特征的提取與定位算法 1 主要內(nèi)容 特征的提取 特征點的提取算法 特線的檢測方法特征的定位算法 2 點特征提取算法 點特征主要指明顯點 提取點特征的算子稱為興趣算子或有利算子 3 點特征的灰度特征 4 Moravec算子 Moravec于1977年提出利用灰度方差提取點特征的算子 r c 5 1 計算各像元的興趣值IV 6 2 給定一經(jīng)驗閾值 將興趣值大于閾值的點作為候選點 確定窗口大小 7 綜上所述 Moravec算子是在四個主要方向上 選擇具有最大 最小灰度方差的點作為特征點 3 選取候選點中的極值點作為特征點 8 Forstner算子 計算各像素的Robert s梯度和像素 c r 為中心的一個窗口的灰度協(xié)方差矩陣 在影像中尋找具有盡可能小而接近圓的誤差橢圓的點作為特征點 9 l 計算各像素的Robert s梯度 Forstner算子步驟 10 2 計算l l 如5 5或更大 窗口中灰度的協(xié)方差矩陣 11 3 計算興趣值q與w DetN代表矩陣N之行列式 trN代表矩陣N之跡 12 4 確定待選點 當(dāng)同時 該像元為待選點 5 選取極值點 即在一個適當(dāng)窗口中選擇最大的待選點 13 線特征提取算子 線特征是指影像的 邊緣 與 線 邊緣 可定義為影像局部區(qū)域特征不相同的那些區(qū)域間的分界線 而 線 則可以認(rèn)為是具有很小寬度的其中間區(qū)域具有相同的影像特征的邊緣對 常用方法有差分算子 拉普拉斯算手 LOG算子等 14 房屋的提取 15 道路的提取 16 線的灰度特征 17 一 微分算子 1 梯度算子 18 差分算子 對于一給定的閾值T 當(dāng)時 則認(rèn)為像素 i j 是邊緣上的點 近似 19 Roberts梯度算子 20 方向差分算子 直線與邊緣的方向 21 Sobel算子 考察它上下 左右鄰點灰度的加權(quán)差 與之接近的鄰點的權(quán)大 22 Prewitt算子與Sobel算子 加大模扳抑制噪聲 Prewitt算子 Sobel算子 23 二階差分算子 1 方向二階差分算子 24 方向二階差分算子 25 拉普拉斯算子 Laplace 26 拉普拉斯算子 Laplace 卷積核掩膜 取其符號變化的點 即通過零的點為邊緣點 因此通常也稱其為零交叉 zero Crossing 點 27 高斯一拉普拉斯算子 LOG 首先用高斯函數(shù)先進行低通濾波 然后利用拉普拉斯算子進行高通濾波并提取零交叉點 高斯函數(shù) 低通濾波 邊緣提取 28 高斯一拉普拉斯算子 LOG LOG算子以為卷積核 對原灰度函數(shù)進行卷積運算后提取零交叉點為邊緣 29 Sobel 邊緣檢測算子比較結(jié)果 30 Roberts Prewitt 31 Canny LaplacianofGaussian 32 33 Hough變換 用于檢測圖像中直線 圓 拋物線 橢圓等 圖像空間 34 對于影像空間直線上任一點 x y 變換將其映射到參數(shù)空間 的一條正弦曲線上 35 圖像空間 參數(shù)空間 正弦曲線共線 映射 正弦曲線 36 Hough變換步驟 對影像進行預(yù)處理提取特征并計算其梯度方向 將 參數(shù)平面量化 設(shè)置二維累計矩陣H i j 邊緣細(xì)化 即在邊緣點的梯度方向上保留極值點而剔除那些非極值點 對每一邊緣點 以其梯度方向 為中心 設(shè)置一小區(qū)間 o o 37 取累計矩陣中備選點中的極大值點為所需的峰值點 即所檢測直線的參數(shù) Hough變換 對累計矩陣進行閾值檢測 將大于閾值的點作為備選點 38 定位算子 數(shù)字影像上明顯目標(biāo)主要是指地面上明顯地物在影像上的反映 或者是數(shù)字影像自身的明顯標(biāo)志 例如道路 河流的交叉口 田角 房角 建筑物上的明顯標(biāo)志 影像四角上的框標(biāo) 地面人工標(biāo)志點等等 39 Wong Trinder園點定位算子 利用二值圖像重心對圓點進行定位 利用閾值T 最小灰度值十平均灰度值 2將窗口中的影像二值化 計算目標(biāo)重心坐標(biāo) x y 與園度r 40 內(nèi)定向 41 p q階原點矩與中心矩 Wong Trinder園點定位算子 當(dāng)r小于閾值時 目標(biāo)不是園 否則園心為 x y 42 Trinder改進算子 算子受二值化影響 誤差可達0 5像素 定位精度可達0 01像素 這種算法只對圓點定位 原始灰度 43 Forstner定位算子 Forstner定位算子是攝影測量界著名的定位算子 最佳窗口由Forstner特征提取算子確定 以原點到窗口內(nèi)邊緣直線的距離為觀測值 梯度模之平方為權(quán) 在點 x y 處可列誤差方程 44 Forstner定位算子 最佳窗口選擇 最佳窗口內(nèi)加權(quán)重心化 窗口內(nèi)像元的加權(quán)重心 45 高精度角點與直線定位算子 梯度算子的誤差 隨機誤差 Roberts梯度 梯度方向代替直線方向存在不容忽視的模型誤差 Hough變換等使用梯度方向的方法不可能達到很高的精度 46 數(shù)學(xué)模型 高精度角點與直線定位算子 一維邊緣的成像為刀刃曲線 線擴散函數(shù) 影像的梯度 線性化誤差方程 47 其中 該平差模型不采用梯度的方向 而是采用梯度的模為觀測值 高精度角點與直線定位算子 a0 k0 0與 0為參數(shù)的近似值 48 Roberts梯度 高精度角點與直線定位算子 誤差 單位權(quán)中誤差為 噪聲誤差 49 初值 Hough變換確定直線參數(shù)初值 0 0 x0 y0 為直線附近任一點的坐標(biāo) 是梯度的最大值 高精度角點與直線定位算子 50 高精度角點與直線定位算子 粗差的剔除 采用選權(quán)迭