关。它是图像融合、目标识别、目标变化检测、计算机视觉等问题中的一个重要前期步骤，在遥感、数字摄影测量、计算机视觉、地图学以及军事应用等多个领域都有着广泛的应用。 由于原始片中的灰度信息可转换为电子、光学或数字等形式的信号，因而可构成电子相关、光学相关或数字相关等不同的相关方式；而由于可运用于多个领域中，影像相关所匹配的对象也是多种多样的，如卫星遥感影像、航空摄影影像、近景摄影影像等，这些原始数据往往都不是理想的数据源，因此要针对各种特点选择合适的算法进行匹配。但一般来说，无论是光学相关、电子相关还是数字相关，所匹配的对象也有不同，但其理论基础都是相同的。 影像相关是利用互相关函数，评价两块影像的相似性以确定同名点。即首先取出以待定点为中心的小区域中的影像信号，然后取出其在另一影像中相应区域的影像信号，计算二者的相关函数，以相关函数最大值对应的相应区域中心点为同名点。即以影像信号分部最相似的区域为同名区域，同名区域的中心点为同名点。这也是自动化立体量测的基本原理。 同名点的确定是以匹配测度为基础的，因此定义匹配测度是影像匹配最首要的任务，基于不同的理论或不同的思想可以定义各种不同的匹配测度，因而形成了各种影像匹配方法及相应的实现算法。常见的基于像方灰度的影像匹配算法有相关函数法、协方差函数法、相关系数法、差平方和法、差绝对值和法、最小二乘法等，基于物方的影像匹配算法有铅垂线轨迹法（VLL，Vertical Line Locus），另外还有基于像方特征的跨接法影像匹配，金字塔多级影像匹配， SIFT等。 (2-1) A和B像元阵列灰度的方差为 (2-2) 常用的相关算法 协方差CAＢ两个相应Ａ和Ｂ阵列像元灰度之间的协方差由下式可得： (2-3) 协方差CAＢ＝max的两个影像灰度阵列为相应匹配影像阵列，其中点即相应像点。 相关系数r r=max(r≤1)的两个像元灰度阵列为相应匹配影像阵列，其中点即为相应像点。 2.3 基于影像特征的影像匹配算法 基于影像特征的影像匹配算法利用了数字影像处理中的特征边缘提取技术，先检测出左右影像中的特征点，并利用匹配算法或其它方法匹配出特征点对。基于特征的影像匹配有较高的可靠性，但匹配的精度低于基于灰度的最小二乘影像匹配算法。一种比较好的方案是将基于特征的影像匹配与基于灰度的最小二乘影像匹配结合在一起，形成分层有粗到精的匹配方案。从而使最终的匹配结果既有较高的可靠性，又有最小二乘影像匹配的高精度。 点特征提取算法很多，下面主要论述Forstner算子的算法思想： 首先用一个简单算子对全幅图像所有像元进行处理，确定出信息丰富区域，然后用Forstner算子对信息丰富区的像元进行处理，搜索具有尽可能圆的灰度误差椭圆的点作为特征点。这种算法特点是对所有像元运算仅是一个简单算子，只有位于特征区域上的像元采用复杂算子，因而计算效率提高。步骤如下： 用一个基础算子（3×3窗口）对I的所有像元逐个计算，提取信息丰富区域F。用3×3窗口对I中的每个像元计算其与上下左右四个像元灰度的绝对值dg1,dg2,dg3,dg4,若像元中有两个方向的值超过经验阈值T则该像元属于F区域，否则属于信息贫乏区域（见图2-1）。 图2-1算子特征区及梯度计算窗口 阈值可根据经验确定，当灰度量化为256级时，可取如下阈值： T=5～10 （对已低通滤波的图像） T=8～15 （对未低通滤波的图像） 全幅图像判断后，即获得F区域。 在F区域中的每个像元的Rober′s梯度。计算窗口为3×3。 I i计算像元Pi,i的灰度误差椭圆圆度q，并利用经验阈值qLim确定属于点特征的PF,PF={Pi,