《特征的提取与定位算法.ppt》由会员分享，可在线阅读，更多相关《特征的提取与定位算法.ppt（53页珍藏版）》请在三一办公上搜索。
1、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,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
2、各像素的Roberts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Roberts梯度,Forstner算子步骤,（2）计算ll（如55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
3、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,Roberts梯度算子,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：,Prewitt算子与Sobel算子,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,方向二阶差分算子,拉普拉斯算子（Laplace）,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
4、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,Roberts,Prewitt,Canny,Laplacian of Gaussian,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
5、,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
6、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,pq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：,Fo
7、rstner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,
