数字摄影测量 匹配预处理 项目三 任务2 匹配预处理--电子教案.docVIP

测绘地理信息技术专业教学资源库 8 - 《数字摄影测量》电子教案 学习任务二 匹配预处理 1 教案头 表1 学习任务二教案头 单元名称：匹配预处理 学时：4 项目 项目三 数字高程模型生成 学习型工作任务 匹配预处理 教学目标 知识目标 技能目标 态度目标 1.掌握影像特征的分类 2.掌握影像特征的提取原理及目的 1.会点特征提取 2.会线特征提取 3.会面特征提取 1.培养安全、正确操作实训设备的习惯； 2.培养严谨、细心的做事风格； 3.培养分析问题、解决问题的意识。 能力训练任务 及案例 训练任务：影像特征提取 案例：一人一台计算机，根据已有核线影像文件，利用virtuozo软件完成测区内模型点、线和面特征提取。 教学重点 教学难点 重点：影像特征的分类；点特征、线特征的灰度特征。 难点：线特征提取方法；面特征的提取方法。 教学方法、手段 案例教学、边讲边练 教学组织形式 教师讲解、学生训练、教师辅导 教学条件 装有virtuozo软件平台教学版的计算机；多媒体设备；核线影像文件 作 业 学习任务书 备 注 2 教学内容 对一幅数字影像，我们最感兴趣的是那些非常明显的目标，而要识别这些目标，必须借助于提取构成这些目标的所谓影像的特征。特征提取是影像分析和影像匹配的基础，也是单张影像处理的最重要的任务。特征提取主要是应用各种算子来进行。 特征提取算子又可分为点特征提取算子与线特征提取算子，而面状特征主要是通过区域分割来获取。 对数字影像中的明显目标，我们不仅要识别它们，还需要确定它们的位置。在数字摄影测量中，特征的定位是利用特征定位算子进行的，它分为圆状特征点的定位算子与角点的定位算子，这就是自动化的“单像量测”。 （一）影像信息量与特征 （1）信息量 信息或不确定性，是基本随机事件发生概率的实值函数。通常，信息测度也称为熵。影像的熵就是它的信息量的度量。 熵有多种定义，常用的四种分别就是Shannon-Wiener熵、条件熵、平方熵与立方熵。 对一个具有n个灰度值g1，g2，…，gn的数字影像，灰度gi出现的概率为pi，该数字影像的Shannon-Wiener熵定义为 其中灰度概率pi可近似取为灰度的频率：pi=fi / N 其中fi为灰度gi的频数；N为影像像素的总数，即灰度值总数 ；k是一适当的常数。 一幅影像的熵是整副影像的信息度量，它可用于影像的编码，从而对影像进行压缩，而不能对影像的特征进行描述。但是影像局部区域的熵（可称为影像的局部熵）是该局部区域信息的度量，可反映影像的特征存在与否。 （2）比特分割 由于在影像数字化时，像元灰度量化为256个灰度等级，即8个比特，比特分割就是用于确定哪几位比特是信号，哪几位是噪声。 比特分割：就是将量化后的数据分成不同的比特位，依次取出某一比特位上的值（0或1）形成二值图像。 比特分割的步骤：A.直方图分析；B.灰度值移位和压缩；C.比特分割；D.比特合成；E.排除量化噪声。 （3）影像特征 影像特征是由于景物的物理与几何特征使影像中局部区域的灰度产生明显变化而形成的。因而特征的存在意味着在该局部区域中有较大的信息量，而在数字影像中没有特征的区域，应当只有较小的信息量。 理论上，特征是影像灰度曲面的不连续点。在实际影像中，由于点扩散函数的作用，特征表现为在一个微小邻域中灰度的急剧变化，或灰度分布的均匀性，也就是在局部区域中具有较大的信息量，则认为该像素是一个特征，如图3-2-1 点特征主要指明显点，如角点，原点等。 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，也就是距离很小的一对边缘构成一条线。 图3-2-1 （二）点特征提取算子 提取点特征的算子称为兴趣算子或有利算子，即运用某种算法从影像中提取我们所感兴趣的，即有利于某种目的的点。现已提出了一系列算法各异，且具有不同特色的兴趣算子，比较知名的有Moravec算子、Hannsh算子等。 Moravec算子于1977年提出利用灰度方差提取点特征的算子，其步骤为： （1）计算各像元的兴趣值IV。在以像素（c,r）为中心的w×w的影像窗口中，计算四个方向相邻像素灰度差的平方和。 （2）给定一经验阀值，将兴趣值大于该阀值的点（即兴趣值计算窗口的中心点）作为候选点。 （3）选取候选点中极值点作为特征点，在一定大小的窗口内将候选点中兴趣值不是最大者均去掉，仅留下一个兴趣值最大者，该像素即为一个特征点。 图3-2-2 （三）线特征提取算子 常用方法有差分算子、拉普拉斯算子、LOG算子等。由于各种差分算子均对噪声较敏感（即提取的特征并非真正的特征，而是噪声