（毕业论文）三角形约束下影像匹配算法实现.docVIP

三角形约束下影像匹配算法实现 摘 要：立体影像匹配是数字摄影测量和计算机视觉的核心技术,被广泛应用于多个领域。可以说,立体影像匹配技术的发展程度决定了数字摄影测量的自动化程度。本文选择了三角网约束下影像匹配技术作为主要的研究内容,围绕着匹配算法和技术流程,对涉及到的方法和理论进行了深入的分析和研究,并在此基础上建立了三角形约束下影像匹配的试验系统。 本文通过对现有立体影像匹配技术的对比、分析和总结,给出了立体影像匹配系统的基本构成形式,在此基础上提出了三角网约束下影像匹配算法,并详细的阐述了该算法的每个部分。首先,介绍了常见的影像匹配算法,然后,从约束条件方面详细的说明了本文提出的匹配系统。最后的实验证明,根据三角形约束下影像匹配方法的基本原理，结合具体实现过程中对时间效率及空间效率两方面的考虑，探讨了算法实现中的关键问题。针对三角形约束下影像匹配方法的实际应用,分析了所采用的数据结构与Delaunay三角网动态更新,提出了一种高效的实现算法,实际应用验证了其实现的有效性。实验结果表明这些应用都是成功的,取得了一定的效果。 最后,对本文的主要工作进行了总结并进行了展望。 关键词：三角形约束影像匹配算法实现效率根据基于三角形约束的影像匹配方法,设计了具体数据处理流程。将一定数量的良好匹配点(选取至少三对匹配精度高的同名点)作为初始点,采用Delaunay规则,在立体像对上,分别构建初始同名三角网。根据三角形特征信息量大小,对其排序以判断各三角形的匹配优先级。运用改进的Harris特征提取算子,在重叠区域内提取特征点,记录其提取过程中得到的特征值(兴趣值),并根据构成的三角网对其进行索引。选择匹配优先级最高的同名三角形,根据相应约束条件,获得匹配可靠度最大的一对同名点。利用“插入算法”,将该对同名点分别动态插入到两同名三角网中,并更新特征点索引及Struct Trianglelist { long ID； long v1,v2,v3； long v12； long v23； long v31；}； 根据匹配传播的需要，设计了三角形属性结构。 Struct Triproperty { double attribute； double entropy； int * IPointIndex； int IPointNum； int * rPointIndex； int rPointNum；｝； 在数据结构Triproperty中，entropy属性用来记录三角形的特征信息量，表明三角形内的纹理复杂程度，可以通过不同的方式来衡量。如三角形的信息熵、三角形顶点的特征值之和。Attribute属性用来控制匹配传播，当某个三角形的attribute属性值为-1时，影相匹配结束。其他四个属性都是用来建立特征点索引的。 3.2特征点索引 将匹配点动态插入已存在的三角网过程中，匹配点所在的三角形被细分成新的三角形。首先，在该三角网所在影响区域范围内，提取出全部特征点，记录其特征值。然后，对同名三角形内的特征点进行匹配，并对特征点建立三角形索引。具体实现过程为：先建立三角形属性数组，与预设三角网中的三角形数目大小相同，并且与三角网中的三角形一一对应。再建立初始三角网，通过三角形的最小外接矩形及面积判断法，确定每个三角形内的特征点，并按照其特征值从大到小的顺序，采用快速排序法对其序号排序。最后根据左右两幅影像同名三角形内的特征点数目，对特征点索引分配空间，将排过顺序的特征点序号，分别存储在动态数组IPointIndex和rPointIndex中。 在随后的三角网更新过程中，首先判断出原三角网中被修改的三角形，只需要对原属于这些三角形的特征点重新索引即可。根据新的特征点数对更新的三角形重新分配空间，寻找特征点及排序的过程和初始化索引相同。 3.3三角形优先级 根据三角形约束下匹配方法的原理，某三角形内纹理特征最明显（即特征值最大）的点总是最先匹配成功的，而且先进行特征丰富区域的影像匹配，进而逐步扩展到特征缺乏区域，使位于特征丰富区域的三角形能够约束特征缺乏区域的匹配，从而提高特征缺乏区域的匹配可靠性。从优先级最高（纹理特征最丰富）的三角形开始匹配，涉及两方面的问题。 其一，计算更新三角网后对被修改或新生成的三角形特征信息量。不同灰度的像素点以不同的概率分布填充不同的空间区域，使得不同的影像表现出不同的形状纹理特征，可以用映像的信息熵来描述。对于一个具有n个灰度取值可能g1,g2,……，gn的数字影像，灰度g1出现的概率为p1，则该数字影像的信息熵定义为： H [k] ＝- Σ