《航空摄影法和图像处理.ppt》由会员分享，可在线阅读，更多相关《航空摄影法和图像处理.ppt（77页珍藏版）》请在三一办公上搜索。
1、,第一章 航空摄影法在公路交通调查中的原理,航摄法平均车速航摄法车流密度航摄法车流量,简介：航空摄影测量已经渗透到多种领域和学科，并得到广泛应用。除最常用的地形测量以外，还有军事科学、建筑工程、地质水文勘察、公路、铁路、输电线路、航空工程的勘察设计、自然资源的调查、城市建设规划、公路调查等。,1.1 航摄法平均车速,常规方法 对于公路上车辆的运行速度采用点观测方法，在道路某处取一观测段L，测量车辆在该段的行驶时间T即航摄法 通过测量像片立体模型中同名车的位移量S(m)即,式中：V航为第i辆车的瞬间车速，单位：km/h；S为同名车在t时间在立体模型中的位移量，单位：mm，Sa-b由像素值；M为航
2、空摄影像片的比例尺；t为相邻航片曝光时间间隔，单位：s。,航空法平均车速在公路交通工程中可分为空间平均车速（km/h）和时间平均车速（km/h），航空法空间平均车速是指在航摄时段内全部车辆车速分布的平均值。,N为观测测得车辆数，辆,1.2 车流密度,常规方法定距离、定时间，求车辆数即选一固定长的路段，在某一时刻数出车道的车辆数航摄法 固定相机测出固定长的路段上直接读出行驶的车辆数，观测点（摄影镜头）是固定的。,车流密度反映道路上车辆的密集程序，即某一时刻在单位长度内一个车道或全部车道上的车辆数。,式中：N1、N2为像片立体模型中某路段顺、逆航身车道上的车辆数；L为路段长，m；N为车道上的车辆数
3、；K为双向密度。,设K1、K2分别为像片立体模型中某路段顺、逆航向车流密度（辆/km）,则航摄法车流密度K值可由下式得出：K=K1+K2,1.3 车流量的计算,航摄法 计数方法统计在一定时间内通过摄像机镜头断面的车辆数，可长时间连续观察,设Q1、Q2分别为像片立体模型中某路段顺、逆航向车流量（辆/h）,式中：N1、N2为像片立体模型中某路段顺、逆航身车道上的车辆数；T为测量时间，h；N为车道上的车辆数；Q为双向车流量。,1.4 航摄法优缺点,优点1、不受天气、地点、时间的影响，减少工作量2、是监测城市汽车行驶线、沿线车辆停放以及交叉口交通状况的一种有效手段3、灵活缺点 因影像较小而对车型判读困
4、难,第二章 图像处理,图象处理简介图像灰度化与二值化处理图像操作图像分割,应用领域示例(1)视频通信：可视电话，电视会议，按需电视，远程教育；(2)文字档案：文字识别，过期档案复原，邮件分捡，支票，签名 辫伪，办公自动化；(3)生物医学：红白学球计数，染色体分析、X光、CT、MRI、PET图象分析，医学手术模拟规划，远程医疗；(4)遥感测绘：巡航导弹制导，无人驾驶飞机飞行，精确制导，矿 藏勘探，资源探测，气象预报，自然灾害监测；(5)工业生产：工业检测，工业探伤，自动生产流水线监控，移动 机器人，无损探测，金相分析，印刷板质量检验，精细印刷品缺陷检测；(6)军事公安：雷达图象分析、巡航导弹路径
5、规划/制导，罪犯脸 形合成、识别，指纹、印章的鉴定识别；(7)交通管理：太空探测、航天飞行、公路交通管理。,1、图象处理简介,图象处理对图象的增强以改善图象视觉质量对退化图象的恢复以消除各种干扰的影响根据对场景的多个投影来重建场景的图象对图象进行编码以减少表达图象的数据量，从而有利于存储和传输给图象加入数字水印以保护图象的所有权,Histogram,2、图像灰度化与二值化处理,直方图描述了每个灰度级具有的像素的个数，反映的是图像灰度的统计信息，但丢失了所有这些像素点的空间信息，即像素点的相对位置。因此，任一特定的图像有唯一的直方图，但反之并不成立。,直方图反映的总体性质：明暗程度、细节是否清晰
6、、动态范围大小等,四种典型灰度图像的直方图特征：(a)暗图像；(b)亮图像；(c)低对照度图像；(e)高对照度图像,2.2 直方图的用途：1）数字化参数的选择：,2）边界阈值的选取：,例：,2.3 直方图均衡处理(equalization),用于直方图均衡化的函数s=T(r)必须满足两个条件:T(r)是一个单调递增的单值函数0 T(r)1，对0 r 1;以上s和r；分别表示输入和输出图像的规一化灰度，即在0,1范围可以证明，概率累计分布函数就是所要的直方图均衡函数：,光幻觉是人视觉系统所特有的，迄今还没有清楚的解释。由于以上各种特殊现象，在进行图像处理时，应该采取一些特殊的补偿措施。,2.4
7、图像取样和量化,产生一副数字图像：a)连续图像；b)从A到B的扫描线；c)采样和量化；d)数字扫描线,产生一副二值或非二值图像,数字图像：空间量化+幅值量化,示例：,数字图像表示,坐标定义：,二值图像：,数学表示和大小计算,在某些讨论，尤其是数学计算中，可以用传统的矩阵表示方法来表示数字图像和象素。,通常要求灰度级的是2的整数次幂：L2k,这样一副MN大小的数字图像所需要的存储位数b为：b=M*N*k当一副图像有2k级灰度时，通常称该图像为k位图像。如256级灰度图像就叫8位图像。,空间和灰度/幅度分辨率,空间分辨率：一副图像中可分辨的最小细节，或单位距离可分辨的最少数目的线对。灰度分辨率：可
8、察觉的最小灰度变化（主观的）当实际的物理分辨率测量不必要时，通常就称数字图像的大小为空间分辨率，而灰度级数为灰度分辨率。这样，图像的空间分辨率主要由采样决定，而幅度分辨率主要由量化所决定。且一般都将这些量取作2的整数幂。,图像空间分辨率产生的结果：,注意后5副图像都通过行和列复制的方法重采样到了512512,图象空间分辨率变化所产生的效果,图象幅度分辨率变化所产生的效果,图象空间分辨率变化所产生的效果,图象幅度分辨率变化所产生的效果,空间和幅度分辨率同时变化所产生的效果,2D Translation,t,P,P,3、图象操作,2D Translation using Matrices,P,Sc
9、aling,P,P,Scaling Equation,P,x,y,s.x,P,s.y,Rotation,P,P,Rotation Equations,Counter-clockwise rotation by an angle,*,39,*,40,图像分析：（也叫景物分析或图像理解）可看作是一种描述过程，主要研究用自动或半自动装置和系统，从图像中提取有用测度，数据或信息生成非图的描述或表示。图像分割：将图像中有意义的特征或需要应用的特征提取出来。,*,42,4、图像分割,介绍图像分析的问题，即着眼于找出图像中哪些事物，也即是模式识别问题，主要从统计模式识别来讲（牵涉到）阈值分割边缘分割区域分割
10、,统计模式识别，应用最广认为图像可能包含一个或多个物体，并且每个物体属于若干事先定义的类型、范畴或模式类别之一,对于给定的一幅含有多个物体的数字图像，模式识别的过程由三个阶段组成，如图所示,检测出各种物体，并把他们的图像和其余景物分离,对物体进行度量，即对物体进行定量分析估计,输出仅仅是一种决策，确定每个物体应该归属的类别,4.1 图像分割介绍,定义,将图像分成各具特性的区域，并提取出感兴趣目标的技术和过程,灰度、颜色、纹理,对应单个区域和多个区域,图像处理过渡到图像分析的关键步骤，也是一种基本的计算机视觉技术,借助集合概念进行正式的定义：,令R代表整个图像区域，对R的分割可看做将R分成若干个
11、满足以下条件的非空子集(子区域)R1,R2,R3Rn,基于阈值的分割通过阈值对不同物体进行分割基于边缘的分割先确定边缘象素，并把它们连接在一起，以构成所需的边界基于区域的分割把各象素划归到各个物体或区域中基于运动的分割通过视频物体运动进行分割,4.2 图像分割方法分类,基于阈值的分割,图像阈值分割是一种广泛应用的分割技术，利用图像中要提取的目标物与其背景在灰度特性上的差异，把图像视为具有不同灰度级的两类区域(目标和背景)的组合，选取一个合适的阈值，以确定图像中每个象素点应该属于目标还是背景区域，从而产生相应的二值图像,可以大量压缩数据，减少存储容量，而且能大大简化其后的分析和处理步骤,但是，它
12、对物体与背景具有较强对比的景物的分割很有效，而且总能用封闭连通的边界定义不交叠的区域,设原始图像f(x,y)，以一定的准则在f(x,y)中找出一个合适的灰度值，作为阈值t，则分割后的图像g(x,y)，可由下式表示：,或,另外，还可以将阈值设置为一个灰度范围t1,t2，凡是灰度在范围内的象素都变为1，否则皆变为0，即,某种特殊情况下，高于阈值t的象素保持原灰度级，其它象素都变为0，称为半阈值法，分割后的图像可表示为：,阈值分割图像的基本原理，可用下式表示：,阈值,阈值的选取时阈值分割技术得关键，如果过高，则过多的目标点被误归为背景；如果阈值过低，则会出现相反的情况,由此可见，阈值化分割算法主要有
13、两个步骤：1、确定需要的分割阈值2、将分割阈值与象素值比较以划分象素,在利用阈值方法来分割灰度图像时一般都对图像有一定的假设。最常用的模型：假设图像由具有单峰灰度分布的目标和背景组成，处于目标或背景内部相邻象素间的灰度值是高度相关的，但处于目标和背景交界处两边的象素在灰度值上有很大的差别。如果一幅图像满足这些条件，它的灰度直方图基本上可看作是由分别对应目标和背景的两个单峰直方图混合构成的。,阈值选取方法,直方图阈值分割法类间方差阈值分割法二维最大熵值分割法模糊阈值分割法,简单直方图分割法,图像的灰度级范围为0,1,l-1，设灰度级i的象素数为ni，则一幅图像的总象素N为,N=i=0l-1ni,
14、灰度级i出现的概率定义为：,pi=ni/N,灰度图像的直方图,反映一幅图像上灰度分布的统计特性，成为利用象素灰度作属性的分割方法的基础,60年代中期，Prewitt提出了直方图双峰法，即如果灰度级直方图呈明显的双峰状，则选取两峰之间的谷底所对应的灰度级作为阈值。,注意：应用灰度直方图双峰法来分割图像，也需要一定的图像先验知识，因为同一个直方图可以对应若干个不同的图像，直方图只表明图像中各个灰度级上有多少个象素，并不描述这些象素的任何位置信息。,该方法不适合直方图中双峰差别很大或双峰间的谷比较宽广而平坦的图像，以及单峰直方图的情况。,70年代初，研究工作集中在直方图变换，但无论是直方图还是直方图
15、变换法都仅仅考虑了直方图灰度信息而忽略了图像的空间信息,类间方差阈值分割,这是由Ostu提出的最大类间方差法，又称为大津阈值分割法，是在判决分析最小二乘法原理的基础上推导得出的,具体算法：,设原始灰度图像灰度级为L，灰度级为i的象素点数为ni，则图像的全部象素数为,N=n0+n1+nL-1,归一化直方图，则,pi=ni/N，i=0L-1pi=1,按灰度级用阈值t划分为两类：C0=(0,1,.t)和C1=(t+1,t+2,L-1),因此，C0和C1类的类出现概率及均值层分别由下列各式给出,其中：,可以看出，对任何t值，下式都能成立：,C0和C1类的方差可由下式求得：,定义类内方差为：,类间方差为
16、：,总体方差为：,引入关于t的等价判决准则：,类间/类内,三个准则是等效的，把使C0,C1两类得到最佳分离的t值作为最佳阈值，因此，将(t)、(t)、(t)定义为最大判决准则。,由于w2是基于二阶统计特性，而B2是基于一阶统计特性，它们都是阈值t的函数，而T2与t值无关，因此三个准则中(t)最为简单，因此选其作为准则，可得到最佳阈值t*,基于边缘的分割,先检测不连续的点，然后将点连接成边界点检测线检测边缘检测,无论哪种方法，其处理过程为 R=w1z1+w2z2+w9z9=S wkz其中 zk 是 与模板系数wk相联系的灰度级象素 R代表模板中心象素的值,w1,w2,w3,w6,w9,w8,w7
17、,w4,w5,边缘检测,两个具有不同灰度值得相邻区域之间总存在边缘,边缘是灰度值不连续的结果，这种不连续常可利用求导数方便的检测到，一般常用一阶和二阶导数来检测边缘,常见的边缘剖面图有三种，如图所示,图像,水平方向剖面,一阶导数,二阶导数,阶梯状处于图像中2个具有不同灰度值的相邻区域之间,脉冲状对应细条状的灰度值突变区域,屋顶状上升下降沿都比较缓慢,一阶导数在图像由暗变明的位置处有1个向上的阶跃，而其它位置都为0，这表明可用一阶导数的幅度值来检测边缘的存在，幅度峰值一般对应边缘位置,二阶导数在一阶导数的阶跃上升区有1个向上的脉冲，而在一阶导数的阶跃下降区有1个向下的脉冲，在这两个脉冲之间有1个
18、过0点，它的位置正对应原图像中边缘的位置，所以可用二阶导数的过0点检测边缘位置，而用二阶导数在过0点附近的符号确定边缘象素在图像边缘的暗区或明区,对(a、b)而言,对(c)而言，脉冲状的剖面边缘与(a)的一阶导数形状相同，所以(c)的一阶导数形状与(a)的二阶导数形状相同，而它的2个二阶导数过0点正好分别对应脉冲的上升沿和下降沿，通过检测脉冲剖面的2个二阶导数过0点就可确定脉冲的范围,对(d)而言，屋顶状边缘的剖面可看作是将脉冲边缘底部展开得到，所以它的一阶导数是将(c)脉冲剖面的一阶导数的上升沿和下降沿展开得到的，而它的二阶导数是将脉冲剖面二阶导数的上升沿和下降沿拉开得到的，通过检测屋顶状边
19、缘剖面的一阶导数过0点，可以确定屋顶位置,主要介绍以下几种边缘检测算子（1）梯度算子（2）方向算子（3）拉普拉斯算子（4）马尔算子（5）综合正交算子（6）坎尼算子,梯度算子,梯度对应一阶导数，梯度算子是一阶导数算子，在边缘灰度值过渡比较尖锐且图像中噪声比较小时，梯度算子效果好。,对1个连续图像函数f(x,y)，它在位置(x,y)的梯度可表示为1个矢量：,这个矢量的幅度(也常直接简称为梯度)和方向角分别为：,有时用其它方式计算幅度，如：,上面各式中的偏导数都需对一个象素位置计算，在实际中，常用小区域模板进行卷积近似计算,梯度运算比较复杂一点，在数字图像梯度运算过程中，可以按图像内容试用一些近似运
20、算，以获得既能满足要求又能使运算简单的方法。对于数字图像，可用一阶差分代替一阶微分,在数字图像中，还经常使用Robert和Sobel等算子检测边缘,Robert梯度采用的是对角方向相邻两象素之差，即,1,-1,1,1,Roberts模板,Sobel梯度算子先做加权平均，然后再微分，即,-1,1,1,1,-1,-1,1,1,1,-1,-1,-1,Prewitt模板,-1,1,2,1,-1,-2,1,2,1,-1,-2,-1,Sobel模板,水平,水平,垂直,垂直,Sobel算子是常用的，而且效果较其它两种算子好,实例,原图,水平方向,垂直方向,梯度,f|Gx|+|Gy|,Sobel算子,Robe
21、rts算子,Prewitt算子,原图,基于区域的分割,图像分割把图像分解为若干个有意义的子区域，而这种分解基于物体有平滑均匀的表面，与图像中强度恒定或缓慢变化的区域相对应，即每个子区域都具有一定的均匀性质前面所讨论的边缘、阈值，没有明显使用分割定义中的均匀测度度量区域分割直接根据事先确定的相似性准则，直接取出若干特征相近或相同象素组成区域常用的区域分割区域增长(区域生长)、区域分裂合并方法等,这种方法简单，但由于仅考虑了从一个象素到另一个象素的特性是否相似，因此对于有噪声的或复杂的图像，使用这种方法会引起不希望的区域出现。另外，如果区域间边缘的灰度变化很平缓，如图a所示，或者对比度弱的两个相交
22、区域，如图b所示，采用这种方法，区域1和区域2将会合并起来，从而产生错误,（1）设灰度差的阈值为0，用上述方法进行区域扩张，使灰度相同象素合并（2）求出所有邻域区域之间的平均灰度差，并合并具有最小灰度差的邻接区域（3）设定终止准则，通过反复进行上述步骤2中的操作将区域依次合并，直到终止准则满足为止,区域1,区域2,(a),区域2,区域1,(b),单连接区域增长技术,运动图像分割,随着多媒体技术的发展，视频图像得到广泛应用，由一系列时间上连续的2-D图像组成从空间分割的角度来看，视频图像分割主要是希望把其中独立运动的区域(目标)逐帧检测处理从时间分割的角度来看，主要是把连续的序列分解为时间片断,这两种都同时利用时域信息(帧间灰度等的变化)和空域信息(帧内灰度等的变化),运动图像的分割可直接利用时-空图像的灰度和梯度信息进行分割，也可采用在两帧视频图像间估计光流场，然后基于光流场进行。前者称为直接方法，后者称为间接方法,在应用视觉系统中，检测运动目标常用差分图像的方法，一般有两种情况一是当前图像与固定背景图像之间的差分称为减背景法，二是当前连续两幅图像(时间间隔)之间的差分称为相邻帧差分法,
