特征的提取与定位教程.ppt

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 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]. （?，?） 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 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. 内定向 p＋q阶原点矩与中心矩 Wong-Trinder园点定位算子 当r小于阈值时，目标不是园；否则园心为（x，y） Trinder 改进算子 算子受二值化影响，误差可达0.5像素。 定位精度可达0.01像素，这种算法只对圆点定位 原始灰度 Forstner定位算子 Forstner定位算子是摄影测量界著名的定位算子 ?最佳窗口由Forstner特征提取算子确定 ? 以原点到窗口内边缘直线的距离为观测值，梯度模之平方为权，在点(x,y)处可列误差方程： Forstner定位算子 最佳窗口选择 最佳窗口内加权重心化 窗口内像元的加权重心 高精度角点与直线定位算子 ? 梯度算子的误差 随机误差 Roberts梯度 梯度方向代替直线方向存在不容忽视的模型误差，Hough变换等使用梯度方向的方法不可能达到很高的精度。 ? 数学模型 高精度角点与直线定位算子 一维边缘的成像为刀刃曲线 线扩散函数 影像的梯度 线性化误差方程 其中 该平差模型不采用梯度的方向，而是采用梯度的模为观测值 高精度角点与直线定位算子 a0,k0,?0与?0为参数的近似值 Roberts梯度 高精度角点与直线定位算子 误差 单位权中误差为 噪声误差 ?初值 Hough变换确定直线参数初值?0，?0。 (x0,y0)为直线附近任一点的坐标 ?是梯度的最大值 高精度角点与直线定位算子 高精度角点与直线定位算子 ?粗差的剔除 采用选权迭代法，使粗差在平差的过程中自动地被逐渐剔除 ? 窗口 精确定位窗口在粗定位矩形窗口中确定。 ? 角点定位 高精度角点与直线定位算子 理论定位精度为0.02像素 ?理论精度 单位权中误差 直线参数?，?的协因素阵 两直线参数的协方差阵 特征的提取与定位算法 《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 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 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，