Moravec算子特征提取
(完整版)摄影测量知识点整理(完整精华版)
摄影测量学第一章 绪论1、摄影测量是从非接触成像系统，通过记录、量测、分析与表达等处理，获取地球及其环境和其他物体的几何、属性等可靠信息的工艺、科学与技术。
2、摄影测量学的三个发展阶段：模拟摄影测量、解析摄影测量、数字摄影测量4、摄影测量存在哪些问题第二章 单幅影像解析基础1、像主点：摄影机主光轴（摄影方向）与像平面的交点，称为像片主点。
像主距：摄影机物镜后节点到像片主点的垂距称为摄影机主距，也叫像片主距（f ）。
2、航空摄影：利用安装在航摄飞机上的航摄仪，在空中以预定的飞行高度度沿着事先制定好的航线飞行，按一定的时间间隔进行曝光摄影，获取整个测区的航摄像片。
空中摄影采用竖直摄影方式，即摄影瞬间摄影机物镜主光轴近似与地面垂直。
Hf L l m ==1 （m —像片比例尺分母，f —摄影机主距，H —平均高程面的摄影高度 H=m ·f ） 3、相对航高是指摄影机物镜相对于某一基准面的高度，称为摄影航高。
绝对航高是相对于平均海平面的航高，是指摄影机物镜在摄影瞬间的真实海拔高。
通过相对航高H 与摄影地区地面平均高度H 地计算得到：H 绝=H+H 地5、航向重叠：同一条航线内相邻像片之间的影像重叠称，重叠度一般要求在60%以上； 旁向重叠：两相邻航带像片之间的影像重叠，重叠度要求在30%左右。
6、中心投影：当投影会聚于一点时，称为中心投影； 正射投影：投影射线与投影平面成正交。
中心投影：投影射线会聚于一点（投影射线的会聚点称投影中心） 投影 斜投影：投影射线与投影平面成斜交 平行投影正射投影：投影射线与投影平面成正交7、透视变换中的重要的点线面：① 由投影中心作像片平面的垂线，交像面于o ，称为像主点；像主点在地面上的对应点以O 表示，称为地主点。
② 由摄影中心作铅垂线交像片平面于点n ，称为像底点；此铅垂线交地面于点N ，称为地底点。
③ 过铅垂线SnN 和摄影方向SoO 的铅垂面称为主垂面（W ），主垂面即垂直于像平面P ，又垂直于地平面E ，也垂直于两平面的交线透视轴TT 。
moravec角点特点
moravec角点特点Moravec角点特点文档引言Moravec角点是计算机视觉和数字图像处理中广泛使用的一种特征点检测算子。
由于它的简单和高效，使得它被广泛运用于图像处理领域。
在本文中，我们将会详细介绍Moravec角点的特点，包括计算过程、角点定义、特征提取等等方面。
本文旨在帮助读者更好地理解Moravec角点算法，为在实际应用中的正确使用提供依据。
计算过程Moravec角点算法首先将原始图像进行平滑处理，减少噪声的影响。
之后，对于每一个像素点，在其周围的邻域内进行窗口滑动，计算每个方向的灰度变化量，然后将这些变化量的平方求和得到误差值。
最后，通过比较周围八个像素点和当前像素点的误差值，判断当前像素点是否为角点。
简单的说，Moravec角点算法的计算过程就是通过窗口滑动计算不同方向上的灰度差值，对其求和，从而对图像特征进行描述与衡量。
角点定义所谓角点，是指在图像中具有明显、显著的线条的交叉点或拐角点等。
这种点的特征表现为在其周围的邻域内，在各个方向上都有显著的灰度变化。
Moravec角点算法就是利用这种灰度变化的特性来寻找角点的。
该算法中，会比较计算得出的当前像素点与周围八个像素点之间的误差值，如果当前像素点的误差值比周围的八个像素点都要大，则表示该点可能是角点。
特征提取Moravec角点算法的目的是通过检测图像中的角点来提取图像的特征。
一个好的特征点检测算法，需要满足对不同图像的适用性强、稳定性强、计算速度快等特点。
而Moravec角点算法也确实满足了这些需求。
其主要特点可归纳为：1.适用性广：Moravec角点算法适用于不同尺度和分辨率的图像，而且对旋转和缩放具有一定的旋转不变性和尺度不变性。
2.稳定性强：由于该算法是通过计算周围邻域内的灰度变化值来判断点的特性，而这种灰度变化是很稳定的，所以算法的稳定性也相应得到了保证。
3.计算速度快：该算法主要是一种基于灰度变化检测的角点检测算法，计算量小、速度快，因此在不同场合下都能得到良好的应用效果。
利用Moravec算子提取特征点实现过程分析
图 ２ 灰度图像特征提取效果图
５ 结束语
Ｍｏｒａｖｅｃ 算子是点特征提取算子中的经典算子之一 ， 后 来 的 很多点特征提取算子都是在它的基础上改进得来的， 掌握 Ｍｏｒａｖｅｃ 算子的原理和实现方法对理解其他的点特征算子的 理 解 和应用有很大好处。
参考文献： ［１］张祖勋，张剑清． 数字摄影测量学［Ｍ］．武汉：武汉测绘科技大 学 出 版 社 ，１９９７． ［２］吕言．用于提取数字图像点特征 之 有 利 算 子 研 究［Ｊ］．测 绘 学 报，１９８９，１８（３）：１７５－ １８２． ［３］ＳＨＥＮ Ｆ，ＷＡＮＧ Ｈ． Ｒｅａｌ Ｔｉｍｅ Ｇｒａｙ Ｌｅｖｅｌ Ｃｏｒｎｅｒ Ｄｅｔｅｃｔｏｒ ［Ｊ］．Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｌｅｔｔｅｒｓ，２００２，２３（８）． 第三步、创建一个与 Ｅｘｃｅｌ 数据相对应的表。编辑控制文件， 控制文件取名为 ｄｅｐａｒｔｍｅｎｔ．ｃｔｌ， 格式如下：
计算机视觉07-第四章特征提取
38
39
SIFT算法的主要特点
▪ a) SIFT特征是图像的局部特征,其对旋转、尺度缩 放、亮度变化保持不变性，对视角变化、仿射变换、 噪声也保持一定程度的稳定性。
▪ b) 独特性(Distinctiveness)好，信息量丰富，适用 于在海量特征数据库中进行快速、准确的匹配。
( g c ,r i g c ,r i1 ) 2
i k
V4
k 1
( g c i,r i
i k
g
c i 1,r i 1 ) 2
K=int
(w/2)
Ic V ,rmV i1n ,V 2,{ V 3,V 4} 11
（2）给定一经验阈值,将兴趣值大 于阈值的点作为候选点。 （3）选取候选点中的极值点作为 特征点。
17
判断两幅图像的相似度 由于无法得到另一幅图像,只能在当前图像内寻找 根据泰勒级数展开, 可得,
18
图像自相关函数分析
➢矩阵A与信号处理中的自相关函数密切相关. ➢设α,β为矩阵A的特征值，则α，β与局部自相关函数的主曲 率成比例. ➢当两个曲率都低时，局部自相关函数是平坦的，那么窗口图 像区域的灰度值近似为常量;当只有一个曲率高而另一个曲率 低时，局部自相关函数呈脊形，那么E只有当沿山脊移动时变 化小，这就表示是边缘；当两个曲率都高时，局部自相关函 数是尖峰，那么E在任意方向上移动都会增加，这就表示是角 点. ➢因此我们可以由α，β的值判断是否是角点。为了不对M进 行分解求特征值，可以采用Tr(A)和Det(A)来代替α，β，
33
SUSAN算子
▪ 将与某固定阈值相比较,得到SUSAN算法对图像角点的响 应函数如下式所示:
摄影测量学点特征提取模拟实践
辽宁工程技术大学模拟实践教学单位测绘学院专业测绘工程名称点特征提取模拟实践班级测绘13-3组长秦小茜组员柳少冬倪贺星刘建琪指导教师徐辛超一、目的理解影像中每个像素灰度值的概念；理解点特征在灰度方面的特点；掌握常用的点特征提取算子，及其对应的点特征提取方法，包括：Moravec 算子、Forstner 算子。
二、要求运用VC++、C#、MATLAB 其中一种自己擅长的语言，实现两种点特征提取算法。
三、方法与步骤(一) Moravec 算子提取过程a. 读取灰度影像，得到影像的灰度矩阵；b. 计算各像元的兴趣值 IV ：121,1,122,1,1123,,1124,1,1()()()()k c i rc i r i kk c i r i c i r i i kk c r i c r i i kk c i r i c i r i i k V gg V g g V g g V g g -+++=--++++++=--+++=--+-++--=-⎫=-⎪⎪⎪=-⎪⎬⎪=-⎪⎪=-⎪⎭∑∑∑∑,1234min{,,,}c r IV V V V V =c. 给定一经验阈值，将兴趣值(,c r IV )大于阈值的点作为候选点；d. 选取候选点中的极值点作为特征点；e. 将特征点在原始图像上进行标记、展示。
(二) Forstner 算子提取过程a. 计算各像素的Robert ’s 梯度 ；1,1,,11,u i j i j v i j i j g g g g u g g g g v ++++∂⎫==-⎪∂⎬∂⎪==-∂⎭ b. 计算l ⨯l （如5⨯5或更大）窗口中灰度的协方差矩阵 ；1212uu v v uvgg g Q N g g g--⎡⎤==⎢⎥⎣⎦∑∑∑∑ 其中：11221,1,1122,11,111,1,,11,()()()()c k r k ui j i j i c k j r k c k r k vi j i j i c k j r kc k r k u v i j i j i j i j i c k j r kg g g g g g g g g g g g +-+-++=-=-+-+-++=-=-+-+-++++=-=-∑=-∑=-∑=--∑∑∑∑∑∑c. 计算兴趣值q 与w ；1Det tr tr N w Q N == 24()DetNq trN =式中：DetN 代表矩阵N 之行列式，trN 代表矩阵N 之迹。
数字摄影测量学习题总结
1、模拟影像的数字化主要由（采样）与（量化）两个过程来完成。
2、在对影像分辨率为25lps/mm的像片进行数字化时，最佳的采样间隔应为（）微米。
3、在实际构建金字塔影像时，一般采用（）或（）个像元求平均，但最常用的是（）个像元求平均。
4、数字摄影测量将影像特征分为（点特征）、（线特征）和（面特征）。
5、Laplace算子是一（）滤波器，因此对影像（）非常敏感。
6、基于灰度的影像匹配的相似性测度主要有（）、（）、（）、（）、（）。
7、数字摄影测量系统的硬件主要由（）、（）和（）等组成。
手轮、脚盘、脚踏、接口盒、立体发生器和立体眼镜8、最小二乘匹配同时考虑了（局部影像的灰度畸变和几何畸变），因此有很高的匹配精度。
1、数字摄影测量和摄影测量有什么联系和区别？2、DEM有哪几种主要的形式，其优缺点各是什么？（6分）3、什么是影像匹配？基于灰度的影像匹配的基本过程如何？（6分）影像匹配是在两幅(或多幅)影像之间识别同名元素(点)的过程,它是计算机视觉及数字摄影测量的核心问题。
4、什么是点特征提取算子？主要点特征提取算子有哪些？（6分）点特征提取算子是指运用某种算法使图像中独立像点更为突出的算子，它又被称为兴趣算子或有利算子，主要用于提取我们感兴趣的点（如角点、圆点等）。
Moravec 算子Harris 算子Forstner 算子 SUSAN 算子5、DEM 在测绘中有哪些应用？（6分）绘制等高线、坡度、坡向图、立体透视图、制作正射影像图、立体景观图、立体匹配片、立体地形模型、地图的修侧。
1、试述直接法和间接法数字微分纠正的特点及间接法纠正的主要过程。
（10分2试述“灰度差的平方和最小”影像匹配和“最小二乘”影像匹配的相同点和不同点。
3、填写下图所示的屏幕检索表（10分）1、什么是数字摄影测量？定义一：基于数字影像与摄影测量的基本原理，应用计算机技术、数字影像处理、影像匹配、模式识别等多学科的理论与方法，提取所摄对象用数字方式表达的几何与物理信息的摄影测量的分支学科。
基于模板匹配的全景图像拼接
２００８年第４期福建电脑基于模板匹配的全景图像拼接王诚１，李琳２（１．湖北美术学院公共课部湖北武汉４３００６１２．武汉科技大学计算机学院湖北武汉４３００６１）【摘要】：图像拼接在制作全景图中具有重要的作用。
本文提出了一种很健壮的区域模板，它采用Ｍｏｒａｖｅｃ算子定位出特征物体区域，并在次区域上构建基准模板，有效地提高了匹配的可靠性。
在模板匹配中采用加权相似性度量的方法，该方法提高了相似性度量的可靠性。
另外，通过采用一种融合的拼接算法，得到了较平滑的全景图像。
试验结果证实了算法的有效性。
【关键词】：全景图；图像拼接；Ｍｏｒａｖｅｃ算子；特征模板１．引言相邻图像的配准及拼接是全景图生成技术的关键，有关图像配准技术的研究至今已有很长的历史，其主要的方法有以下两种：基于两幅图像的亮度差最小的方法和基于特征的方法。
本文采用基于特征模板匹配特征点的拼接方法。
该方法允许待拼接的图像有一定的倾斜和变形，克服了获取图像时轴心必须一致的问题，同时允许相邻图像之间有一定色差。
试验证明采用该方法进行全景图拼接有较好的效果。
全景图的拼接主要包括以下４个步骤［１］：图像的预拼接，即确定两幅相邻图像重合的较精确位置，为特征点的搜索奠定基础。
特征点的提取，即在基本重合位置确定后，找到待匹配的特征点。
图像矩阵变换及拼接，即根据匹配点建立图像的变换矩阵并实现图像的拼接。
最后是图像的平滑处理。
２．基于特征模板匹配的图像拼接２．１基本原理对于待拼接的两幅图像，在第二幅图像的左侧选取一定大小的模板矩阵（一般为５×５到２１×２１个像素），在第一幅图的右侧搜索找到与其相关性最大的模板矩阵，然后计算出两幅图像重叠的位置。
通过坐标映射，最终实现拼接。
２．２Ｍｏｒａｖｅｃ选取特征模板采用Ｍｏｒａｖｅｃ算子进行特征区域提取的依据是对于一个模板窗口计算其Ｘ方向、Ｙ方向及正负４５度方向的最小灰度方差值，并与预先设定的阈值进行比较。
对于彩色图像可以采用将图像转化为灰度图来处理。
遥感影像配准方法探讨
科技信息2010年第7期SCIENCE&TECHNOLOGY INFORMATION遥感是目前为止能够提供全球范围的动态对地观测数据的惟一手段,其成像模式多种多样。
多源传感器影像的数据融合,可以产生出比单一信息源更精确、更完整、更可靠的影像信息。
在融合这些多源遥感影像数据时,必须先进行影像配准，经过适当配准的多传感器图像可以在像素级直接融合形成融合图像，然后在此基础上完成目标探测、特征提取和目标识别等处理。
图像配准广泛应用于航空航天技术、地理信息系统、图像镶嵌、图像融合、目标识别、虚拟现实等领域。
1图像配准的基本概念图像配准是指同一目标的两幅（或者两幅以上）图像在空间位置上的对准，图像配准的技术过程称为图像匹配。
影像匹配实质上是在两幅(或多幅)影像之间识别同名点,是计算机视觉及遥感数字图像制图的核心问题[1]。
对影像匹配可作如下数学描述[2]:若影像I1与I2中的像点O1与O2具有坐标P1=(x1,y1)、P2=(x2,y2)及特征属性f1与f2，即O1=(P1,f1)、O2=(P2,f2)。
其中f1与f2可以是P1与P2为中心的小影像窗口的灰度矩阵g1与g2,也可以是其他能够描述O1与O2的特征。
基于f1与f2定义某种测度m(f1,f2)。
所谓影像匹配就是建立一个映射函数M满足：P2=M(P1,T)、M(f1,f2)=max或min(O1∈I1,O2∈I2)。
其中T为描述映射M的参数矢量,测度m表示O1与O2的匹配程度,称为匹配测度。
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。
2图像匹配的一般算法2.1基于图像灰度的匹配方法基于图像灰度的匹配方法的基本思想是：首先对待匹配图像做几何变换；然后根据灰度信息的统计特性定义一个目标函数，作为参考图像与变换图像之间的相似性度量，使得匹配参数在目标函数的极值处取得，并以此为匹配的判决准则和匹配参数最优化的目标函数，从而将匹配问题转化为多元函数的极值问题；最后通过一定的最优化方法求得正确的几何变换参数。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
点特征提取编程实习报告
一．实习简介
本次实习利用VC++6.0编程实现了对8位BMP灰度图像的读取、显示，并用Moravec算子对图像进行点特征的提取。
二．程序设计
1.用MFC创建一个多文档程序框架，用来显示BMP图像：
2.为该程序框架添加菜单：
3.创建一个对话框输入参数：
4.最后提取结果可以显示在视图中：
三．程序框图及核心代码Array
分别定义四个函数计算四个方向的灰度差平方和：
提取特征点：
实验结果分析
1、下图中阈值为8000，窗口大小从上到下从左到右分别为9*9、7*7、5*5、3*3。
可
以看出随着窗口的增大，提取到的特征点个数越来越少，但是精度提高，可以防止将噪声提取出来。
2、下图中窗口大小为9，阈值从左到右从上到下分别为20000、15000、10000、5000。
可以看出，随着阈值的增大，能投提取到的特征点越来越少，只有灰度变化十分剧烈的点才能被提取出来，如下图中左上角是阈值为20000时的提取结果，可以发现没有提取出任何特征点。
实习总结
Moravec 算子是点特征提取算子中的经典算子之一，它具有计算量小, 不丢失灰度信息等优点。
用该算子提取特征点时阈值的选取直接影响着提取结果。
如本次实习过程中所用的图像是武汉地区的TM影像，这幅影像的灰度范围很小，所以阈值不宜取得过大，否则会丢失很多特征点，如：当阈值选为20000时，没有提取出任何特征点。
为了验证对比度对特征点提取的影响，我用Photoshop对图像做了一个对比度的增强，之后用5*5的窗口和10000的阈值对其进行特征点的提取并与原图像的提取结果做了对比，发现增强了对比度的图像中提取出的特
征点确实比原图像中的特征点多，如下图：
所以，虽然Moravec算子是点特征提取的经典算子，但是提取效果还是很大程度上受参数设置的影响，不同灰度范围的图像需要不同的阈值以及不同的窗口大小，这需要长久的实验来积累经验确定参数。
或者可以通过计算整幅图像的
灰度均值的方法是程序自动确定阈值，但没有再本次实习中进行实验。