丁丁 开题报告_0321

辽宁工程技术大学
本科毕业设计（论文）开题报告
题目基于特征点的UCX数字航空数字影像匹配
指导教师王竞雪
院（系、部）测绘与地理科学学院
专业班级地理信息系统09-1班
学号0904060104
姓名丁丁
日期2013年3月18日
教务处印制
一、选题的目的、意义和研究现状
（一）选题的目的和意义
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。最初的影像匹配是利用相关技术实现的，因而也有人称影像匹配为影像相关。它是图像融合、目标识别、目标变化检测、计算机视觉等邻域中的一个重要前期步骤，在遥感、数字摄影测量、计算机视觉、地图学以及军事应用等多个领域都有着广泛的应用。
[5]张春美，龚志辉，黄艳.几种特征点提取算法的性能评估及改进[J].测绘科学技术学报，2008
[6]戚世贵.基于图像特征点的提取匹配及应用[D].吉林大学，2006
[7]于岱峰，李良良，周广勇.摄影测量特征点提取与匹配技术研究[J].电脑知识与技术，2008
[8]朱庆，吴波，万能，徐志祥，田一翔.具有良好重复率与信息量的立体影像特征点提取方法[J].电子学报，2006
本次毕业设计主要采用Moravec算子进行特征点提取，步骤如下：
（1）计算各像元的兴趣值（Interest Value）。
（2）给定一定经验阈值，将兴趣值大于该阈值的点（即兴趣值计算窗口的中心点）作为候选点。
（3）选取候选点中的极值点作为特征点。
2、特征点匹配
（1）二维匹配与一维匹配
当影像方位参数未知时，必须进行二维的影像匹配。此时匹配的主要目的是利用明显点对解求影像的方位参数，以建立立体影像模型，形成核线影像以便进行一维匹配。二维匹配的搜索范围在最上一层影像由先验视差确定，在其后各层，只需要在小范围内搜索。当影像方位已知时，可直接进行带核线约束条件的一维匹配。也可以沿核线重采样形成核线影像，进行一维影像匹配。但当影像方位参数不精确或采用近似核线的概念时，有必要在核线上、下方向各搜索一、两个像素。
2.1.3 Moravec算子的优点
2.2 Forstner算子
2.2,1 Forstner算子的基本原理
2.2.2 Forstner算子的程序设计实现
2.2.3 Forstner算子的优点
3基于特征点的数字影像匹配
3.1基于特征点的数字影像匹配原理
3.2在Matlab中的程序编写匹配试验
3.3匹配结果分析
2、影像匹配的国内外研究现状
目前，国内外研究学者已经对影像匹配已开展了大量的研究工作，提出了很多影像匹配方法，并取得了较好的成果。可以将其分为两大类，一类是基于灰度区域的匹配方法，另一类是基于特征的匹配方法。
基于灰度区域的匹配方法，也称为灰度相关匹配算法，基于影像灰度值的匹配是最基本的匹配思想。通常直接利用整幅影像的灰度信息建立两幅影像之间的相似性度量，然后采取某种搜索方法寻找相似性度量值最大或最小的变换模型的参数值。
这类方法的优点体现在以下三个方面。
（1）影像的特征点比影像的像素点要少很多，从而大大减少了匹配的计算量。
（2）特征的匹配度量值对位置变化比较敏感，可以提高匹配的精度。
（3）特征的提取过程可以减少噪声的影响，对灰度变化、影像形变以及遮挡等都有较好的适应能力。
二、研究方案及预期结果
（一）设计方法
基于特征的匹配可以分为点、线、面的特征匹配。一般来说，特征匹配可分为三步：
[9]张祖勋，张剑清.数字摄影测量学[M].武汉大学出版社,2003
[10]Moravec H.P., Towards automatic visual obstacle avoidance[J]. Proceedings of the 5th International Joint Conference on Artificial Intelligence, Cambridge, Massachusetts, USA, August 1977
同名点的确定是以匹配测度为基础的，因此定义匹配测度是影像匹配最首要的任务，基于不同的理论或不同的思想可以定义各种不同的匹配测度，因而形成了各种影像匹配方法及相应的实现算法。常见的基于像方灰度相关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（VLLVertical Line Locus）；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。
如前所述的影像匹配算法，均是在以待定点为中心的窗口内，以影像的灰度分布为影像匹配的基础，故它们被称为灰度匹配，有时人们将它称为区域匹配。若待匹配的点位于低反差区内，即在该窗口内信息贫乏，信噪比很小，则其匹配的成功率不高。尤其在大比例尺城市航空摄影测量中，被处理的对象主要是人工建筑物，而非地形。在这种情况下，由于影像上的不连续、阴影与被遮蔽等原因使得基于灰度匹配算法也难以适应。
影像相关是利用互相关函数，评价两块影像的相似性以确定同名点。即首先取出以待定点为中心的小区域中的影像信号，然后取出其在另一影像中相应区域的影像信号，计算二者的相关函数，以相关函数最大值对应的相应区域中心点为同名点。即以影像信号分部最相似的区域为同名区域，同名区域的中心点为同名点。也是自动化立体量测的基本原理。
Forstner算子其实质是一个加权算子。它是通过计算各像素的Robert梯度和像素(c，r)为中心的一个窗口(如5X5)的灰度协方差矩阵，在影像中寻找最小的，接近于圆的误差椭圆的点作为特征点。
Moravec算子是Moravec于1977年提出利用灰度方差提取点特征的算子，是在四个主要方向上，选择具有最大——最小灰度方差的点作为特征点。Harris算子是C．Harris和M．J．Stephensb(1998年)在Moravec算子基础上提出的一种基于信号的点特征提取算子。SUSAN算子是由牛津大学的S．M．Smith，J．M．Brady首先提出的，它主要用来计算影像中的角点特征的。
技术路线如图1：
图1技术路线图
1、特征提取
采用一定的特征提取算法对左影像进行特征提取。可以根据各特征点的兴趣值将特征点分成几个等级，匹配时可按等级依次进行处理。对不同的目的，特征点的提取应有所不同。
点特征主要指明显点，如角点、圆点等。提取点特征的算子称为兴趣算子（Interest Operator）,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。比较知名的特征点提取算子有Moravec算子、Forstner算子、Harris算子等。
①深度优先。对最上一层左影像每提取到一个特征点，即对其进行匹配。然后将结果化算到下一层影像进行匹配，直至原始影像，并以该匹配好的点对为中心，将其邻域的点进行匹配。再上升到第一层，重复上述过程。
②广度优先。这是一种按层处理的方法，即首先对最上一层影像进行特征提取与匹配，将全部点处理完后，将结果化算到下一层，并加密，进行匹配。重复以上过程直至原始影像。
4结论
5致谢
三、研究进度
起止周
起止时间
工作内容
第3～4周
3.5-3.13
收集和整理有关资料，学习Matlab软件应用。
第4～10周
3.13-5.1
编写论文大纲，研读《摄影测量学》中相关章节。
第1ቤተ መጻሕፍቲ ባይዱ～13周
5.2-5.22
设置程序框架，进行程序设计，调试程序并对错误进行修改。
第14～16周
5.23-6.11
撰写论文，排版装订等。
四、主要参考文献
[1]张剑清，潘励，王树根.摄影测量学[M].武汉:武汉大学出版社,2003.
[2]王雅丽，厉彦玲，蔡玉林.基于特征点的影像匹配方法探讨[J].测绘科学，2012.
[3]袁修孝，明洋.一种综合利用像方和物方信息的多影响匹配方法[J].测绘学报，2009.
[4]刘景正.基于特征的SAR影像匹配技术研究[D].解放军信息工程大学，2007.
因此，在很多场合，影像匹配主要是用于匹配影像上的特征点、线或面。有别于前述的基于灰度的匹配，这一类算法被称为特征匹配或基于特征的匹配（Feature Based Matching）。
（二）国内外研究现状
1、特征点提取的国内外研究现状
1959年，文献上最早提到特征点提取。1965年L.G.Roberts开始系统的研究特征点提取及边缘检测。从那以后每年都会出现很多关于特征点提取的文章。现有常用的特征点提取算子主要有：FORSTNER算子、MORAVEC算子、HARRIS算子、SUSAN算子和SIFT算子等。
[11]Förstner W., A framework for low level feature extraction[J]. ECCV, Stockholm, Sweden, 1994
指导教师签字：
五、指导教师意见
为了克服基于灰度影像匹配方法的缺点，人们提出了基于特征的匹配算法，基于特征的匹配不是直接利用影像灰度，而是通过灰度导出符号特征来实现匹配。因此，它对于对比度和明显的光照变化等相对稳定。同时，基于特征的匹配可以通过对特征属性的简单比较而实现。因此，它比基于灰度的匹配要快得多。基于影像特征的匹配方法也是目前采用最多的匹配方法。该方法首先在原始影像中提取特征，然后再建立两幅影像之间特征的匹配对应关系。
可在一个小范围内利用倾斜平面或二次曲面为模型进行视差（或右片对应点位）拟合，将残差大于某一阈值的点作为粗差剔除。
（三）论文框架
摘要
1绪论
1.1研究的目的和意义
1.2国内外研究现状
2特征点提取
2.1 Moravec算子
2.1.1 Moravec算子的基本原理
2.1.2 Moravec算子的程序设计实现
（2）匹配的备选点可采用如下方法选择：
①对右影像也进行相应的特征提取，挑选预测区内的特征点作为可能的匹配点。
②右影像不进行特征提取，将预测区内的每一点都作为可能的匹配点。