第八章、-数字摄影测量

第八章数字摄影测量。无论是模拟摄影测量还是分析摄影测量，数字摄影测量的起源都需要手动测量图像点的坐标，并且需要人眼在立体观察下寻找同名的图像点。随着计算机科学技术的发展，上述工作可以在计算机的帮助下自动完成，即利用数字图像的灰度信号，利用数字相关技术寻找和测量同名图像点。在此基础上，通过解析计算、相对定向和绝对定向，建立了数字立体模型，从而建立了数字高程模型，绘制了等高线图，制作了正射影像图，为数字摄影测量这一地理信息系统提供了基础信息。数字摄影测量的定义有两种观点：一是数字摄影测量是摄影测量的一个分支，它以数字图像和摄影测量的基本原理为基础，应用计算机技术、数字图像处理、图像匹配、模式识别等多学科的理论和方法，提取由主体数字化表达的几何和物理信息。这个定义被称为软拷贝摄影测量。在美国和其他国家。中国著名摄影测量学者王教授称之为全数字摄影测量。这一定义认为，在数字摄影测量中，不仅其产品是数字的，而且其间的数据记录和处理的原始数据也是数字的。自然，处理的原始数据是数字图像。数字摄影测量的另一个广义定义仅强调中间数据记录和最终产品是数字形式，即数字摄影测量是摄影测量的一个分支，它基于摄影测量的基本原则，并使用计算机技术从图像(包括硬拷贝和数字图像或数字图像)中提取由主体数字表达的几何和物理信息。数字摄影测量的定义包括计算机辅助制图(通常称为数字制图)和图像的数字制图。全数字摄影测量的几个典型问题辐射信息在解析摄影测量中，目标点矢量是三维的，即在全数字摄影测量中。目标点的矢量变为四维，即d是该点的辐射量(图像的密度或灰度值)，集合d构成数字图像。现在我们可以使用各种传感器来精确地获取多个频带和多个时域中的辐射信息，即直接获取数字图像。您还可以使用图像数字化仪来数字化照片上的图像，以获得数字化图像。由于数字图像的应用，传统摄影测量中难以甚至不可能实现的许多过程在全数字摄影测量中可以被处理甚至变得极其简单，例如消除图像的运动模糊、根据所需的任务模式进行校正、对比度增强、多图像分析和模式识别等。因为直接用于数字摄影测量的原始数据是数字图像。因此，它的硬件系统只是一台计算机。(1)数字图像的采集和采样(1)图像数字化的过程称为图像数字化，在图像数字化仪上放置透明的正片(或负片)，并以数字形式记录图像上图像点的灰度值。图像的灰度也称为光密度。透明照片(正片或负片)图像的灰度值反映了其透明度，即其透光能力。如果投射在透明照片上的光通量是F0，并且穿过透明照片后的光通量是F，则F与F0的比率被称为透射率T，而F与F0的比率被称为不透明度O，其为：因此，图像点越暗，透射光通量越小，不透明度越大，因此。透射率和不透明度都可以解释黑白图像的程度。然而，人眼对明暗的感知以对数关系变化。为了适应人眼的视觉，在分析图像的性能时，黑白程度不是直接用透射率或不透明度来表示，而是用不透明度的对数来表示：d称为图像的灰度级。当所有光线都透射时，即透射率等于1，图像的灰度级等于0。当光通量仅传输1%时，即opaci图像上的图像点是连续分布的，但是在图像数字化的过程中不可能完全数字化每个连续的图像点，每隔一个间隔只能读取一个点的灰度值。这个过程称为采样，称为采样间隔。取样后，有一个不连续的等间隔序列。采样过程会给图像的灰度带来误差。例如，两个相邻点的图像丢失，即图像的细节被损坏。为了减少损失，采样间隔越小越好。然而，采样间隔越小，数据量越大，这增加了计算工作量，并改进了设备的欺骗。如何确定采样间隔应基于精度要求和图像分解能力，同时还要考虑数据量和存储容量。通过上述采样过程得到的每个点的灰度值都不是一个整数，非常不方便计算。因此，每个点的灰度值应该取为一个整数，这个过程称为图像灰度量化。其方法是将透明图片可能出现的最大灰度变化范围分成相等的部分，相等部分的数量称为“灰度”；然后，每个点的灰度值在其相应的灰度级内被舍入。舍入的原则是舍入。由于计算机中的数字都是用二进制表示的，所以灰度通常取为(m是正整数)。当m=1时，灰度只有黑色和白色。当m=8时，获得256个灰度级，0是黑色，255是白色。每个图像元素的灰度值占8位，即一个字节。量化过程会给图像的灰度带来舍入误差。例如，0-3的最大密度范围被分成64个等级，因此最大误差是。可以看出，量化误差与密度水平有关，密度水平越大，量化误差越小。如果你想知道不在矩阵点的原始函数g(x，y)的值(采样)，你需要执行插值。这称为重采样，即在原始样本的基础上再次采样。每当对数字图像进行几何处理时，例如核线对齐、数字校正等，都会出现这个问题。一般来说，重采样可以通过双线性插值来完成，即使用与要重采样的点P相邻的4个原始像素来进行计算。例如，公式为：3。数字图像的构成图像数字化后获得的数字图像是一个二维数字矩阵，矩阵的每个元素称为一个像素。分配给每个图像元素的灰度值g(m，n)通常是0到255之间的整数。矩阵的每一行对应一个扫描行。数字化图像元素的点坐标可以用矩阵中图像元素的行数和列数m、n来表示：这个坐标通常称为扫描坐标。数字图像的方向1。在摄影测量中，图像平面坐标系通常用于建立图像点和地面点之间的坐标关系。然而，在照片被扫描和数字化之后，照片的扫描坐标系不再与图像平面坐标系相同，此时需要两个坐标系的转换。如图所示，o-cr是图像扫描坐标系，e-xy是帧坐标系，o-xy是图像平面坐标系，S-XYZ是图像空间坐标系。数字图像内部定向的过程可以表示为如图所示的过程：通常认为在同一图像点的图像平面坐标x，y和它的扫描坐标之间存在仿射变换，即在公式中，它被称为内部定向参数，它的值是通过调整由图像上的四个帧的扫描坐标和它们相应的图像平面坐标(被认为是理论值)形成的误差方程而获得的。为了确定帧标记的中心位置，一种简单有效的方法是计算二值图像的重心坐标：2。使用两个重叠的立体图像对形成立体模型的数字图像的相对定向是三维信息提取和数字摄影测量的基础，而立体模型的建立必须进行相对定向。相对定向的目的是在以下情况下恢复两个图像的相对定向，自动相对定向的关键是自动识别定向所需的同名点对。在分析摄影测量中，通常使用6对以上同名点来计算相对定向元素。在数字摄影测量中，它具有很大的灵活性，可以利用图像相关性来识别足够多的同名点，以实现相对定向的高精度。相对定向可以通过以下方式实现。(1)标准点的相对定向(2)感兴趣点的相对定向，以及(3)数字图像绝对定向的自动相对定向目前已经实现，但是数字图像的绝对定向仍然需要人工完成。目前，控制点主要手动定位在左(右)图像上，同名点通过最小二乘图像匹配确定，然后计算绝对方位参数。第三，图像相关技术中立体映射的关键是知道左右照片上同名图像点的位置。对于全数字摄影测量，如何通过计算机从左右图像中自动找到同名图像点，即数字图像的相关或匹配，是数字摄影测量的核心问题。图像相关是利用两个信号的相关函数来评估它们的相似性，以确定相同的命名点，即首先取出以待固定点为中心的小区域中的图像信号，然后取出另一个图像中相应区域中的图像信号，计算两者的相关函数，取相关函数最大值对应区域的中心点作为相同的命名点，即取图像信号分布最相似的区域作为相同的命名区域。同名区域的中心点是同名点，这是自动立体测量的基本原理。(1)方向参数1的计算。内部定向的目的是通过使用帧标记的照片坐标(理论值)和扫描坐标来计算照片坐标和扫描坐标之间的转换参数。帧标记的位置可以通过自动或半自动或甚至手动方法来定位，以获得扫描坐标。2.外部取向包括相对取向和绝对取向。首先，测量相对定向点和绝对定向控制点的图像坐标，然后计算相对定向元素和绝对定向元素。目前，大多数系统可以自动测量相对定向点，但绝对定向点仍需人工测量。(2)空中三角测量的基本算法与普通解析空中三角测量相同，一般采用波束法。不同的是，数字图像相关算法用于连接点的自动测量和旋转，取代了人工旋转，从而大大提高了空中三角测量的操作效率和精度。然而，由于自动转向点的高误差率，需要粗差检测来消除与图像相关的误差点。(3)形成沿核线方向排列的垂直图像，利用相对定向元素，根据同名核线重新排列图像的灰度，形成核线图像。(4)沿着核线的图像相关或特征匹配图像相关或特征匹配来确定相同的图像点。考虑到结果的可靠性和准确性，应合理应用各种算法。(5)建立数字高程模型(6 ),自动绘制等高线(7 ),使正常图像(x)等高线与正常图像叠加。制作带等高线的正射影像图(9)制作透视和景观图(10)数字图像的计算机辅助测量，例如地面特征和地貌元素的测量(11)地图编辑和注释，图像相关方法的分类，例如协方差法、相关数法、高精度最小二乘相关法等。以及基于这些方法并结合各种约束的方法，例如具有核线约束的相关系数法、考虑共线条件的高精度最小二乘相关法、多点或多切片最小二乘相关法以及使用若干相似性度量作为标准的多信息。这些方法具有共同的特征，即它们都是相关点所在的小区域中的图像的灰度级。随着研究的深入和大量实践例如，对于亮度均匀的信息贫乏地区，或者相关图像之间存在较大尺度差异或失真的地区，袁伦谦以种子贫乏地区为例，或者相关图像之间存在较大尺度差异或失真的地区，袁伦谦以种子贫乏地区为例，这些地区很难获得正确的相关结果和担忧。根据在进入的视觉系统中观察事物的经验，前者是后者之前的整体，后者是细节之前的轮廓。因此，它启发人们从提取图像的特殊特征出发，研究基于所谓基本特征的图像匹配，并提出了有效的基于特征的图像匹配算法。图像相关算法分类如下：1 .基于灰度级的图像相关，例如协方差方法、相关系数方法、高精度最小二乘相关等。以及基于这些方法并结合各种约束的方法。例如，具有外极约束的相关系数法、考虑共线条件的高精度最小二乘相关法、多点甚至多切片最小二乘相关法，以及使用多个相似性度量作为准则的多信息多准则法等。2.基于特征的图像相关首先提取图像中的特征(点、线、面)，然后用参数描述提取的特征，最后根据特征的参数值搜索同名特征，从而获得同名图像点。假设在左切片上有一个目标点，为了在右切片上搜索相同的命名点，必须以周围图像元素的灰度序列为中心形成一个目标区域，并且将目标区域中任何图像元素的灰度值设置为，一般以n为奇数，其中心点为目标点。根据左切片上目标点的坐标，粗略估计右切片上的近似点，以周围图像的灰度序列为中心形成搜索区域。搜索区域中有一个与目标区域相等的区域，称为相关窗口。窗口中任意点的灰度值设置如下。首先，为了在右侧照片的搜索区域中找到相同的名字点，协方差值必须根据下面的公式计算，作为相似性判断的基础：因此，存在协方差值的总和，并且取最小协方差值的相关窗口的中心是目标点的相同名字图像点。为了在右侧照片的搜索区域中找到同名点，必须根据以下公式计算相关系数值：这样，就有了一个值的总和，取最大值的相关窗口的中心就是与目标点同名的点。在上面介绍的图像匹配算法中，判断图像相似性的一个标准是“灰度差平方和最小”。如果将灰度差记录为残差v，则可以清楚地写出上述判断，这符合最小二乘法原理。然而，该方法不考虑图像的系统误差，而仅考虑图像的偶然误差(随机噪声)。也就是说，如果在上述公式中引入系统误差参数，则形成最小二乘图像匹配。图像灰度的系统变形有两种类型，一种是辐射变形，另一