精选5.2 5.3特征的提取.pptVIP

Roberts Prewitt * Canny Laplacian of Gaussian * Sobel Roberts Prewitt Canny Laplacian of Gaussian 原始图像 * 各种算子比较 (1)Roberts算子边缘定位精度较高，但容易丢失一部分边缘，对噪声敏感。适应于边缘明显而且噪声较少的图像。 (2)Sobel算子和Prewitt算子都是加权平均，有一定的噪声抑制能力。但是Sobel算子和Prewitt算子对边缘的定位不如Roberts算子。而且边缘并不是完全连通的，由一定程度的断开 (3)log算子首先用高斯函数对图像作平滑滤波处理，然后才使用Laplacian算子检测边缘，因此克服了Laplacian算子抗噪声能力比较差的缺点，但是在抑制噪声的同时也可能将原有的比较尖锐的边缘也平滑掉了，造成这些尖锐边缘无法检被测到。 (4)Canny算子具有方向性（并不只是简单的进行梯度运算来决定像素是否为边缘点，在决定一个像素是否为当前边缘点时，需要根据当前像素及前面处理过的像素来进行判断。）由于Canny算子具有独特的性能，使得其边缘检测和定位的结果要优于上述提到的其他的任何算子。 * Hough变换 用于检测图像中直线、圆、抛物线、椭圆等 图像空间 * 对于影像空间直线上任一点(x，y）变换将其映射到参数空间(?，?)的一条正弦曲线上 * 图像空间 参数空间 正弦曲线共线 映射 正弦曲线 * Hough变换步骤 对影像进行预处理提取特征并计算其梯度方向. 将(?，?)参数平面量化，设置二维累计矩阵H(?i，?j). 边缘细化，即在边缘点的梯度方向上保留极值点而剔除那些非极值点. 对每一边缘点，以其梯度方向?为中心，设置一小区间[?-?o，?+?o]. * （?，?） 取累计矩阵中备选点中的极大值点为所需的峰值点，即所检测直线的参数。 Hough变换 对累计矩阵进行阈值检测，将大于阈值的点作为备选点. * * 定位算子 数字影像上明显目标主要是指地面上明显地物在影像上的反映，或者是数字影像自身的明显标志，例如道路、河流的交叉口、田角、房角、建筑物上的明显标志、影像四角上的框标、地面人工标志点等等 * Wong-Trinder圆点定位算子 利用二值图像重心对圆点进行定位 . 利用阈值T＝（最小灰度值十平均灰度值）/2将窗口中的影像二值化 . 计算目标重心坐标（x，y）与圆度 r. * 内定向 * p＋q阶原点矩与中心矩 Wong-Trinder圆点定位算子 当r小于阈值时，目标不是园；否则园心为（x，y） * Trinder 改进算子 算子受二值化影响，误差可达0.5像素。 定位精度可达0.01像素，这种算法只对圆点定位 原始灰度 * Forstner定位算子 Forstner定位算子是摄影测量界著名的定位算子 ?最佳窗口由Forstner特征提取算子确定 ? 以原点到窗口内边缘直线的距离为观测值，梯度模之平方为权，在点(x,y)处可列误差方程： * Forstner定位算子 最佳窗口选择 最佳窗口内加权重心化 窗口内像元的加权重心 * 高精度角点与直线定位算子 ? 梯度算子的误差 随机误差 Roberts梯度 梯度方向代替直线方向存在不容忽视的模型误差，Hough变换等使用梯度方向的方法不可能达到很高的精度。 * ? 数学模型 高精度角点与直线定位算子 一维边缘的成像为刀刃曲线 线扩散函数 影像的梯度 线性化误差方程 * 其中 该平差模型不采用梯度的方向，而是采用梯度的模为观测值 高精度角点与直线定位算子 a0,k0,?0与?0为参数的近似值 * Roberts梯度 高精度角点与直线定位算子 误差 单位权中误差为 噪声误差 * ?初值 Hough变换确定直线参数初值?0，?0。 (x0,y0)为直线附近任一点的坐标 ?是梯度的最大值 高精度角点与直线定位算子 * 高精度角点与直线定位算子 ?粗差的剔除 采用选权迭代法，使粗差在平差的过程中自动地被逐渐剔除 * ? 窗口 精确定位窗口在粗定位矩形窗口中确定。 ? 角点定位 高精度角点与直线定位算子 * 理论定位精度为0.02像素 ?理论精度 单位权中误差 直线参数?，?的协因素阵 两直线参数的协方差阵 * 特征的提取与定位算法 * 主要内容 特征的提取 ? 特征点的提取算法 ? 特线的检测方法 特征的定位算法 * 点特征提取算法 点特征主要指明显点，提取点特征的算子称为兴趣算子或有利算子 * * 点特征的灰度特征 * Moravec算子 Moravec于1977年提出利用灰度方差提取点特征的算子 r c * （1）计算各像元的