基于大比例尺航空影像共面约束条件的相机自检校方法
发布时间：2019-11-22 03:15
【摘要】：提出了基于大比例尺航空影像共面约束的相机自检校方法,该方法使用所有立体像对同名点基于共面约束对相机的内方位元素及畸变系数进行解算。首先进行航空影像同名点匹配,构建立体像对;然后基于共面约束使用直接解法和迭代优化进行相对定向,解算相机位置与姿态;最后使用最小二乘优化方法解算相机内方位元素和畸变系数。对于高分辨率大尺寸航空影像,图像中心及边缘的畸变差异较大,为了进一步提高解算精度,对图像进行网格区域划分解算畸变。使用大比例尺航空影像进行解算能真实精确反映航空摄影测量时所获取图像的相机参数和畸变系数,避免检校环境与使用环境不同解算得到的相机畸变参数不能真实反映所获取影像的畸变问题;使用所有同名点解算,避免由于选择不同特征点或控制点对检校精度的影响;通过区域网格划分,进一步提高了解算精度。对检校结果进行了分析,该方法精度较高,与基于室外检校场的精度相当,能真实精确反映航空摄影测量时所获取图像的相机参数和畸变系数,提高了三维重建的精度。
【图文】：
的仿射变换关系，以判断匹配的有效性：若两幅图像无重叠或误点太多，则无法得到一个有效的仿射变换，该像对被剔除；对于有重叠并匹配成功的两幅影像，通过ＲＡＮＳＡＣ算法可以剔除少量误匹配点，最终获得一定数量的可靠同名像点，对应的两幅影像即构成了一个立体像对［２０］。在立体像对模型内进行稠密同名点匹配，，获取大量的观测值，可以为后续的最小二乘优化提供大量的观测方程。１．２．２相对定向根据解析法相对定向，同名射线在空间对对相交，射线ｏｐ、ｏ′ｐ′及摄影基线Ｂ共面，如图１所示，根据三矢量共面，它们的混合积为０，可得约束公式Ｂ·ｏｐ×ｏ′ｐ′（）＝０（５）式中，ｏｐ、ｏ′ｐ′为同名射线矢量；Ｂ为基线矢量。图１共面约束示意图Ｆｉｇ．１Ｃｏｐｌａｎａｒｉｔｙｃｏｎｓｔｒａｉｎｔ首先采用直接解法相对定向获取各相机位置与姿态初值，然后使用最小二乘进行迭代优化，依据共面约束，建立优化函数如式（６）所示ｍｉｎ∑Ｎｉ＝１Ｆ２（６）式中，Ｆ＝Ｂ·ｏｐ×ｏ′ｐ′（）。具体过程如下：①选择系列图像中中间位置的图像作为主图，相邻的一幅图作为辅图，邻接图为相互有重叠的图，从其他未定位图中找一幅邻接点最多的邻接图作为候选图。通过提取主图与邻接图间的同名点，由相对定向过程，即可确定邻接图对应相机的相对位置和姿态；重复上述过程，即可确定全部相机的相对位置和姿态。②以位置与姿态参数为优化目标，基于共面约束建立优化函数，解算各相机位置与姿态参数。对于多幅航空影像，为了快速解算位置与姿态，迭代解算能够收敛，避免参数过多相互干扰，采用如下策略：对主、辅图定位后
畸变校正对于高分辨率大尺寸航空影像，图像中心及边缘的畸变差异较大，为了准确地解算相机畸变系数，进行畸变校正，对图像进行了区域网格划分，分区域进行畸变校正。将航空影像划分为ｍ×ｎ矩形网格，ｍ、ｎ分别为ｘ、ｙ方向的网格数。联合所有影像同名点使用双线性插值和最小二乘迭代优化算法解算网格交点畸变量，然后根据网格交点处畸变量校正该网格区域内像点。通过联合计算所有航空影像并通过合理划分矩形网格，能够最真实地反映摄影时相机的内方位元素及畸变系数，对像点进行畸变校正。在图２中，设网格（ｉ，ｊ）交点ｐｉｊ的畸变量为δｘｐｉ，ｊ、δｙｐｉ，ｊ，则根据双线性插值，同名像点Ｑｋ处的畸变量为图２区域网格划分Ｆｉｇ．２Ｍｅｓｈｐａｒｔｉｔｉｏｎδｘｑｋ＝（１－ｕ）（１－ｖ）δｘｐｉｊ＋ｕ（１－ｖ）δｘｐｉ＋１，ｊ＋（１－ｕ）ｖδｘｐｉ，ｊ＋１＋ｕｖδｘｐｉ＋１，ｊ＋１δｙｑｋ＝（１－ｕ）（１－ｖ）δｙｐｉｊ＋ｕ（１－ｖ）δｙｐｉ＋１，ｊ＋（１－ｕ）ｖδｙｐｉ，ｊ＋１＋ｕｖδｙｐｉ＋１，ｊ＋１p蚿蘰危ǎ梗保埃
本文编号：2564290
【图文】：
的仿射变换关系，以判断匹配的有效性：若两幅图像无重叠或误点太多，则无法得到一个有效的仿射变换，该像对被剔除；对于有重叠并匹配成功的两幅影像，通过ＲＡＮＳＡＣ算法可以剔除少量误匹配点，最终获得一定数量的可靠同名像点，对应的两幅影像即构成了一个立体像对［２０］。在立体像对模型内进行稠密同名点匹配，，获取大量的观测值，可以为后续的最小二乘优化提供大量的观测方程。１．２．２相对定向根据解析法相对定向，同名射线在空间对对相交，射线ｏｐ、ｏ′ｐ′及摄影基线Ｂ共面，如图１所示，根据三矢量共面，它们的混合积为０，可得约束公式Ｂ·ｏｐ×ｏ′ｐ′（）＝０（５）式中，ｏｐ、ｏ′ｐ′为同名射线矢量；Ｂ为基线矢量。图１共面约束示意图Ｆｉｇ．１Ｃｏｐｌａｎａｒｉｔｙｃｏｎｓｔｒａｉｎｔ首先采用直接解法相对定向获取各相机位置与姿态初值，然后使用最小二乘进行迭代优化，依据共面约束，建立优化函数如式（６）所示ｍｉｎ∑Ｎｉ＝１Ｆ２（６）式中，Ｆ＝Ｂ·ｏｐ×ｏ′ｐ′（）。具体过程如下：①选择系列图像中中间位置的图像作为主图，相邻的一幅图作为辅图，邻接图为相互有重叠的图，从其他未定位图中找一幅邻接点最多的邻接图作为候选图。通过提取主图与邻接图间的同名点，由相对定向过程，即可确定邻接图对应相机的相对位置和姿态；重复上述过程，即可确定全部相机的相对位置和姿态。②以位置与姿态参数为优化目标，基于共面约束建立优化函数，解算各相机位置与姿态参数。对于多幅航空影像，为了快速解算位置与姿态，迭代解算能够收敛，避免参数过多相互干扰，采用如下策略：对主、辅图定位后
畸变校正对于高分辨率大尺寸航空影像，图像中心及边缘的畸变差异较大，为了准确地解算相机畸变系数，进行畸变校正，对图像进行了区域网格划分，分区域进行畸变校正。将航空影像划分为ｍ×ｎ矩形网格，ｍ、ｎ分别为ｘ、ｙ方向的网格数。联合所有影像同名点使用双线性插值和最小二乘迭代优化算法解算网格交点畸变量，然后根据网格交点处畸变量校正该网格区域内像点。通过联合计算所有航空影像并通过合理划分矩形网格，能够最真实地反映摄影时相机的内方位元素及畸变系数，对像点进行畸变校正。在图２中，设网格（ｉ，ｊ）交点ｐｉｊ的畸变量为δｘｐｉ，ｊ、δｙｐｉ，ｊ，则根据双线性插值，同名像点Ｑｋ处的畸变量为图２区域网格划分Ｆｉｇ．２Ｍｅｓｈｐａｒｔｉｔｉｏｎδｘｑｋ＝（１－ｕ）（１－ｖ）δｘｐｉｊ＋ｕ（１－ｖ）δｘｐｉ＋１，ｊ＋（１－ｕ）ｖδｘｐｉ，ｊ＋１＋ｕｖδｘｐｉ＋１，ｊ＋１δｙｑｋ＝（１－ｕ）（１－ｖ）δｙｐｉｊ＋ｕ（１－ｖ）δｙｐｉ＋１，ｊ＋（１－ｕ）ｖδｙｐｉ，ｊ＋１＋ｕｖδｙｐｉ＋１，ｊ＋１p蚿蘰危ǎ梗保埃
本文编号：2564290
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/2564290.html
