- •5. Автоматизация фотограмметрических измерений
- •Автоматизированные методы нахождения соответственных точек на стереопаре цифровых снимков
- •Площадные методы отождествления одноименных точек
- •Методы основанные на выделении элементов изображения
- •Метод корреляции
- •Проблемы автоматического стереоотождествления одноименных точек
- •Отождествление соответственных точек по методу наименьших квадратов
- •Отождествление соответственных точек по методу наименьших квадратов в пространстве объекта
- •Методы, позволяющие сузить область поиска соответственных точек на смежных снимках
- •Применение пирамиды изображений для отождествления соответственных точек на паре снимков
- •Предварительная обработка изображений, применяемая при автоматизации измерений
- •Вычисление градиента изображения
- •Операторы выделения характерных зон изображения
- •Оператор Марра (LoG - Лапласиан Гауссиана)
- •Оператор Форстнера (Forstner)
- •Оператор Моравика (Moravec)
- •Оператор Дрешлера (Dreschler)
- •Автоматизированные методы монокулярных измерений
- •Вычисление центра тяжести фигуры
- •Вычисление центра на основе уравнения фигуры
- •Корреляционный метод
- •5.5 Применение методов автоматизации измерений в фотограмметрии
Операторы выделения характерных зон изображения
В фотограмметрии, кроме операторов рассмотренных выше другие специальные операторы, которые по сути своей похожи на предыдущие. Задача этих операторов выделить участки на изображениях с наибольшим контрастом, в которых можно получить наилучшие результаты при автоматизированных методах измерений. Цель заключается в сокращении (сужении) области поиска одноименных точек на паре снимков или при решении других задач, что позволяет резко сократить вычислительный процесс. Рассмотрим четыре наиболее распространенных оператора.
Оператор Марра (LoG - Лапласиан Гауссиана)
Этот оператор одновременно сглаживает (фильтрует) изображение и выделяет границы объектов. Он получается из второй производной симметричной сглаживающей функции Гаусса, откуда и происходит его название. На рис. .3 показаны кривая нормального распределения Гаусса и соответствующая ей кривая оператора LoG в двумерном пространстве. Известно, что функция Гаусса (в трехмерном пространстве) образуется поверхностью вращения кривой нормального распределения и описывается выражением:
( .14)
где - ширина распространения функции Гаусса.
Дифференцируя по x и y, получим:
( .15)
Вторые производные имеют вид:
Рис. .3
, ( .16)
по которым получается оператор Лапласа (LoG)
( .17)
Здесь единственная переменная это . Причем с помощью этой величины можно задавать масштаб фильтрации (сглаживания). Выполняя свертку изображения с функцией ( .17) получим новое изображение в котором значения пикселей будут максимальны на границах, а перемена знака функции от пикселя к пикселю укажет на положение границы, которая лежит в месте пересечения графика функции с нулевой плоскостью. Основная трудность при реализации данного подхода заключается в выборе значения переменной (масштабного коэффициента) функции ( .17). От нее зависит степень подробности выделения границ, а следовательно и степень сглаживания изображения.
Оператор Форстнера (Forstner)
Этот оператор позволяет оценить степень корреляции данного пикселя с окружающими его пикселями в некоторой области, например, 5х5 пикселей. То есть позволяет выделить те пиксели изображения где наилучшим образом (с точки зрения точности и надежности) будет выполнено отождествление одноименных точек одним из площадных методов и вычислить ожидаемую точность этого отождествления.
Оператор Форстнера основан на анализе градиентного изображения для выбранной области вокруг данного пикселя. Для этого вычисляется матрица нормальных уравнений N :
, ( .18)
где gx, gy – составляющие градиента вдоль осей x и y, которые вычисляются по ( .5).
Обратная к нормальным уравнениям, которая определяет точность измерений вычисляется как:
( .19)
Оценку точности измерений можно выполнить, вычислив значение w которое характеризует величину (площадь) эллипса ошибок:
( .20)
Здесь - определитель, а SpN – след матрицы N.
Кроме этого можно вычислить параметр q, который характеризует сжатие эллипса ошибок:
( .21)
Таким образом, Оператор Форстнера позволяет на основе анализа величин w и q выполнить классификацию изображения и выделить зоны наилучшей корреляции. Например, чтобы избежать выполнения отождествления (корреляции) для пикселя лежащего на границе, где корреляция не определена вдоль этой границы, эллипс ошибок должен быть близок к кругу (q близка к 1) , а сама ошибка (w) – маленькой.
Следует отметить, что этот оператор инвариантен к поворотам изображения.