Методы основанные на выделении элементов изображения

Площадные методы отождествления одноименных точек

Автоматизированные методы измерения точек на стереопаре цифровых снимков

Существующие методы отождествления соответственных точек на паре цифровых изображений, которые можно разделить на три группы:

- Методы, основанные на анализе значений пикселей изображения в пределах некоторой области (ПМ – площадные методы);

- Методы, основанные на выделении элементов изображения (ЭМ);

- Методы, использующие связи между элементами изображения (СМ).

Смысл этих методов сводится к сравнению плотностей пикселей двух изображений вокруг определяемой точки.

Существует два основных подхода:

Корреляционные методы

Смысл этих методов заключается в следующем: фрагмент одного из изображений вокруг определяемой точки как бы накладывается на другое изображение и перемещается по направлениям x и y с определенным шагом. В каждом положении вычисляется коэффициент корреляции R, максимальное значение которого соответствует лучшему совпадению точек.

Метод наименьших квадратов

Метод наименьших квадратов позволяет вычислить координаты соответственной точки на втором изображении непосредственно как функцию значений плотностей двух изображений. Некоторые разновидности этого способа используют геометрические связи между точками (уравнения коллинеарности). Этот метод имеет некоторые преимущества по сравнению с первым методом:

- более высокая точность определения соответственных точек;

- устойчивость решения к геометрическим искажениям изображений;

- возможность оценки точности определения (измерения) координат.

Недостатки: необходимость знания достаточно точных начальных приближений координат определяемой точки. В противном случае выполняется много приближений и как следствие большие затраты машинного времени.

Сущность этих методов состоит в следующем: сначала выделяются элементы изображений, а затем они отождествляются. В качестве элементов изображения могут быть точки, линии, полигоны. Для выделения этих элементов применяются различные операторы, с которыми осуществляется свертка изображений. Например, для точек существуют операторы Forstner, Moravic, Dreschler y Mar-Hildreth. Задача этих операторов найти на изображении области с наибольшим изменением контраста, в которых затем получатся наилучшие результаты корреляции. Выделенные точки с помощью оператора Forstner инвариантны к поворотам и как следствие в этих точках корреляция получается более надежно. Оператор Moravic позволяет выделить точки с контрастом, превышающем некоторый порог. Оператор Dreschler вычисляет значение кривой Гаусса, которое позволяет определить точки принадлежащие перегибам линий. Эта характеристика линий не изменяется в зависимости от геометрических искажений, изменений масштаба и поворота изображения. Оператор Marr-Hildreth (или оператор LoG лапласиан гауссиана) фильтрует изображение и одновременно выделяет зоны изменений значений плотностей изображения.

Существуют различные операторы (операторы Roberts, Prewitt, Sobel), которые позволяют выделить линии и полигоны. Эти операторы основаны на выделении границ изменений значений плотностей изображения.

После выделения элементов изображений применяются площадные алгоритмы отождествления соответственных точек.

Преимущества: 1). Устойчивость к шумам изображений, так как анализируются не сами значения пикселей, а их изменения по сравнению с соседними, что ослабляет влияние шумов изображений. 2). Малая чувствительность к геометрическим и фотометрическим искажениям изображений.

Недостатки: предусматривают дополнительные вычислительные процедуры по выделению элементов изображений.