第十三讲 高级匹配 摄影测量基础 教学课件.pptVIP

第十三讲 高级匹配理论 主要内容 最小二乘匹配 特征匹配 二、特征匹配 特征匹配的概念 基于特征点的影像匹配策略 跨接法影像匹配 计算最佳匹配的点位 .可用梯度的平方为权，在左方影像窗口内对坐标作加权平均： 匹配精度取决于影像灰度的梯度 为了进一步提高其可靠性与精度，例如，附带共线条件的最小二乘相关以及与VLL法结合的最小二乘影像匹配方法都得了广泛的研究 最小二乘影像匹配的精度 最小二乘匹配算法，则可以根据法方程式系数矩阵的逆矩阵，同时求得其精度指标 n为目标区像元个数。由于上式右边是的无偏估计，所以 信噪比 方差 相关系数与信噪比之间的关系 影像匹配的精度与相关系数有关，相关系数愈大则精度愈高。它与影像窗口的“信噪比”有关，信噪比愈大，则匹配的精度愈高。 可以得到一些很重要的结论： 影像匹配的精度还与影像的纹理结构有关，即与 有关。特别 是当愈大，则影像匹配精度愈高。当 ，即目标窗口内灰度没有变化时，则无法进行影像匹配。 特征匹配 以影像的灰度分布为影像匹配的基础，被称为灰度匹配（Area Based Image Matching） 特征匹配（Feature Based Matching，在计算机界也称为 Primitive Based Matching）。 * * 一、最小二乘影像匹配 德国Ackermann教授提出了一种新的影像匹配方法——最小二乘影像匹配（least Squares Image Matching） 影像匹配可以达到1/10甚至1/100像素的高精度 优点如下 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，从而可以进行整体平差。 解决“单点”的影像匹配问题，以求其“视差”；也可以直接解求其空间坐标 同时解决“多点”影像匹配或“多片”影像匹配 引入“粗差检测”，从而大大地提高影像匹配的可靠性 最小二乘影像匹配原理 “灰度差的平方和最小” 仅仅认为影像灰度只存在偶然误差 按?vv＝min原则进行影像匹配的数字模型。若在此系统中引入系统变形的参数，按 ?vv＝min的原则，解求变形参数，就构成了最小二乘影像匹配系统。 灵活,可靠和高精度是优点, 缺点是，如当初始值不太准时，系统的收敛性等问题有待解决。 辐射畸变 ?照明及被摄影物体辐射面的方向 ?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等 影像灰度的系统变形有两大类：辐射畸变；几何畸变。 几何畸变 摄影机方位不同所产生的影像的透 视畸变 影像的各种畸变 由于地形坡度所产生的影像畸变等竖直航空摄影的情况下，地形高差则是几何畸变的主要因素。 在影像匹配中引入这些变形参数，同时按最小二乘的原则，解求这些参数，就是最小二乘影像匹配的基本思想。 仅考虑辐射的线性畸变的最小二乘匹配——相关系数 误差方程： 按?vv＝min的原理，可得法方程式 假定对g1，g2已作过中心化处理 即： 消除了两个灰度分布的系统的辐射畸变后，其残余的灰度差的平方和为 相关系数与?vv的关系 相关系数 ?vv是噪声的功率 ?g12为信号的功率 以“相关系数最大”作为影像匹配搜索同名点的准则，其实质是搜索“信噪比为最大”的灰度序列 信噪比 相关系数与信噪比之间的关系 影像匹配的主要目的是确定影像相对移位，传统的算法采用目标区相对于搜索区不断地移动一个整像素，搜索最大相关系数的影像区中心作为同名像点 。 在最小二乘影像匹配算法中，可引入几何变形参数，直接解算影像移位，这是此算法的特点。 仅考虑影像相对移位的一维最小二乘匹配 假设两个一维灰度函数g1(x), g2(x),除随机噪声外，g2(x)相对于g1(x)只存在零次几何变形——移位量?x。 误差方程式 离散的数字影像而言，灰度函数的导数g,2(x)可由差分代替 为解求相对移位量?x，需上式进行线性化 最小二乘影像匹配是非线性系统，必须进行迭代。迭代过程收敛的速度取决于初值。 误差方程式可写为 解得影像的相对移位 单点最小二乘影像匹配 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 x2 y2 灰度畸变+几何变形 几何变形 经线性化后误差方程式 dh。，dh1， da0，···,db2是待定参数的改正值，它们之初值分别为 h0 = 0； h1 = 1；a0 = 0；a1 = 1；a2 = 0； b0 = 0；b1 = 0； b2 = 1 在数字影像匹配中，灰度均是按规则格网排列的离散阵列，且采样间隔为常数?，可被视为单位长度，上式中的偏导数均用差分代替： 几何改正 重采样 辐射畸变改正 是否迭代 计算最佳