第十一讲 影像采样和特征提取 摄影测量基础 教学课件.pptVIP

第十一讲 数字摄影测量 主要内容 数字影像采样 影像重采样理论 核线的重排列（重采样） 影像的特征提取——点、线 影像的特征定位——点 数字影像采样 采样 对实际连续函数模型离散化的量测过程 样点 被量测的“点”是小的区域----像素 采样间隔 矩形的长与宽通常称为像素的大小 卷积 定义 函数f 与g 的卷积记作 ，它是其中一个函数翻转并平移后与另一个函数的乘积的积分，是一个对平移量的函数。 积分区间取决于f 与g 的定义域。 对于定义在离散域的函数，卷积定义为 影像的特征提取 Harris 算子提取角点特征 由Chiris Harris 和Mike Stephens在H.Moravec算法的基础上发展而来，通过影像的自相关矩阵M的角点提取特征。 又称Plessey算法 M的特征值是自相关函数的一阶曲率，如果两个曲率都高，就认为角点。 Harris 算子提取角点特征 (1) Harris算子用高斯函数代替二值窗口函数,对离中心点越近的像素赋于越大的权重，以减少噪声影响。 (2) Moravec算子只考虑了45度方向，Harris算子用Taylor展开来近似任意方向。 (3)Harris采用了一种新的角点判定方法。 矩阵M的两个特征向量l1和l2与矩阵M的主曲率成正比。Harris利用l1, l2来表征变化最快和最慢的两个方向.若两个都很大就是角点,一个大一个小就是边缘,两个都小就是在变化缓慢的图像区域. Harris 算子提取角点特征 Harris 算子提取角点特征 Harris 算子提取角点特征 但是解特征向量需要比较多的计算量,且两个特征值的和等于矩阵M的迹，两个特征值的积等于矩阵M的行列式。所以用下式来判定角点质量。(k常取0.04-0.06) 步骤 1 在n*n窗口内，对每个点计算一阶差分，解得x，y方向的梯度gx，gy 2 对梯度值进行高斯滤波，卷积模板中 3 计算M值，I值 4抑制局部非极大 Harris 算子 Harris算子对灰度的平移是不变的,因为只有差分，对旋转也有不变性，但是对尺度很敏感,在一个尺度下是角点, 在在另一个尺度下可能就不是了. Harris 算子 其优点总结起来有: ①计算简单:Harris 算子中只用到灰度的一阶差分以及滤波,操作简单。 ②提取的点特征均匀而且合理:Harris 算子对图像中的每个点都计算其兴趣值,然后在邻域中选择最优点。 ③稳定:Harris算子的计算公式中只涉及到一阶导数，因此对图像旋转、灰度变化、噪声影响和视点变换不敏感,是比较稳定的一种点特征提取算子。 Harris 算子的局限性有： ①它对尺度很敏感，不具有尺度不变性。 ②提取的角点是像素级的。 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]. Wong-Trinder园点定位算子 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）与园度 r. 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 Hough变换 图像空间 参数空间 正弦曲线共线 映射 正弦曲线 （?，?） 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 （2）计算l?l（如5?5或更大）窗口中灰度的协方差矩阵 （3）计算兴趣值q与w DetN代表矩阵N之行列式 trN代表矩阵N之迹 (4）确定待选点 当 同时 ，该像元为待选点 （5）选取极值点 即在一个适当窗口中选择最大的待选点 线特征提取算子 线特征是指影像的“边缘”与“线” “边缘”可定义为影像局部区域特征不相同的那些区域间的分界线，而“线”则可以认为是具有很小宽度的其中间区域具有相同的影像特征的边缘对 常用方法有差分算子、拉普拉斯算手、LOG算子等 房屋的提取 道路的提取 线的灰度 特征 一、微分算子 1．梯度算子 差分算子 对于一给定的阈值T，当时，则认为像素（i，j）是边缘上的点。 近似 1 -1 1 -1 Roberts梯度算子 1 -1