树木影像特征提取与立体匹配技术研究

发布时间：2020-07-15 03:36

【摘要】： 立体视觉应用于森林资源调查将是一种全新的手段，它将大大节省森林调查人力、财力，并且获得更丰富的信息。本文在总结其它行业应用立体视觉技术成功经验的基础上，探索立体视觉技术应用于森林资源调查的可行性，寻找在森林资源调查中立体视觉的实现策略。第一章，概述了计算机视觉发展简史，以及在计算机视觉中占有重要地位的Marr视觉理论。在总结了立体视觉在其它行业组成功应用的基础上，阐述了立体视觉在森林资源调查中应用的意义，展望了应用前景。第二章，系统的综述了立体视觉中的图像采集及预处理、特征检测、摄像机标定、立体匹配和三维重建等组成部分。尤其对立体匹配中的约束、立体匹配的分类，立体匹配的实现策略以及立体匹配的常用算法进行了总结。第三章，通过系统的实验，确定了林业立体视觉量测系统中各组成部分采用的方法、策略，立体视觉应用于森林资源调查所能达到的精度。对于用FUJIFILM FinePix6900Zoom数码相机野外实际拍摄的树木近景图像，在FVision中，采用不同的平滑去噪方法对图像进行预处理，从速度和处理效果综合考虑，高斯模板滤波最佳。分别用一阶梯度算子、二阶微分算子以及SUSAN算子进行树干边缘检测实验，实验结果表明，对于树干阶跃型的边缘， Canny算子不但能检测出树干的边缘强度，而且能够检测出树干边缘的方向。对于不同背景下的树干，可以通过改变Canny算子的标准差，来获得最佳的树干的边缘。另外，大模板的LoG算子(本文采用13×13的LoG模板)也可以检测出很好的单像素的Zero Crossing树干边缘。在前人工作的基础上，进一步完善了非线性度量误差模型在摄像机定标的应用。通过多次重复性的实验，成功实现了以线性最小二乘法求解摄像机参数做初值，再用非线性度量误差模型对摄像机参数进行优化的单目标定方法。通过对本文所采用的FUJIFILM FinePix6900Zoom数码相机在固定支架 WP=6 滑动和不同地点搬动进行重复性拍摄大小为1280×960图像，然后进行摄像机标定参数求解。得出FUJIFILM FinePix6900Zoom数码相机在搬动拍摄过程中，dx=dy，并且稳定在0.0061~0.0062之间，而像主点坐标(u0,v0)不稳定。在固定支架上滑动摄像机拍摄过程中，dx=dy同样稳定在0.0061~0.0062之间。像主点坐标(u0,v0)保持稳定在(625,510)左右。直接采用非线性度量误差模型进行双目标定，对于摄像机内参数，得到与单目标定相同的结论。利用本文的标定结果，重建后得出，在固定支架上滑动摄像机拍摄时，随着基线长度从50mm开始，不断增加，基线长度达到400mm时,单点重建精度平均稳定在厘米级。而在不同地点搬动摄像机拍摄，基线大于3m时，单点重建平均精度低于50mm。立体匹配是立体视觉中最难解决的问题。根据树干的特点，在尝试了多种在其它行业成功应用的立体匹配算法之后，提出了适合树干边缘的立体匹配策略。即首先进行人机交互式的树干边缘约束下的变区域立体匹配，然后利用非线性度量误差模型进行整体匹配。对于相同的立体图像对，本文分别采用的Canny算子、模板为13×13的LoG算子和Sobel算子检测的树干边缘做约束，区域相似性度量分别采用熵差、不变矩、相关性以及三者的综合。按照本文提出的匹配策略获得了不同的匹配结果。通过对不同匹配方法获得的树干边缘的匹配点集进行重建，计算树木点位坐标和树木点位，对实验结果进行对比分析得出结论。其中人机交互式的Canny算子检测出的树干边缘特征约束下，变区域的相关匹配或综合测度匹配获得的匹配点集，然后进行基于非线性度量误差模型的整体匹配优于其它匹配算法。当采用单目标定的摄像机参数，重建到地理坐标系下时，胸径测定的平均相对误差分别为7.584118%(相关)和4.8394047%(综合测度)；树木点位平均误差分别为164.6309mm(相关)和167.18mm(综合测度)。当采用双目标定的摄像机参数重建到摄像机1坐标系下时，胸径测定的平均相对误差分别为7.828278%(相关) WP=7 和4.433936%(综合测度)；树木点位平均误差分别为177.1102mm (相关)和175.3981mm(综合测度)。第四章简要概述了FVision。FVision是基于本文提出的立体视觉理论和方法，在Visual C++6.0下开发的树木近景立体量测系统。在FVision中包含了错误信息类、数学运算类、遗传算法类、图像处理类，图像特征检测类、视觉类等。实现了树木图像显示与处理、特征检测、形态学处理、立体匹配、摄像机标定及三维重建等具有林业特色的功能，同时还有数据输入输出、编辑撤销和还原、人机交互、容错机制等辅助功能。实践表明，立体视觉技术测定的树木点位坐标完全能够满足森林资源调查的精度要求，而胸径测定基本能够满足资源调查的精度要求。
【学位授予单位】：中国林业科学研究院
【学位级别】：博士
【学位授予年份】：2003
【分类号】：S757.2
【图文】：

图像亮度,函数,高斯函数,拉普拉斯算子

其中σ为标准差。二维高斯函数对不同变量进行二阶微分，可以得到拉普拉斯算子Canny 算子。2.2.1.3.1 拉普拉斯算子对于式(2.5)所示的高斯函数，设 r2= x2+ y2，拉普拉斯(Laplacian)公为高斯函数 h 对 r 的二阶微分：)2exp(224222σσrσ rh =(图 2.2 给出的是这个对称函数的坐标原点附近的一段。在 r = +σ时值是 0，中间是正的，两边是负的。在计算上可以基于图 2.2 的模板即按式(2.6)执行。当用相对明暗度的竖轴三维透视来观察，等式(2.6)有一个典的墨西哥帽子的形状，图 2.3 给出了这种形状的图像表示。这表明拉普拉算子 h2 的均值是 0。

横截面,高斯函数,拉普拉斯算子,二阶微分

差分算子,微分算子,高斯函数,微分

１８对于受白噪声影响的阶跃型边缘，Canny 边缘检测算子在上述三个准则意义下是最优的。对前两个标准最优，即检测标准和定位标准，Canny 边缘图 2.6 (a)带有噪声的台阶边缘，(b)差分算子，(c)对边缘应用差分算子的结果，(d)高斯算子的一阶微分，(e)高斯函数的一阶微分算子应用于边缘卷积的结果。(徐光yP,1999)Figure2.6 (a)Step edge with noises, (b) Differential operator, (c) The result ofapplication differential operator on edge, (d) The first step difference ofGaussian operator, (e)The result of application Gaussian differentialoperator on edge convolution

【引证文献】