线特征的提取与定位算法课件

单击此处编辑母版标题样式,*,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,线特征的提取与定位算法,摄影测量学,山东交通学院,测绘教研室,主要内容,特征的提取,特征点的提取算法,特征线的检测方法,特征的定位算法,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、拉普拉斯算子、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G,i,j,T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）(高通滤波),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,Roberts,Prewitt,Canny,Laplacian of Gaussian,Sobel,Roberts,Prewitt,Canny,Laplacian of Gaussian,原始图像,特征分割法,影像段有三个特征点组成：一个灰度梯度最大点和两个突出点。,三个特征点的像素号与两突出点的灰度差为描述此特征的四个特征参数。,Hough变换,用于检测图像中直线、圆、抛物线、椭圆等,图像空间,Hough变换的基本思想,xy平面上的任意一条直线,y=ax+b,，对应在参数ab平面上都有一个点；,过xy平面一个点(x,y)的所有直线，构成参数ab平面上的一条直线。,a,b,a,b,Hough变换的基本思想,如果点(x,1,y,1,)与点(x,2,y,2,)共线，那么这两点在参数ab平面上的直线将有一个交点,在参数ab平面上相交直线最多的点，对应的xy平面上的直线就是我们的解,a,b,y,x,(x,1,y,1,),(x,2,y,2,),a,b,a,b,A,Hough变换算法实现,由于垂直直线a,为无穷大，我们改用极坐标形式：xcos,+ysin,=,参数平面为,，对应不是直线而是正弦曲线；,使用交点累加器，或交点统计直方图，找出相交线段最多的参数空间的点；,然后找出该点对应的xy平面的直线线段。,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）与圆度,r.,内定向,p,q,阶原点矩与中心矩,Wong-Trinder圆点定位算子,当,r,小于阈值时，目标不是圆；否则圆心为（,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,a,0,k,0,0,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,。,(x,0,y,0,),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,x,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,