地图数字化中的影像自动处理技术研究毕业论文.doc

苏州科技学院本科生毕业设计（论文）地图数字化中的影像自动处理技术研究毕业论文目录1.绪论11.1地图数字化背景11.1.1扫描数字化11.1.2手扶跟踪数字化11.1.3栅格矢量化21.2地图数字化的影像自动处理技术发展21.3地图数字化中的影像自动处理技术意义32.地图数字化中的影像自动处理算法和相关知识概述42.1点特征提取42.1.1Moravec算子52.1.2Forstner算子62.1.3Harris角点提取算法72.2线特征提取82.2.1梯度算子92.2.2Robert梯度算子92.2.3Sobel算子102.2.4LOG算子（高斯拉普拉斯算子）112.2.5Canny算子112.3影像匹配132.3.1相关函数（矢量数积）132.3.2协方差函数（矢量投影）142.3.3相关系数（矢量夹角）142.3.4差平方和（差矢量模）152.3.5差绝对值和（差矢量分量绝对值和）152.4数据库关系模型的范式162.4.1第一范式（1NF）162.4.2第二范式（2NF）172.4.3第三范式（3NF）172.4.4BCNF范式173.地图数字化中的影像自动处理技术研究183.1数据预处理193.1.1格式转换193.1.2导入坐标系203.2查找243.2.1全局查找243.2.2线性查找283.2.3基于二值图像的线性查找303.3属性查询343.4地物定位353.5矢量图输出364.空间数据库385.地图数字化精度分析405.1手扶跟踪式数字化误差分析405.2扫描数字化方法的误差分析405.3地图数字化误差原因416.结论41致谢42参考文献43附录1外文参考文献（译文）1附录2外文参考文献（原文）14321. 绪论1.1地图数字化背景地图数字化（mapdigitizing）是将地图图形或图像的模拟量转换成离散的数字量的过程万杉杉地图数字化精度分析J科技资讯，2009(14):49-51。目前的数字化方式有三种，扫描数字化、手扶跟踪数字化、栅格矢量化。如果我们需要整幅的影像可以进行扫描，但是要对某一类图形或是图像进行数字化，就需要进行手扶跟踪数字化、屏幕数字化李志林，朱庆数字高程模型.武汉:武汉大学出版社，2008。传统的地图数字化速度慢、精度低、可靠性差、自动化程度低和劳动强度大等缺点，已远远不能满足当下地理信息系统发展的需要。1.1.1扫描数字化扫描数字化指的是利用图形扫描仪将地图从模拟状态转换成一组阵列式排列的灰度数据(也就是数字影像)孙家广，计算机图形学北京：清华大学出版社，2008。图形扫描仪是直接把图形（如工程图纸）和图像（照片和遥感影像）扫描输入到计算机中，以像素信息进行存储表示的设备。按其所支持的颜色分类，可分为单色扫描仪和彩色扫描仪；按所采用的固态器件又分为电荷耦合器件（CCD）扫描仪、MOS电路扫描仪、紧贴扫描仪等；按扫描宽度和操作方式可分为大型扫描仪、台式扫描仪、和手动式扫描仪。扫描数字化基本步骤：纸质地图，扫描转化，拼接子图块，几何校正，屏幕跟踪矢量化，矢量图合成接边，矢量图编辑，存入空间数据库。1.1.2手扶跟踪数字化将地图放在数字化仪的台面上，用一个带十字丝的游标，手扶跟踪地图，并记录地图特征点的坐标，属性则需要人工按键输入。数字化有两种基本方式：流方式和点方式。流方式数字化是将十字丝置于曲线的起点并向计算机输入一个按流方式数字化的命令，让它以等时间间隔或等距离间隔开始记录坐标，操作员则小心地沿曲线移动十字丝并尽可能地让十字丝经过所有弯曲部分。在曲线的终点或连接点，用命令告诉计算机停止记录坐标。点方式是操作员每按一下记录按钮，标示器所在点的坐标就被输送到计算机。这是地图数字化最常用的记录方式，其优点是操作员可以控制采集特征点，因此可以大大减少非特征点数据。1.1.3栅格矢量化栅格数据的矢量化可以是手工的、半自动的和全自动的。手工式的矢量化是将栅格数据显示在屏幕上，然后对显示在屏幕上的地物进行手工标记和输入属性。半自动化矢量化是由计算机自动跟踪和识别的，当出现错误和计算机无法完成的时候再进行人工干预，这样既可以减轻人工劳动强度，又能使处理软件简单易实现。而全自动化是一种理想状态，不需要任何人工干预。目前主要采用半自动化跟踪方法。1.2地图数字化的影像自动处理技术发展地图数字化最初是通过手扶跟踪数字化和扫描数字化的形式完成的，扫描数字化是全部数字化，没有进行分类、分层数字化；手扶跟踪数字化需要人工一点一点输入，劳动强度很大。现在屏幕矢量化称为主流。将地图扫描，从扫描图像上识别和提取数字地理信息，是地图数字化发展的一种趋势。现在主流的屏幕矢量化软件之一是Mapinfo，通过在栅格化影像地图上通过手工描绘，完成地图的矢量化。与手扶跟踪数字化相比，屏幕矢量化有更大的灵活性，在修改、添加、删除方面有很大的优势。图像自动化处理的最终目的就在于对图像做出描述和理解，从实质上说，图像自动化处理属于人工智能的范畴，包括图像处理、图像识别和结构分析。图像自动化处理目前已被广泛应用到许多领域中，其中雷达图像目标识别以雷达为探测器，主要对卫星、飞机、车辆、舰船、导弹等重要军用图像目标进行自动分类和辨识，识别与分类结果的准确率对指挥和决策有非常重要的参考价值。日后图像自动化处理可能朝着人工智能的方向发展周伟达，智能目标识别与分类北京科学出版社，2010。1.3地图数字化中的影像自动处理技术意义手扶跟踪数字化、屏幕数字化需要很多的时间，但是那些图形都是很规则的，有一定的规律。针对传统地图数字化中速度慢、精度低、可靠性差、自动化程度低和劳动强度大的缺点，采用数字图像的特征提取与图像匹配等技术，完成部分的影像自动化处理，在一定的程度上实现地图自动数字化工作郑家声地图数字化的新途径J测绘通报，2002(3):67。影像自动化处理可以在很大程度上减少工作强度，提高工作效率，减少地图数字化的成本。2. 地图数字化中的影像自动处理算法和相关知识概述特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。至今为止特征没有万能和精确的定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”，同一场景的不同图像所提取的特征应该是相同的。对一幅数字影像，我们最感兴趣的是那些非常明显的目标，而要识别这些目标，必须借助于提取构成这些目标的所谓影像的特征。特征提取是影像分析和影像匹配的基础，也是单幅影像处理的最重要的任务。特征提取主要是用各种算子来进行的。由于特征可分为点状特征、线状特征和面状特征，因而特征提取算子又可分为点特征提取算子与线特征提取算子，而面状特征主要是通过区域分割来获取的。数字影像是一个灰度矩阵g张建清，潘历摄影测量学武汉：武汉大学出版社，2009：（2-1）矩阵的每个元素是一个灰度值，对应着光学影像或实体的一个微小区域，称为像元素或像元或像素（Pixel=Pictureelement）。各像元素的灰度值，代表其影像经采样与量化了的“灰度级”。2.1点特征提取点特征主要指明显点，如角点、原点等。提取点特征的算子称为兴趣算子或有利算子（InterestOperator），即运用某种算法从影像中提取我们所感兴趣的即有利于某种目的的点。现在已提出一系列算法各异、且有不同特色的兴趣算子，比较知名的有Moravec算子与Forster算子等。2.1.1Moravec算子Moravec于1997年提出利用灰度方差提取点的特征的算子，其步骤为：1） 计算各像元的兴趣值。在以像素（c,r）为中心的的影像窗口中，计算图2-1所示四个方向相邻像素灰度差的平方和：（2-2）其中k=INT（W/2）其中最小者作为该像素（c,r）的兴趣值：（2-3）2） 给定一定的经验阀值，将兴趣值大于该阀值的点作为候选点。阀值的选择应以候选点中包括所需要的特征点而又不含有过多的非特征点的原则。3）选取候选点中的极值点作为特征点。图2-1Moravec算子2.1.2Forstner算子该算子通过计算各像素的Robert梯度和像素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。其步骤为：（1）计算各像素的Robert梯度（图2-2）图2-2Forstner算子（2-4）（2）计算窗口中灰度的协方差矩阵。（2-5）（3）计算兴趣值和（2-6）其中代表矩阵N的行列式；代表矩阵N的迹。（4）确定待选点如果兴趣值大于给定的阀值，则该像元为待选点。阀值为经验值，可参考下列值：（2-7）其中为权平均值；为权中值。当，且时，该像元为待选点。（5）选取极值点以权值为依据选择极值点，即在一个适当窗口中选择最大的待选点，而去掉其余的点。由于Forstner算子比较复杂，可首先用一简单的差分算子提取初选点，然后采用Forstner算子在窗口计算兴趣值，并选择备选点最后提取的极值点为特征点。2.1.3Harris角点提取算法Harris角点提取算法是ChrisHarris和MikeStephens在H.Moravec算法的基础上发展出的通过自相关矩阵的角点提取算法，又称plessy算法。这种算子受信号处理中自相关函数的启发，给出与自相关函数的一阶曲率，如果两个曲率值都很高，那么就认为该点是角点特征。（2-8）其中，是方向的梯度，是方向的梯度，为高斯模板，是矩形的行列式，是矩阵的直迹，是默认常数。Harris提取算法的步骤：（1） 首先确定一个大小的影像窗口，对窗口内每一个像素点进行一阶差分运算，求得在方向的梯度；（2） 对梯度值进行高斯滤波，高斯卷积模板的取；（3） 根据公式，计算强度值M；（4） 选取局部极值点，在窗口内取最大值。局部极值点的数目往往很多，也可以根据特征点的数目要求，对所有的极值点排序，根据要求选出兴趣值最大的若干点作为最后的结果。Harris角点给出兴趣值作为衡量角点显著性，可以控制角点提取的输出。在一块区域内，可以按照兴趣值大小输出所需要的角点数目。有些情况下，需要特征点分布均匀，则可以通过网格内最大值抑制实现均匀角点的输出。上述Moravec算子较简单，Forstner算子较复杂，但它能给出特征点的类型且精度也比较高。Harris算子复杂程度介于两者之间，在实际处理过程中很受欢迎的算子之一。2.2线特征提取线特征是指影像的“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，也就是距离很小的一对边缘构成一条线，因此线特征提取算子通常也称边缘检测算子。常用的算法有差分算子、Robert梯度算子、拉普拉斯算子、LOG算子、Canny算子等。2.2.1梯度算子影像处理中最常用的方法就是梯度运算。对一个灰度函数，其梯度定义为一个向量：（2-9）它的两个重要特性是：向量的方向是函数在出最大增加率的方向；的模（2-10）就等于最大增加率。在数字影像中，导数的计算通常用差分予以近似，则梯度算子即差分算子为（2-11）为了简化运算，通常用差分绝对值之和进一步近似为（2-12）对于一给定的阀值，当时，则认为像素是边缘上的点。2.2.2Robert梯度算子Robert梯度算子的定义为：其中：（2-13）（2-14）用差分近似表示导数，则有（2-15）如果仅对某一方面的边缘感兴趣，可利用图2-3所示的方向差分算子进行边缘检测。北东北东东南南西南西西北图2-3方向差分算子2.2.3Sobel算子对数字影像的每一个像素，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：（2-16）即如下加权差分算子：（2-17）取适当的门限，若，则为越界边缘点。2.2.4LOG算子（高斯拉普拉斯算子）由于各种差分算子对噪声很敏感，因而在进行差分运算前应先进行低通滤波。通过理论推导，说明最优低通滤波器的波形近似于高斯函数曲线。如在提取边缘时，利用高斯函数先进性低通滤波，然后再利用拉普拉斯算子进行高通滤波并提取零交叉点，这就是高斯拉普拉斯算子或称为LOG算子。高斯函数为（2-18）则低通滤波结果为（2-19）再经拉普拉斯算子处理得(2-20)不难证明(2-30)即LOG算子以为卷积核，对原灰度函数进行卷积运算后提取的零交叉点为边缘点。2.2.5Canny算子图像边缘是指图像局部区域亮度变化最显著的部分,它是图像分割最重要的依据,也是纹理特征的重要信息源和形状特征分析的基础,因此边缘检测的效果将直接影响到图像的分析、识别和理解边缘检测成为数字图像处理,图像分析和机器视觉领域内的研究重点和难点苏恒阳一种改进的Canny的图像边缘检测算法J计算机仿真，2010（10):242-246。目前,传统的边缘检测方法,一般地可根据模板的大小和元素值的不同有不同的微分算子,如Robert算子、Pewitt算子、LOG算子和Sobel算子等,这些算子虽然易于实现,具有较好的实时性,但由于图像边缘和噪声都是高频信号,边缘信息很容易被噪声污染,所以直接对含有噪声的图像运用梯度算子,可能丢失重要的边缘信息,影响定位精度。由于小波变换具有良好的时频局域化特性及多尺度分析能力,Mallat等人较早提出了基于奇异点检测的小波多尺度边缘检测方法,但传统的小波变换应用于图像边缘检测虽具有较强的理论性,但边缘不连续,抑制噪声能力弱。1986年Canny提出基于最优化算法的边缘检测算子,在实践中得到了较广泛的应用,因为其提出了迄今为止定义最为严格的边缘检测的三个标准,另外就是Canny相对简单,使得整个过程可以在较短的时间内实现。传统的Canny算法利用固定的高、低阈值进行边缘提取,这些参数都是人为确定的,参数对于边缘检测的结果影响很大,对不同的图像缺乏自适应性,而且无法消除局部噪声干扰,在检测出伪边缘的同时还会丢失一些灰度值变化缓慢的局部边缘。Canny算子实现的步骤：（1）图像平滑Canny建议用以下的高斯函数进行图像平滑高斯函数：(2-31)图像卷积：(2-32)其中：是一个尺度参数，越小，则函数越“集中”，即仅在一个很小的局部范围内平滑，越大，则表示图像在一个较大的范围内进行平滑，I(x,y)为原始图像。（2）边缘点定位Canny指出用梯度方向的二阶导数的零交叉作为判别边缘点的准则。若该点满足下列条件，则该点为边缘点：(2-33)其中：为平滑的梯度方向：(2-34)（3）边缘强度若某像素满足边缘定位条件，则该像素的边缘强度为：(2-35)2.3影像匹配影像匹配即通过一定的匹配算法在两幅或多幅影像之间识别同名点的过程。常见的基于像方灰度的影像匹配算法有相关函数法、协方差函数法、相关系数法、差平方和法、差绝对值和法、最小二乘法等，基于物方的影像匹配算法有铅垂线轨迹法（VLL，VerticalLineLocus），另外还有基于像方特征的跨接法影像匹配，金字塔多级影像匹配等等。2.3.1相关函数（矢量数积）g(x,y)与的相关函数定义为:(2-36)若，则为搜索区影像相对于目标区影像的位移参数。对于一维相关应有。离散灰度数据对相关函数的估计公式为:(2-37)若(2-38)则为搜索区影像相对于目标区影像的位移行、列参数。对于一维相关应有。2.3.2协方差函数（矢量投影）协方差函数是中心化的相关函数。与的协方差函数定义为:(2-39)(2-40)(2-41)其中：|D|为D的面积若，则为搜索区影像相对于目标区影像的位移参数。对于一维相关应有。2.3.3相关系数（矢量夹角）相关系数是标准化的协方差函数，协方差函数除以两信号的方差即得相关系数。g(x,y)与的相关系数为:(2-42)(2-43)(2-44)若，则为搜索区影像相对于目标区影像的位移参数。对于一维相关应有。由离散灰度数据对相关系数的估计为：(2-45)考虑到计算工作量，相关系数的实用公式为：(2-46)若，则为搜索区影像相对于目标区影像的位移参数。对于一维相关应有。2.3.4差平方和（差矢量模）g(x,y)与的差平方和为:(2-47)(2-48)若（）（），则为搜索区影像相对于目标区影像的位移行、列参数。对于一维相关应有。两影像窗口灰度差的平方和即灰度向量X与Y之差矢量(2-49)故差平方和最小等于N维空间点Y与点X之距离最小。当N2时，(2-50)2.3.5差绝对值和（差矢量分量绝对值和）与的差绝对值和为:(2-51)离散灰度数据差绝对值和的计算公式为(2-52)若，则为搜索区影像相对于目标区影像的位移行、列参数。对于一维相关应有。两影像窗口灰度差绝对值和即灰度矢量X与Y之差矢量之分量的绝对值之和(2-53)当N=2时，(2-54)是二维平面上以（）为中心，边长为、对角线与坐标轴平行的一个正方形。2.4数据库关系模型的范式关系模式的规范化的任务是降低数据冗余，消除跟新异常、插入异常和删除异常，方便用户使用，简化检索查询统计操作，加强数据独立性詹英，数据库技术与应用北京清华大学出版社，2008。在1970年，E.F.Codd首先提出范式的概念，1974年Boyce和Codd共同提出BCNF。根据满足范式条件的不同，可以分为第一范式（1NF）、第二范式（2NF）、第五范式（5NF）5个等级。范式的级别越高，条件越严格。2.4.1第一范式（1NF）如果定义了一个关系模型R不存在关键字段，并且各字段都是最小的逻辑存储单位，所有属性的值域中每个值都是不可再分的值，则称R是属于第一范式，记为。例如，有关系P（学号，姓名，出生日期，选修课信息（课程号，课程名，学分，教师）该关系存在的属性“选修课信息”不是最小的逻辑存储单位。例如一个新生没有选修任何课程，此时学生基本数据就不能进入数据库。办法是分解属性，使他们仅含单纯值。关系P（学号，姓名，出生日期，课程号，课程名，学分，教师）属于第一范式。2.4.2第二范式（2NF）如果关系模型，则关系中每一个非主关键字段都完全依赖与主关键字段，不能只部分依赖于主关键字的一部分，则称R满足第二范式，记为。关系P可以进一步分解成：P1（学号，姓名，出生日期），学号（姓名，出生日期）P2（学号，课程号，成绩），（学号，课程号）（成绩）P3（课程号，课程名，学分），课程号（课程名，学分）分解后，如果新生没再选选修课程，他的信息也可以存放在关系P中。这样的数据库表是符合第三范式的，消除了数据冗余、更新异常、插入异常和删除异常。但是如果要检索某个学生的课程成绩，需要进行连接操作。2.4.3第三范式（3NF）如果关系模式，且每个非主属性都不传递依赖于R的关键字，则称R属于第三范式，即。也就是说，每个非主属性既不部分依赖，也不传递依赖于关键字。第三范式要求去除传递依赖，例如，关系模式S（学号，姓名，出生日期，年龄），学号为关键字。显然，学号出生日期，出生日期年龄，故学号年龄，因此学生的年龄就传递依赖学号。关系模式S在年龄列存在数据冗余，要消除数据冗余现象，必须使关系模式中不出现传递函数依赖。2.4.4BCNF范式若关系模式，且每个属性都不传递依赖于R的关键字，则称R满足BCNF，记为，是的改进形式。也就是说，所有非主属性对键是完全函数依赖，所有主属性对不包含它的键是完全函数依赖，没有属性完全函数依赖于非键的任何属性属性组。如果，则R必是第三范式；反之，不一定成立。关系模式属于3NF，但不属于BCNF时，在操作时仍然存在插入异常、删除异常等问题，这是由于主属性对键的传递函数依赖引起的。3. 地图数字化中的影像自动处理技术研究关于地图数字化的影像自动处理技术实验流程见图3-1。影像数据数据预处理灰度匹配特征匹配影像自动化处理添加属性数据保存匹配点的坐标保存自动化处理后的图像更新数据库图3-1影像自动处理实验流程图特征提取整个匹配线性匹配二值化导入坐标格式转换影像有遥感影像和地图影像，实验主要是对这两类影像进行数字化，经过数据预处理（格式转换、导入坐标、二值化）后针对这两类影像的数字化方法也有所区别。对于比较规整的地图影像，主要是利用灰度匹配，在灰度匹配上可以采用相关函数（矢量数积）、协方差函数（矢量投影）、相关系数（矢量夹角）和差平方和（差矢量模）；然而在遥感影像上，灰度匹配有很大的局限性，出错率很高所以不能采用简单的灰度匹配，可以先采用点特征提取、线特征提取或边缘特征提取，把遥感影像的信息过滤一下再进行影像匹配可提高影像自动化处理的速度和自动化处理的正确率。点特征提取主要用到了Moravec算子、Forstner算子和Harries角点提取算法；线特征提取主要用到了梯度算子、Robert梯度算子、Sobel算子和LOG算子；边缘特征提取主要用到了Canny算子。为了提高灰度匹配的速度还可以采用线性匹配，即以图标中某一条线进行匹配，但是很多影像都不适用，但是经过二值化处理以后很多将可以适用。完成影像自动处理以后，可以在DataGrid中输入匹配信息的相关属性，保存到SQL数据库中，当点击影像相关区域时，还可以查看到相关信息。最后根据需要保存匹配后的点的坐标和影像。3.1数据预处理为了实验的顺利进行，根据需要可以进行图片的压缩和格式转换。读入影像坐标等。3.1.1格式转换图3-2格式转换图片可以在JPG、GIF、BMP、PNG、TIFF进行转换。格式转换通过选项设置中的四种方式进行缩放，分别是：（1） 以宽度为准进行等比缩放；（2） 以高度为准进行等比缩放；（3） 自定义尺寸进行缩放，可以设置图片的高度和宽度还有清晰度；（4） 保持大小，不进行缩放。导入坐标系本来显示的像素坐标，通过导入影像坐标参数，通过公式转换，在显示影像像素坐标的同时，显示地理坐标。导入图像后，通过导入同名TEXT文件，完成像素坐标和地理坐标的转换。设像素坐标的范围是到，地理坐标的范围是到，当前鼠标所在的位置像素为，。地理坐标为坐标转换使用的公式：（3-1）（3-2）主要代码：IfAbs(X-Round(X)=0.1ThenStatusBar1.Panels(3).Text=地理横坐标:&Round(xxx1+(X/Picture4.Width)*(xxx2-xxx1)ElseStatusBar1.Panels(3).Text=地理横坐标:&Format(xxx1+(X/Picture4.Width)*(xxx2-xxx1),#.#)EndIfIfAbs(Y-Round(X)=0.1ThenStatusBar1.Panels(4).Text=地理纵坐标:&Round(yyy1+(Y/Picture4.Height)*(yyy2-yyy1)ElseStatusBar1.Panels(4).Text=地理纵坐标:&Format(yyy1+(Y/Picture4.Height)*(yyy2-yyy1),#.#)EndIfIfAbs(X-Round(X)=0.1ThenStatusBar1.Panels(1).Text=像素X坐标:&Round(X)ElseStatusBar1.Panels(1).Text=像素X坐标:&Format(X,#.#)EndIfIfAbs(Y-Round(X)=0.1ThenStatusBar1.Panels(2).Text=像素y坐标:&Round(Y)ElseStatusBar1.Panels(2).Text=像素y坐标:&Format(Y,#.#)EndIf图3-3数据图3-4导入坐标数据格式如图3-4所示Text中保存的坐标数据写成两行，第一行填写地图左下角的当地横坐标和纵坐标，中间用“，”隔开；第二行填写的是右上角的当地横坐标和纵坐标。通过同名Text文本输入地图的地理坐标属性，可以避免手工输入时产生的错误，同时还可以节约时间。图3-5选择文件图3-5选择文件界面。图3-6实验成果图3-6为坐标转换后在状态栏中显示的情况。3.1.3导入训练要本图3-7训练样本训练样本可以通过工具栏上的裁剪按钮得到，也可以通过photoshop得到。由于有感影像上的地物呈现的角度是不确定的，因此需要更多的训练样本，为此有两种方法可以解决这种问题，其一是通过旋转训练样本，但是训练样本相当巨大有360个；其二是通过矩阵运算将训练样本各个像素的灰度值转换成一系列新的灰度矩阵。通过这样的处理在遥感影像上地物的角度问题将不会再影像地物的识别Barbara Zitova,Jan FlusserImage registration methods: a surveyImage and Vision Computing，2003(21):977-1000。3.2查找3.2.1全局查找全局查找中我采用的灰度匹配的算法（以差绝对值为例）。首先读入训练样本各个像素的灰度值，然后在大的地图中通过与训练样本同样大小窗口的移动计算灰度差，当计算出第一个灰度差绝对值和时和99999999比较，显然比它小，然后以后计算出来的灰度差绝对值和最小的灰度差绝对值和比较，每次将最小的灰度差绝对值和记录下来。完成整个图像的循环以后再通过循环比较灰度差绝对值和和记录下的最小的灰度差绝对值和比较，通过相应的阀值来控制查找结果L.M.G.Fonseca,B.S.Manjunath.Registration techniques for multisensor remotely sensed imagery,Photogrammetric Engineering and Remote Sensing,1996(62)10491056.。以下是通过上述方法来查找餐饮、停车场和书厅的结果图（见图3-8、图3-9和图3-10）。图3-8餐饮查找图3-9停车场查找图3-10书厅查找全局查找在规整的电子地图上进行查找有一定的优势，但是对于遥感影像来说不是很适用。需要通过特征提取后再进行匹配。图3-11点特征提取后的匹配（1座）图3-12线特征提取后的匹配（1座）图3-13Canny边缘特征提取后的匹配（2座）通过三种边缘提取的比较，Canny边缘特征提取后对的识别能力比点特征提取能力要强。利用Canny边缘特征提取后识别了2座桥梁，而点特征提取和线特征提取则只识别了1座桥梁。主要代码：min1=9999999DimcoxAsInteger,coyAsIntegerDimmAsInteger,nAsIntegerDimiAsInteger,jAsIntegerProgressBar1.min=0:ProgressBar1.max=r:ProgressBar1.Value=0ReDimg2(Picture4.Width,Picture4.Height)ReDimg3(Picture4.Width,Picture4.Height)Fori=1ToPicture4.Width-Int(Picture3.Width)Forj=1ToPicture4.Height-Int(Picture3.Height)Form=1ToPicture3.WidthForn=1ToPicture3.Heightg2(i,j)=g2(i,j)+Abs(g(m,n)-g1(i+m-1,j+n-1)NextnNextmIfg2(i,j)min1Thenmin1=g2(i,j):cox=i:coy=jNextjProgressBar1.Value=ProgressBar1.Value+1NextiProgressBar1.max=Picture4.Width-Int(Picture3.Width)+1:ProgressBar1.Value=0Setmrc=DataGrid1.DataSourceFori=1ToPicture4.Width-Int(Picture3.Width)Forj=1ToPicture4.Height-Int(Picture3.Height)IfAbs(g2(i,j)-min1)Text1.TextThenCallbj(Picture4,i+Int(Picture3.Width/2),j+Int(Picture3.Height/2):g3(i,j)=g2(i,j)mrc.AddNewmrc.Fields(0)=nnmrc.Fields(6)=i+Int(Picture3.Width/2)mrc.Fields(7)=j+Int(Picture3.Height/2)mrc.Updatenn=nn+1EndIfNextjProgressBar1.Value=ProgressBar1.Value+1Nexti3.2.2线性查找线性查找主要是针对特征明显图像进行查找的，但是其匹配不是很严谨，很容易出错，但是在简单图像的查找上还是很实用的。图3-14线性查找线性查找在0-255的灰度图像上查找的时候由于是通过一条线上的像素匹配来查找的，由于一张灰度图像上有很多区域存在一条线上的像素和训练样本类似，以至于匹配结果会出错（如下图）。出现了3个错误匹配。图3-15线性查找主要代码：DimiAsInteger,jAsInteger,cAsIntegermin1=9999999ReDimg2(Picture4.Width,Picture4.Height)ReDimg3(Picture4.Width,Picture4.Height)ProgressBar1.min=0:ProgressBar1.max=Picture4.Width-Int(Picture3.Width)+1:ProgressBar1.Value=0Forj=1ToPicture4.Height-Int(Picture3.Height)Fori=1ToPicture4.Width-Int(Picture3.Width)Forc=1ToPicture3.Widthg2(i,j)=g2(i,j)+Abs(g(c,midx)-g1(i,j+midx)NextcIfg2(i,j)min1ThenList1.AddItem(&i&,&j&)min1=g2(i,j)EndIfNextiNextjProgressBar1.min=0:ProgressBar1.max=Picture4.Width-Int(Picture3.Width)+1:ProgressBar1.Value=0Fori=1ToPicture4.Width-Int(Picture3.Width)Forj=1ToPicture4.Height-Int(Picture3.Height)IfAbs(g2(i,j)-min1)=0ThenCallbj(Picture4,i+Int(Picture3.Width/2),j+midx):g3(i,j)=g2(i,j)nn=nn+1mrc.AddNewmrc.Fields(0)=nnmrc.Fields(6)=i+Int(Picture3.Width/2)mrc.Fields(7)=j+Int(Picture3.Height/2)mrc.Updatenn=nn+1EndIfNextjProgressBar1.Value=ProgressBar1.Value+1NextiProgressBar1.min=0:ProgressBar1.max=Picture4.Width-Int(Picture3.Width)+1:ProgressBar1.Value=03.2.3基于二值图像的线性查找通过以上实验发现二值图像匹配不易出错。如果将原来的0-255的灰度图像转换成二值图像，匹配的正确率将有一定的提升。为此实验需要增加了一个模块，用来进行图形的二值化，通过二值化可以过滤信息，减少粗错的几率褚燕利，基于灰度图像及其纹理特性的裂缝特征提取J公路，2010(7):131-137.。多值图像是指具有多个灰度级的单色图像。例如一张黑白照片就是一幅多值图像。二值图像是指只有黑白两个灰度级的图像。在实际过程中，有时需要将一幅多值图像转换成一幅二值图像。在这里不是为了压缩图像数据，而是为了突出图像特征，为了便于进行图像识别。图像二值化变换处理的方法很简单。在原图像的灰度区间设定一个阀值（threshold），设阀值为，并且，然后令图像中所有灰度值小于或等于的像素的新灰度值都为0，所有灰度值大于的像素的新灰度值都为1，这样就完成了图像二值化处理。图3-18使用的阀值=140。以下几幅图片是彩色原图、灰度图和二值化图韦玉春，遥感数字图像处理教程北京科学出版社，2009。在二值图像中进一步加入许多介于黑色和白色之间的颜色深度，就构成了灰度图像。这类图像通常显示为从最暗黑色到最亮白色的灰度，每种灰度（颜色深度）称为一个灰度级，通常用L表示。在灰度图像中，像素可以取之间的整数，根据保存灰度数值所使用的数据类型的不同，可能有256种取值或者种取值，当时即退化为二值图像张铮，数字图像处理与机器视觉北京人民邮电出版社，2010。图3-163原图图3-17灰度图图3-18二值化图图3-19非二值化线性查找（2个）图3-20二值化线性查找（3个）通过图3-16和图3-17的比较可以看出，二值化后更加容易查找目标。可以适当弥补线性查找的不足，同理，二值化后的图像对全局查找也有一定的帮助。主要代码：bytThreshold=Text1.Text阀值Forix=0ToiWidthForiy=0ToiHeight*RGB转为灰度的算法有多种，这里给出常见的两种*bytGray=(bits(0,ix,iy)2.2*0.0722+bits(1,ix,iy)2.2*0.7152+bits(2,ix,iy)2.2*0.2126)(1/2.2)bits(0,ix,iy)=bytGraybits(1,ix,iy)=bytGraybits(2,ix,iy)=bytGray*转为黑白图像*Ifbits(0,ix,iy)bytThresholdThenbitsBW(0,ix,iy)=0bitsBW(1,ix,iy)=0bitsBW(2,ix,iy)=0ElsebitsBW(0,ix,iy)=255bitsBW(1,ix,iy)=255bitsBW(2,ix,iy)=255EndIfNextNextPicture2.Picture=Picture2.imageSetDIBitsPicture2.hdc,Picture2.Picture.Handle,0&,iHeight,bits(0,0,0),bi24BitInfo,0&Picture2.Picture=Picture2.imagePicture3.Picture=Picture3.imageSetDIBitsPicture3.hdc,Picture3.Picture.Handle,0&,iHeight,bitsBW(0,0,0),bi24BitInfo,0&Picture3.Picture=Picture3.image3.3属性查询通过单击图标来查询图像的相关属性。经过影像自动化处理以后，可以在DataGrid中输入图标的属性信息。然后通过数据库跟新，将DataGrid中的内容储存到SQl2005中去，当单击图标后，在地图上单击相应的地物，只要在5个像素以内就表示选中，就显示相关的信息（如图3-16所示）。图3-16属性查询表1DataGrid空间数据库表表1是图标的属性。其中编号、X坐标和Y坐标是通过自动添加完成。替他的属性通过上网查资料完成。如果输错了，直接在原来的地方改正。在查找的时候如果某一个图标被查找了2次或跟多，则选中多余的记录，按Delete键进行删除。3.4地物定位通过查找可以准确的在地图上进行定位。对于很大的航片，提别是那种没有经过切割的整景航片，可以通过这种定位很快的找到相应的地物，可以节约劳动时间，提高劳动效率。图3-17地物定位图3.5矢量图输出空间数据的表达有栅格数据和矢量数据两种结构,在应用中常要根据需要互相转换。栅格数据以矩阵形式记录数据,数据按行按列规则排列。矢量数据将地物分为点、线、面,以点坐标的数据链表示地物的空间位置：一个点以一个坐标对(X,Y)表示,一串坐标对的有序排列组成线,线的闭合围成面。在数学上,一串坐标对的有序排列组成一个矢量,所以称为矢量数据。从栅格到矢量数据的转换又称为栅格数据的矢量化,主要用于地图或专题图件的扫描输入、图像分类或分割结果的存储和绘图等。通过ARCGIS中Tools中AddXYData完成矢量图层的添加（见图3-18）汤国安，地理信息系统空间分析实验教程北京科学出版社，2008。图3-18矢量图层1制作图标韩鹏，地理信息系统开发武汉武汉大学出版社，2008的步骤：（1） 绘制符号，导出为位图。使用Photoshop制作一幅的图片，然后导出为BMP，如图3-19所示。图3-19的符号（2） 把做好的位图制作为字体。使用FontCreator这款软件，新建一个xuyahua字体库，然后导入在第一步中制作的位图并做适当的编辑，使之生成一个字符。（3） 保存字符库，并注册该字符库（拷贝到系统目标:WindowsFontsxuyahua）。（4） 制作符号库，生成font1.Style文件。打开Arcmap，点击菜单ToolsStylesStyleManger,打开符号管理工具，点击StylesCreateNew菜单新建一个符号库，命名为test.Style，然后在左边树图中选中该符号库的MarkerSymbel类别，再在右边视图中点击右键新建一个MarkerSymbel。在右键菜单中打开符号的属性对话框，Type选择CharacterMarkerSymbol，font选择前面制作的字符库xuyahua，调整其他属性，点击确定，关闭StyleManger，退出ArcMap.（5） 双击图标，选择制作好的图标，显示如图3-20。图3-20矢量图层24. 空间数据库4.1数据库设计目前，数据设计主要采用以逻辑数据库设计和物理数据库设计为核心的规范化设计方法，即将数据库设计分为：需求分析、概念结构设计、逻辑结构设计、数据库物理设计、数据库实施以及数据库运行和维护6个阶段。1）需求分析阶段2）概念结构设计阶段3）逻辑结构设计阶段4）数据库物理设计阶段5）数据库实施阶段6）数据库运行和维护阶段4.2概念结构设计概念结构设计的任务是在需求分析阶段产生的需求说明书的基础上，按照特定的方法把它们抽象为一个不依赖于任何具体机器的数据模型，即概念模型。概念模型使设计者的注意力能够从复杂的实现细节中解脱出来，而只集中在最重要的信息的组织结构和处理模式上。概念模型能比较真实地模拟现实世界，易为人理解，并且便于在计算机上实现。表示概念模型的方法中最常用的是PP.S.Chen于1996年提出的实体联系方法(EntityRelationshipDiagram)，简称E-R方法（E-R模型）李春葆，数据库系统设计与开发北京清华大学出版社，200317赵立初，基于Hausdorff度量的快速图像匹配算法J计算