下载文档原格式
摄影测量学复习资料(总15页)--本页仅作为文档封面，使用时请直接删除即可----内页可以根据需求调整合适字体及大小--摄影测量学复习资料第一章绪论1、摄影测量的定义、任务定义：摄影测量与遥感是从非接触成像和其他传感器系统，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可靠信息的工艺，科学与技术。
其中摄影测量侧重于提取几何信息，遥感侧重于物理信息。
任务：（1）测绘各种比例尺地形图。
（2）建立数字地面模型（地形数据库）。
2、摄影测量学：是对研究的对象进行摄影，根据所得的构象信息，从几何方面和物理方面加以分析研究，从而对所摄对象的本质提供各种资料的一门学科。
3、解决的基本问题：几何定位和影像解译。
4、摄影测量的三个发展阶段及其特点。
（了解）5、摄影测量的分类方法及其分类（了解）：（1）按距离远近可分为航天摄影测、航空摄影测量、地面摄影测量、近景摄影测量和显微摄影测量；（2）按用途可分为地形摄影测量和非地形摄影测量；（3）按处理手段可分为模拟摄影测量、解析摄影测量和数字摄影测量；（4）根据摄影机平台位置的不同可分为航天摄影测量、航空摄影测量、地面摄影测量和水下摄影测量。
第二章影像的获取1、航空影像和遥感影像的获取方式航空影像：飞机等航空平台搭乘航摄仪（或数码相机）摄影成像；一般航空影像分为专业航摄仪（航空摄影机）获取的标准航片和非量测摄影机（普通摄影机）获取的非标准航片。
遥感影像：卫星等航天平台利用各类传感器（阵列扫描、推扫）获取遥感影像。
例如SPOT、QB、TM、IKONOS、World View等影像。
2、量测摄影机与非量测摄影机的区别（1）量测摄影机的主距是一个固定的已知值（2）量测摄影机的承片框上具有框标，即固定不变的承片框上，四个边的中点各安置一个机械标志；框标，其目的是建立像片的直角，框标坐标系。
（3）量测摄影机的内方位元素是已知值。
3、航向重叠：摄影时飞机沿相邻影像之间必须保持一定的重叠度。
测绘技术摄影测量点位定向方法1. 引言：测绘技术摄影测量的重要性和应用领域测绘技术摄影测量是一种应用摄影测量原理的测绘技术，广泛应用于地理信息系统、土地利用规划、建筑设计等领域。
通过摄影测量点位定向方法，可以获取目标物体的三维坐标信息，为相关领域的决策和规划提供精确的数据支持。
2. 摄影测量点位定向的原理摄影测量点位定向的基本原理是利用摄影测量仪器记录目标物体的影像信息，并通过解算相对定向元素和绝对定向元素，推导出目标物体的三维坐标。
相对定向元素主要包括相对摄影中对物体的影像位置关系、相对摄影中摄影机的内外定向参数等。
绝对定向元素主要通过辅助观测或控制点来获得，使得摄影坐标系与地理坐标系相一致。
3. 相对定向元素的测定方法相对定向元素的测定方法有多种途径，常用的方法包括影像纠正、影像匹配和立体分析等。
影像纠正是通过对影像进行几何纠正，得到校正后的影像，用于后续的处理。
影像匹配通过对影像进行特征提取，寻找匹配点，从而确定物体在不同影像中的对应关系。
立体分析是利用立体影像的几何关系，通过两个或多个影像的几何关系求解相对定向元素。
4. 绝对定向元素的测定方法绝对定向元素是通过辅助观测或控制点来获得，常用的方法有地面控制点测量、导航系统辅助定位和GPS技术等。
地面控制点测量是通过测量地表上的已知地物点的大地坐标和像点坐标，来推导出相机的外方位元素。
导航系统辅助定位是利用航空摄影测量中的GPS/INS导航系统，通过记录摄影机位置和姿态的GPS/INS数据来确定外方位元素。
GPS技术则是通过接收卫星信号，推导出摄影机的位置和姿态，从而获得外方位元素。
5. 点位定向方法的应用案例测绘技术摄影测量的点位定向方法在实际应用中有着广泛的应用。
例如，在土地利用规划中，可以利用摄影测量点位定向方法获取目标物体的三维坐标和形状信息，为土地利用规划提供准确的数据支持。
在建筑设计中，可以通过点位定向方法获取建筑场地的地形和地貌信息，为建筑设计和施工提供基础数据。
影像学技术中的特征提取研究影像学技术中的特征提取研究一直是计算机视觉领域的重要研究方向之一。
特征提取是将原始图像数据转换成具有差异性、可用性和可计算性的特征向量的过程，它在图像分类、目标检测、图像配准等领域中具有重要的应用价值。
特征提取的目的是从原始图像中提取出对于目标识别和分类具有显著差异性和可区分性的特征。
在影像学技术中，常用的特征提取方法包括传统的基于形状、纹理和颜色的特征提取方法，以及近年来兴起的基于深度学习的特征提取方法。
传统的特征提取方法主要是基于手工设计的特征提取算法。
其中，形状特征提取算法根据目标的几何形状、边界和轮廓等特征，提取目标的形状信息。
纹理特征提取算法通过分析图像的纹理、纹理方向和纹理统计等特征，提取图像的纹理信息。
颜色特征提取算法则通过分析图像中的颜色直方图、颜色分布和颜色矩等特征，提取图像的颜色信息。
尽管传统的特征提取方法在某些场景下具有可行性和可靠性，但是它们往往需要依赖于对图像的先验知识和经验，且对于复杂的图像数据往往表现较差。
近年来，基于深度学习的特征提取方法在影像学技术中得到了广泛的应用。
深度学习是一种机器学习的方法，通过构建多层次的神经网络模型，实现对数据的自动特征提取和表示。
在影像学技术中，基于深度学习的特征提取方法主要是基于卷积神经网络（CNN）的方法。
CNN是一种特殊的神经网络模型，它通过卷积层、池化层和全连接层等结构，对图像数据进行特征提取和表示。
在训练过程中，CNN通过反向传播算法，自动学习出适合于图像分类和识别的特征。
与传统的特征提取方法相比，基于CNN的特征提取方法不需要手工设计特征，具有更强的表征能力和泛化能力。
除了传统的特征提取方法和基于深度学习的特征提取方法之外，还有一些新的特征提取方法在影像学技术中得到了研究。
例如，基于稀疏编码的特征提取方法通过稀疏表示模型，将图像数据表示为少量基函数的线性组合。
基于字典学习的特征提取方法通过学习一组基函数的字典，将图像数据表示为字典中基函数的线性组合。
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 r c i ri 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 g g 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 ；1212u u v v uv g g 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 v i 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。
遥感影像的几何校正和特征提取方法遥感影像是通过遥感技术获取的地球表面信息的图像或图像组。
由于数据获取过程中存在各种误差，如地球自转、大气扰动、平台运动等，遥感影像在获取后需要进行几何校正以提高图像的质量和精度。
此外，为了进一步分析遥感影像中的信息，特征提取是必需的，可以帮助科学家从图像中提取有关地理特征的信息。
一、遥感影像的几何校正方法1. 大地控制点法：这是一种常用的几何校正方法，通过确定遥感影像上一系列具有已知地理坐标的地物进行配准。
通过收集大量的地面控制点，利用全球定位系统（GPS）等技术获取精确的地理坐标，然后将遥感影像转化为地理坐标系统，实现几何校正。
2. 特征点匹配法：该方法利用遥感影像与参考图像之间的特征点进行匹配。
通过提取遥感影像和参考图像的特征点，并使用特征匹配算法对两幅图像进行配准，从而实现几何校正。
3. 数字高程模型法：该方法利用数字高程模型（DEM）来进行几何校正。
DEM是一种用来表示地表地形高程信息的数学模型。
通过提取遥感影像上的地物高程信息，并结合DEM数据，可以实现对遥感影像的几何校正。
二、遥感影像的特征提取方法1. 阈值分割：该方法基于像素间的灰度差异来实现特征提取。
通过设置适当的阈值，将像素灰度值划分为不同的区域，从而提取出感兴趣的特征。
例如，可以利用阈值分割方法提取出水体、植被等特征。
2. 目标识别和分类：该方法通过使用机器学习算法来实现对遥感影像中的目标进行识别和分类。
常用的机器学习算法包括支持向量机（SVM）、随机森林（RF）等。
通过对已标记的训练样本进行训练，然后对遥感影像进行分类，可以实现对特定目标的提取和分类。
3. 特征融合：该方法通过将多个特征进行融合，提高特征提取的准确性和稳定性。
常用的特征融合方法包括主成分分析（PCA）、小波变换、人工神经网络等。
通过将多个特征进行组合和处理，可以提取出更具辨识度的特征。
4. 目标检测：该方法通过一系列图像处理和模式识别技术来实现对目标的检测。
无人机航拍图像处理中的特征提取与匹配随着科技的不断发展，无人机技术越来越受到关注和追捧，无人机航拍也成为越来越受欢迎的应用之一。
在无人机航拍图像处理中，特征提取与匹配是关键技术之一。
一、特征提取无人机航拍图像中的特征点主要包括角点、边缘点和斑点。
其中，角点是相邻像素灰度或颜色变化较大的点；边缘点是在垂直和水平方向上像素灰度变化较大的点；斑点是一些孤立的像素。
特征提取的目的是在图像中找到关键点（如角点、边缘点和斑点），并给予他们一个刻画性的描述。
在无人机航拍图像处理中，特征提取是为了在图像中找到对匹配有用的关键点，以便进行下一步的匹配处理。
特征提取的方法有很多，例如SIFT、SURF、ORB等。
它们的基本原理都是通过对图像中的局部区域进行采样和分析，找到局部特征，并通过这些局部特征来描述整张图像。
这些描述符可以利用于特征匹配，通过比较不同图像的描述符来确定它们之间的相似性。
二、特征匹配无人机航拍图像中，特征点的匹配是指在两幅图像中找到相同的特征点。
而在特征点匹配中，需要解决的一个关键问题是如何将两个描述符匹配起来。
对于一个特定的描述符，可以通过计算它与其他描述符之间的距离来确定它们之间的相似性。
在实际应用中，我们通常使用相似性度量算法（如欧氏距离、汉明距离、余弦距离等）来计算描述符之间的距离。
然后，通过比较两个描述符之间的距离，找到它们之间的最佳匹配点。
特征匹配的方法也有很多，如基于描述符相似度、基于几何模型、基于深度学习等。
在无人机航拍图像处理中，由于环境的复杂性和图像的变化，特征匹配是一个比较复杂的问题。
如何选择合适的特征提取算法，以及如何对提取到的特征进行匹配，都是需要仔细考虑的问题。
三、无人机航拍图像处理的应用无人机航拍图像处理在很多领域都有广泛的应用，如农业、测绘、城市规划等。
以农业为例，通过无人机航拍图像处理，可以对农田进行高精度的测量和监测，提高农业生产效率。
此外，也可以通过无人机航拍图像处理来检测农作物的健康状况，提高农业生产质量。
