数字摄影测量论文典型点特征提取算法研究精品.docxVIP

典型点特征提取算法研究摘要：立体像对的自动匹配和目标的自动识别是当代摄影测量研究的一大热点，而特征提取是自动匹配和目标识别的前提。特征提取包含点特征提取、线特征提取和面特征提取，本文主要研究和实现了Moravec算子、 Forstner算子和Harris算子这三种基本的点特征提取算法。通过编程实现，对三种点特征提取算子的效果和优缺点做了比较分析。关键词：点特征提取，Moravec算子，Fostner算子，Harris算子前言当代摄影测量与传统摄影测量的根本区别在于数据处理的自动化或半自动化，如：数据的自动获取，影像自动纠正，影像自动匹配和影像自动拼接等【1】。这些自动化的前提是对影像特征的自动提取。影像的特征一般可以分为点特征、线特征、面特征三类。在同名点匹配、DEM（和DSM）密集点云生成中最重要的是点特征的提取和精度定位。点特征是指在影像上最基本的特征，是一种表征影像局部特性的位置度量，可以用来作为影像中具有一定特征的局部区域的位置标示【2】。通俗来讲点特征可以定义为那些灰度在多个方向都有较大变化的点，如圆点、角点等。提取点特征的算子一般被称为兴趣算子或有利算子。在各种文献中，人们根据不同的出发点和目的提出了多种特征提取的兴趣算子。而这些兴趣算子根据它们性质又大致可以分为三类【3】【4】。第一类是基于模板匹配的算子：通过计算一个固定的特征点模板与所有图像子窗口的相似性，以相似程度来判断某一象元是否为特征点，这种方法计算量较大，比较耗费时间。第二类是基于图像边缘特征的算子：通过先对图像的边缘轮廓进行提取，然后通过边界上方向变化的快慢来判断特征点，这种方法的效果依赖于图像边缘提取的效果，计算复杂度高。第三类是基于影像灰度的算子：影像的灰度是对地物的反射信号的数字化记录，因此类比于信号处理，通过对影像局部灰度变化的计算来找到信号有较大变化的点，这样的点就是所寻找的特征点，这种基于灰度的方法计算简单，因而使用较为普遍。角点在特征点中更为常见，在实际图像中一般位于轮廓的拐角、直线的交点、直线的端点等位置。其类型大致可分为：L型交叉点、T型交叉点、Y型交叉点、X型交叉点、箭型交叉点（如下图0.1所示）。本文中主要研究和实现了几种最常见的点特征提取算子：Moravec算子、Forstner算子和Harris算子。主要的提取目标为角点，并通过标准图像（如下图0.2所示）来对三种点特征提取算子的提取效果作比较。（图0.1 典型角点）算法原理和实现Moravec算子Moravec于1977年提出利用灰度方差提取点特征，这就是Moravec算子，它属于第三类基于影像灰度的算子。Moravec算子通过计算各像素四个主要方向（即：0度方向、45度方向、90度方向、145度方向（如图1.1所示））上面灰度的差平方和，并且选取灰度差平方和中的最小值为该点的角点响应函数值或称兴趣值（IV），然后通过一定的阈值判断，选取兴趣值IV中大于阈值的点做为候选点，最后通过一定的窗口，选择窗口中备选点里的极大值点做为该窗口中的特征点。（图1.1 Moravec算子的四个方向）具体的实现步骤如下：（1）计算各象元的兴趣值IV。在以像素（c，r）为中心的w*w的窗口中，计算该像素四个主要方向相邻像素的灰度差平方和：其中k = INT（w/2），即计算窗口的一半大小。然后取上述四个值的最小值作为该像素的（c，r）的兴趣值：（2）通过经验阈值选取候选点。给定一个经验阈值，将上一步中的到的兴趣值大于该阈值的点作为候选点。此时阈值越小，结果中提取到的特征点越多；阈值越大，结果中提取到的特征点越少。（3）极大值滤波，选出特征点。在一定大小的窗口内（一般不同于兴趣值计算的窗口大小）选取兴趣值中最大的点作为特征点。Forstner算子Forstner算子也是属于第三类利用灰度选取特征点的算子，作为一个可以用于精确定位的特征提取算子，Forstner算子的理论更偏向于误差处理，整体计算过程比Moravec算子要复杂一些。在本文中只考虑算子在提取特征点（即选取最佳窗口）的过程的实现。Forstner算子通过计算各像素的Robert梯度和以像素为中心的一个窗口的灰度协方差矩阵，在影像中寻找尽可能小而接近于圆的误差椭圆的点作为特征点。算法的具体实现步骤如下：（1）计算窗口中灰度的协方差矩阵。其中：分别表示窗口中各像素点的Robert梯度值。（2）计算兴趣值q和w。其中： DetN 表示矩阵N的行列式；trN表示矩阵N的迹。（3）确定候选点。根据经验阈值，选取出候选点。这里的对q和w分别有阈值。（4）选取极值点。在一个适当的窗口里做极大值滤波，以权值w为依据选取极值点，则这样的点就是我们提取的特征点。Harris算子Harris算子也属于第三类利用灰度选取特征点的算子，通过计算与自相关函数相