Курсовая работа: Цифровая фототриангуляция для создания топографических карт

3) расхождений координат общемаршрутных точек δфот.

Исходными данными для объединения маршрутных сетей в единый блок служат ,  и .

Уравнивание маршрутных сетей в блоке выполняется одновременно с исключением деформации сетей ПФТ.

, (1.18)

где i – номер маршрутной модели,

Ci – коэффициенты, характеризующие деформацию фототриангуляционной маршрутной сети.

, (1.19)

где Ri – систематическая погрешность показаний бортовых навигационных приборов;

 (1.20)

Уравнения (1.19) – (1.20) решаются совместно, из которых определяются неизвестные Ci и Ri.

На втором этапе для всех точек маршрутных сетей вычисляются велечины поправок

 (1.21)

Вид функции (1.21) определяется типом выбранных для уравнивания полиномов  .После вычисления  можно найти исправленные координаты точек сети:

 (1.22)

Достоинством данного метода является то, что он проще в реализации, легче выявлять грубые ошибки в координатах общемаршрутных точек, а также результаты ПФТ по данному методу можно использовать в качестве приближённых значений неизвестных. Недостаток жёсткие требования к расположению опорных точек и их числу, также уравниваются функции от измеренных величин, а не сами измеряемые величины.

1.4  Особенности цифровой фототриангуляции

Пирамиды изображений для хранения цифровых изображений.

При обработке цифровых изображений[7] при ПФТ часто возникает необходимость просмотра снимков в уменьшенном масштабе. Для этих целей в программах ПФТ посчитанные один раз изображения уменьшенного масштаба, записываются и хранятся на диске во время всего сеанса обработки в виде «пирамид изображений». В этом случае информационное поле описывается упорядоченным набором изображений, располагаемых одно над другим.

Для формирования пирамиды изображений исходный цифровой снимок разбивается на блоки (обычно 2 х 2 пикселя). Для каждого блока вычисляется среднее арифметическое значение яркости, которое и будет присвоено пикселю для данного блока на следующем уровне пирамиды. Эта процедура повторяется необходимое число раз. Каждое последующее изображение пирамиды будет иметь разрешение в 2 раза меньше предыдущего, а занимаемый объём памяти соответственно в 4 раза

Хранение пирамид изображений оправдано, так как увеличевает скорость обработки.

Тайловая структура организации данных цифровых изображений.

В качестве модели организации данных цифровых изображений[7] используется тайловая структура, которая заключается в следующем:

Исходное изображение делится на блоки (тайлы), размер которых фиксирован.

При необходимости обработки конкретного участка изображения осуществляется перемещение на данный адрес и считывается нужный файл. Эта организация данных позволяет быстро считывать с диска и отображать на экране отдельные участки изображения.

Реляционная модель организации данных.

Для обеспечения гибкости сбора данных и хранения результатов измерения координат точек снимков в современных программных продуктах используется реляционная модель данных[7].

Таблица 1 служит для хранения номеров и координат опорных, контрольных и связующих точек (номера точек не должны повторяться).

Таблица 2 служит для хранения информации о снимках, используемых в обработке. В качестве данных выступают идентификатор снимка, элементы внешнего ориентирования, результаты внутреннего ориентирования снимка и т.п.

В таблице 3 хранятся непосредственно измеренные координаты точек снимков х,у. Каждому измерению х,у в этой таблице соответствует номер измеряемой точки и идентификатор снимка, на котором производилось измерение.

Такая организация данных позволяет однозначно сопоставить каждому измерению соответствующую точку местности (сети) и снимок, на котором выполнено измерение. Она позволяет хранить «бесконечное» число опорных, контрольных, связующих точек и результатов измерения их координат.

Алгоритмы автоматического отождествления соответственных точек снимков.

Ключевым алгоритмом автоматизации фотограмметрических измерений является поиск соответственных точек на паре снимков[7].

В соответствии с методами представления видеоинформации все множество алгоритмов отождествления можно разделить на три класса:

-  алгоритмы площадного сопоставления (ABM), основанные на сравнении двумерных функций изображений;

-  алгоритмы, базирующиеся на сопоставлении структурных описаний (FBM);

-  алгоритмы, в основе которых лежит разложение функции изображения по некоторому базису.

Рассмотрим подробнее первую группу. Здесь в качестве примитивов (элементов описаний), участвующих при сопоставлении двух изображений служат пиксели. Точность этих алгоритмов составляет от 0,1 до 0,2 размера пикселя. Они чувствительны к изменению радиометрических и геометрических свойств изображения, требуют больших вычислительных затрат и характеризуются большой вероятностью грубой ошибки в областях расположения высотных объектов и плохих или повторяющихся структур. Примерами площадных алгоритмов являются алгоритм взаимной корреляции и метод наименьших квадратов. Критерием подобия для этих алгоритмов соответственно служат коэффициент взаимной корреляции и сумма квадратов разностей значений яркостей сопряженных участков изображений.

Mетод взаимной корреляции.

Суть метода заключается в вычислении функции взаимной корреляции, которую для дискретных функций можно записать в виде:

    (1.23)

где p и q – продольный и поперечный параллаксы на изображении f2(x, y).

M и N – соответственно ширина и высота образца или пределы, в которых определена функция f1(x,y).

Функция взаимной корреляции обладает следующими свойствами:

1) 

2)  если f1(x,y) и f2(x-p,y-q) независимы, то C(p, q)=0;

3)  C(p,q)=1 тогда и только тогда, когда существует такое число b¹0, что .

Страницы: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13