数字摄影测量实习报告_摄影测量集中实习报告
数字摄影测量实习报告由刀豆文库小编整理，希望给你工作、学习、生活带来方便，猜你可能喜欢“摄影测量集中实习报告”。
数字摄影测量实习报告书
学 号：20111000684 班级序号： 113112-05 姓 名： 舒 超 指导老师： 宋 妍 成 绩：
中国地质大学（武汉）信息工程学院遥感科学技术系
2014年6月
目录
实习一：Moravec算子点特征提取........................................................................................3 1.1 实习目的：....................................................................................................................3 1.2 实习原理：....................................................................................................................3 1.3 实习步骤以及代码分析：............................................................................................3 1.4 结果分析：....................................................................................................................7 实习二：边缘提取算法...........................................................................................................9 2.1 实习目的：....................................................................................................................9 2.2 实习原理：....................................................................................................................9 2.3 实习步骤以及代码：....................................................................................................9 2.4 结果分析：..................................................................................................................11 实习总结.................................................................................................................................12
实习一：Moravec算子点特征提取
1.1 实习目的：
用程序设计语言（VisualC++或者C语言）编写一个完整的提取点特征的程序，通过对提供的图像数据进行特征点提取，输出提取出的点特征坐标。本实验的目的在于让学生深入理解Moravec算子原理。通过上机调试程序加强动手能力的培养，通过对实验结果的分析，增强学生综合运用所学知识解决实际问题的能力。
1.2 实习原理：
Moravec角点检测算法是最早的角点检测算法之一。该算法将角点定义为具有低“自相关性”的点。算法会检测图像的每一个像素，将像素周边的一个邻域作为一个patch，并检测这个patch和周围其他patch的相关性。这种相关性通过两个patch间的平方差之和(SSD)来衡量，SSD值越小则相似性越高。
如果像素位于平滑图像区域内，周围的patch都会非常相似。如果像素在边缘上，则周围的patch在与边缘正交的方向上会有很大差异，在与边缘平行的方向上则较为相似。而如果像素是各个方向上都有变化的特征点，则周围所有的patch都不会很相似。
Moravec会计算每个像素patch和周围patch的SSD最小值作为强度值，取局部强度最大的点作为特征点。
1.3 实习步骤以及代码分析：
步骤流程图如下：
程序实现以及相关关键代码：
voidCMy2010302590183cylView::OnMoravec()//读取图像以及相关算法 { //TODO:Addyourcommandhandlercodehere CMmoravecDlgdlg;dlg.DoModal();CMy2010302590183cylDoc*pDoc=GetDocument();LPSTRm_pDIB=(LPSTR)::GlobalLock((HGLOBAL)pDoc->hdib);//得到句柄内存起始地址存放位图数据hdib句柄变量存放BMP位图 ::GlobalUnlock((HGLOBAL)pDoc->hdib);LPBITMAPINFOm_pBMP;//指向BITMAPINFO结构的指针
m_pBMP=(LPBITMAPINFO)::GlobalLock(pDoc->hdib);//获取指向BITMAPINFO结构的指针
::GlobalUnlock((HGLOBAL)pDoc->hdib);intBitCount=m_pBMP->bmiHeader.biBitCount;DWORDWidth=::DIBWidth(m_pDIB);//获取位图宽 DWORDHeight=::DIBHeight(m_pDIB);//获取位图高
LPBYTElpData=(LPBYTE)::FindDIBBits(m_pDIB);//定义字符指针变量,原位图指针
intWidthBytes=WIDTHBYTES(Width*BitCount);//获取字节 DWORDpixelCount=WidthBytes*Height;
intck1=dlg.c1;intck2=dlg.c2;doubleyz=dlg.m_yuzhi;DWORDr,c;INTh;double*xx=newdouble[Width*Height];intk;k=INT(ck1/2);for(r=ck1/2;r
for(c=ck1/2;c
{
doublemin,v[4]={0.0};
for(h=0;h
{
v[0]+=pow((double)(*((BYTE*)(lpData+r*WidthBytes+(c-k+h)))-*((BYTE*)(lpData+(r)*WidthBytes+(c-k+1+h)))),2);//0°方向
v[1]+=pow((double)(*((BYTE*)(lpData+(r-k+h)*WidthBytes+(c+k-h)))-*((BYTE*)(lpData+(r-k+h+1)*WidthBytes+(c+k-h-1)))),2);//45°方向
v[2]+=pow((double)(*((BYTE*)(lpData+(r-k+h)*WidthBytes+(c)))-*((BYTE*)(lpData+(r-k+1+h)*WidthBytes+(c)))),2);//90°方向
v[3]+=pow((double)(*((BYTE*)(lpData+(r-k+h)*WidthBytes+(c-k+h)))-*((BYTE*)(lpData+(r-k+1+h)*WidthBytes+(c-k+h+1)))),2);//135°方向
}
min=min(min(min(v[0],v[1]),v[2]),v[3]);//求出v1,v2,v3,v4中的最小值
if(min>yz)
xx[r*Width+c]=min;
} bool*bMatrix=newbool[Width*Height];memset(bMatrix,0,Width*Height*sizeof(bool));DWORDx,y;doublemax2;boolb=false;inttempX(0),tempY(0);for(x=ck2/2;x
for(y=ck2/2;y
{
max2=0;
for(DWORDm=(x-ck2/2);m
{
for(DWORDn=(y-ck2/2);n
if(xx[m*Width+n]>max2)
{
max2=xx[m*Width+n];
tempY=m;
tempX=n;
b=true;
}
}
if(b)
{ bMatrix[tempY*Width+tempX]=1;}
} }
intsum=0;//特征点总数
for(DWORDi=0;i
for(DWORDj=0;j
{
if(bMatrix[i*Width+j])
{
*((BYTE*)(lpData+i*WidthBytes+j))=0;
*((BYTE*)(lpData+i*WidthBytes+j+1))=0;
*((BYTE*)(lpData+i*WidthBytes+j-1))=0;
*((BYTE*)(lpData+(i+1)*WidthBytes+j))=0;
*((BYTE*)(lpData+(i-1)*WidthBytes+j))=0;
*((BYTE*)(lpData+i*WidthBytes+j+2))=0;
*((BYTE*)(lpData+i*WidthBytes+j-2))=0;
*((BYTE*)(lpData+(i+2)*WidthBytes+j))=0;
*((BYTE*)(lpData+(i-2)*WidthBytes+j))=0;
sum++;
}
} if(sum
{
CStringstrInfo;
strInfo.Format(“特征点数%dn”,sum);
MeageBox(strInfo,“提示”,MB_OK);
}
else
{
CStringstrInfo;
strInfo.Format(“特征点数较多，请设置合理参数”);
MeageBox(strInfo,“提示”,MB_OK);
}
Invalidate();} 1.4 结果分析：
按照提示，对老师所给数据进行分析，当窗口大小设置为5*5,，阈值设置为5000的时候，对右核线影像进行分析，得到特征点43个，同时图像分析，得出如下结果：
调整阈值和窗口大小，程序能够正常运行，且经过测试，结果精确度有较好的保证。
实习二：边缘提取算法
2.1 实习目的：
熟悉Matlab环境下的编程，熟悉边缘提取算法。
2.2 实习原理：
Sobel算子实现思路如下：对输入图像分别使用水平和垂直模板做卷积计算，对得到的两个处理结果求平方和，该平方和与阈值的平方比较。只有当某点的两种卷积的平方大于阈值的平方，且水平占优（水平模板卷积结果大于垂直模板卷积的结果，且该点的卷积平方大于其左右两点的卷积平方和）或者垂直占优（垂直模板卷积的结果大于水平模板卷积的结果，且该点的卷积平方和大于其上下两点的卷积平方和）时，该点的输出结果为255，否则为0。输出的结果为二值图像。第一行和最后一行本来就是图像边界，不包括可用信息，因此相应的输出为0，按照这个思路课题编写了相应的Sobel算子实现程序
2.3 实习步骤以及代码：
2.4 结果分析：
原图像 sobel边缘提取
实习总结
本次实习过程中，根据自身实际情况，我选择使用vc环境下的编程完成实习，而没有采用Matlab环境下的编程。在实习过程中，我熟悉了sobel算法以及Moravec算子，在程序调试的过程中，我认识到任何算法都有其局限性，比如说本次实习过程中，sobel算子的边缘提取就将许多的噪音提取了出来，导致边缘特征提取的不准确性。本次实习让我认识到了编程能力的重要性，学会编写基本的代码来实现基本的算法，能让我们摆脱软件已有算法的束缚，更多的按照需要来实现一些步骤。
总体来说，本次实习还是很成功的，让我认识到，在以后的学习生活中,我认识到,应该把理论和实践结合起来,多锻炼自己的动手能力,好好把握住每一次实习的机会.
