摄影测量学read.ppt

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 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. Roberts Prewitt Canny Laplacian of Gaussian Sobel Roberts Prewitt Canny Laplacian of Gaussian 原始图像 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 （?，?） 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 * * 《摄影测量学》（下）第二章 武汉大学 遥感信息工程学院 摄影测量教研室 / “测绘同仁”搜集,版权归原权利人所有 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）计算各像元的兴趣值 IV （2）给定一经验阈值，将兴趣值大于阈值的点作为候选点。 确定窗口大小 综上所述，Moravec算子是在四个主要方向上，选择具有最大――最小灰度方差的点作为特征点。 （3）选取候选点中的极值点作为 特征点。 Forstner算子 计算各像素的Robert’s梯度和像素（c，r）为中心的一个窗口的灰度协方差矩阵，在影像中寻找具有尽可能小而接近圆的误差椭圆的点作为特征点。 （l）计算各像素的Robert’s梯度 Forstner算子步骤 （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 1 -1 方向差分算子 直线与边缘的方向 ? Sobel算子 考察它上下、左右邻点灰度的加权差。与之接近的邻点的权大： i, j 1 0 -1 1 0 -1 1 0 -1 1 1 1 0 0 0 -1 -1 -1 Prewitt算子与Sobel算子 1 0 -1 2 0 -2 1 0 -1 1 2 -1 1 0 -1 1 -2 -1 加大模扳抑制噪声 Prewitt算子 Sobel 算子 二阶差分算子 1．方向二阶差分算子 i, j i, j 方向二阶差分算子 i, j 拉普拉斯算子（Laplace） i, j 拉普拉斯算子（Laplace） 卷积核掩膜 取其符号变化的点，即通过零的点为边缘点，因此通常也称其为零交叉（zero-Crossing）点 高斯一拉普拉斯算子（LOG） 首先用高斯函数先进行低通滤波，然后利用拉普拉斯算子进行高通滤波并提取零交叉点， 高斯函数 低通滤波 边缘提取 高斯一拉普拉斯算子（LOG） LOG算子以为卷积核，对原灰度函数进行卷积运算后提取零交叉点为边缘 Sobel 边缘检测算子比较结果 *