数字摄影测量复习题含答案.doc

(完整word版)数字摄影测量复习题含答案
第五章 数字影像与特征提取
1. 什么是数字影像?其频域表达有什么作用？
答：数字影像是以数字形式保存数字化航空、胶片影像的扫描影像
‚频域表达对数字影像处理是很重要的。因为变换后矩阵中元素的数目与原像中的相同。但其中很多是零值或数值很小，这就意味着通过变换、数据可以被压缩，使其能更有效的存储和传递；其次是影像分解力的分析以及许多影像处理过程。例如滤波、卷积以及在有些情况下的相关运算，在频域内可以更为有利的进行。其中所利用的一条重要关系就是在空间域内的一个卷积，相当于在频率域内其卷积函数的相乘，反之亦然。在摄影测量中所使用的影像的傅立叶谱可以有很大的变化，例如在任何一张航摄影像上总可以找到有些地方只含有很低的频率信息，而有些地方则主要包含高频信息，偶然的有些地区主要是有一个狭窄范围的带频率信息。
2. 怎样根据已知的数字影像离散灰度值，精确计算其任意一点上的灰度值？
答：：当欲知不位于矩阵(采样)点上的原始函数g（x,y）的数值时就需要内插，此时称为重采样
3. 常用的影像重采样方法有哪些？试比较他们的优缺点
答：常用的影像重采样方法有最邻近像元法、双线性插值、双三次卷积法
‚最邻近像元法最简单、计算速度快、且能不破坏原始影像的灰度信息，但几何精度较差；
双线性插值法虽破坏原始影像的灰度信息，但精度较高，较为适宜；
双三次卷积法其重采样中误差约为双线性插值的1/3，但较费时；
4.已知gi,j=102,gi+1,J=112,gi+1,j+1=126,k-i = /4，l -j= /4， 为采样间隔，用双线性插值计算gk,l
答:g(k,l)=W(i,j) g(i,j）+W(i+1,j) g(i+1,j）+W(i,j+1) g(i,j+1）+W(i+1，j+1)
=（1- /4）（1- /4）*102+（1 - /4） /4*112+ /4（1- /4）*118+( /4)* ( /4)*126
=102+13/2* -1/8* ²
５.什么是线特征？有哪些梯度算子可用于线特征的提取？
答：线特征指影像的边缘与线，边缘可定义影响局部区域特征不相同的那些区域间的分界线，而线则可以认为是具有很小宽度的其中间区域具有相同影响特征的边缘对
　　‚常用方法有差分算子、拉普拉斯算子、LOG算子等

第六章 影像匹配基础理论与算法
1. 什么是金字塔影像？基于金字塔影像进行相关有什么好处？为什么?
答：对于二维影像逐次进行低通滤波，并增大采样间隔，得到一个像元素总数逐渐变小的影像序列，依次在这些影像对中相关，即对影像得分频道相关。将这些影像叠置起来颇像一座金字塔，因而成为金字塔影像结构
‚好处:提高了影响的可靠性与准确性，速度增快，先用低通滤波进行初相关，找到了同名点的粗略位置，然后利用高频信息进行精确相关，实现从粗到细的处理过程
　ƒ因为通过相关函数的谱分析可知，当信号中高频成分较少时，相关函数曲线较平缓；但相关的拉入范围较大；反之，当高频成分较多时，相关函数曲线较陡，相关精度较高，但相关拉入范围较少；此外，当信号中存在高频窄带随机噪声或信号中存在较强的高频信号时，相关函数出现多峰值，因此常出现错误匹配
２.什么是影像匹配，影像匹配与影像相关的关系是什么？
答：影像匹配实质上是在两幅或多幅影响之间识别同名点，他是计算机视觉级数字摄影测量的核心问题，由于早期的研究中一般使用相关技术解决影像匹配的问题。所以影像匹配常常被称为影像相关。
３.有哪些影像匹配基本算法？其中哪一种算法较好？为什么？
答：常见的有五种影像匹配算法
相关函数（矢量数积）测度；协方差函数（矢量投影）测度；相关系数（矢量夹角）测度；差平方和（差矢量模）测度；差绝对值和（差矢量分量绝对值和）测度
　‚相关系数测度算法较好
　因为相关系数测度是标准化的协方差函数，因为它是灰度线性变换的不变量，且当目标影像灰度与搜索区的影像之间存在线性畸变时，仍然能较好的评价他们之间的相似程度（灰度矢量经线性变换后的相关系数不变），该方法的抗噪性更强，所以相关系数测度算法较好
４. 特征点的匹配通常采用哪些策略？试比较“广度优先”和“深度优先”影像匹配的优缺点
答：（１）特征点的匹配通常采用的策略：
二维匹配与一维匹配
当影像方位参数未知时，必须进行二维的影像匹配，此时匹配的主要目的是利用明显点对解求影像得方位参数，以建立立体影像模型，形成核线影像以便进行一维匹配，二维匹配的搜索范围在最上一层影像由先验视差确定在其后各层，只需要小范围内搜索
当影像方位已知时，可直接进行带核线约束条件的一维匹配，但在上、下方向可能各搜索一个像素，也可以沿核线重采样形成核线影像，进行一维影像匹配，但当影像方位参数不精确或采用近似核线的概念时，也有可能有必要在上、下方向各搜索一个像素
‚匹配的备选点可采用如下方法选择：
对右影像也进行相应的特征提取，挑选预测区内的特征点作为可能的匹配点
右影像不进行特征提取，将预测区内的每一点都作为可能的匹配点
右影像不进行特征提取，但也不将所有的点作为可能的匹配点，而用“爬山法”搜索，动态的确定备选点，爬山法主要用于二维匹配，对一维匹配仅用于在搜索区边沿取得匹配测度最大的情况
ƒ特征点的提取与匹配的顺序
“深度优先”对最上一层左影像每提取到一个特征点，即对其进行匹配。然后，将结果化算到下一层影像进行匹配，直至原始影像，并以该匹配好的点对为中心将其领域的点进行匹配。再上升到第一层，在该层已匹配的点的领域选择另一点进行匹配，将结果化算到原始影像，重复前一点的过程，直至第一层最先匹配的点的领域中的点处理完，再回溯到第二层，如此进行。这种处理顺序类似于人工智能中的深度优先搜索法
“广度优先”这是一种按层处理的方法，即首先对最上一层影像进行特征提取与匹配，将全部点处理完后，将结果化算到下一层，并加密进行匹配重复以上过程，直至原始影像。这种处理顺序类似人工智能的广度优先搜索法
m匹配的准则
除了利用一定的相似性测度（主要是相关系数）外，一般还考虑特征的方向，周围已匹配点的结果。如将前一条核线已匹配的点沿边缘线传递到当前核线上同一边缘线上的点。由于特征点的信噪比应该较大，因此其相关系数也应较大。故可设一较大的阈值，当相关系数高于阈值时，才认为其是匹配点，否则需利用其他条件进一步判别。经验表明，特征的相关系数一般都能达到０.９以上
n粗差的剔除
可利用二次曲面进行视差值拟合，并用最小二乘法剔除粗差点
（２）广度优先匹配的优点：效率比较高
　　　广度优先匹配的缺点：精度低
　　　深度优先影像匹配的优点：精度高
　　　深度优先影响匹配的缺点：效率低，计算量大

第七章　数字地面模型的建立与应用
１. 什么是ＤＴＭ，ＤＥＭ与ＤＨＭ？ＤＥＭ有哪几种主要的形式，其优缺点各是什么？
答：数字地面模型ＤＴＭ是地形表面形态等多种信息的一个数字表示。严格的说，ＤＴＭ是定义在某一区域Ｄ上的ｍ维向量有限序列｛Ｖi，i＝１，２…ｎ｝，其中向量Ｖｉ＝｛Ｖｉ１，Ｖｉ２…Ｖｉｎ｝的分量为地形（Ｘｉ，Ｙｉ，Ｚｉ）（（Ｘｉ，Ｙi）∈Ｄ），资源，环境，土地利用，人口分布等多种信息的定量或定性描述。若只考虑ＤＴＭ的地形分量，我们通常称其为数字高程模型ＤＥＭ或ＤＨＭ
‚数字高程模型ＤＥＭ是表示区域Ｄ上地形的三维向量有限序列｛Ｖｉ＝（Ｘｉ，Ｙｉ），ｉ＝１，２…｝，其中，｛（Ｘｉ，Ｙi）∈Ｄ｝是平面坐标，Ｚｉ是｛Ｘｉ，Ｙｉ｝对应的高程，当该序列中各向量的平面点位呈规则格网排列时，则其平面坐标｛Ｘｉ，Ｙｉ｝可省略，此时ＤＥＭ就简化为一维向量序列｛Ｚｉ，i＝１，２…ｎ｝，这也是ＤＥＭ或ＤＨＭ的名称的缘由。在实际应用中，很多人将ＤＥＭ称为ＤＴＭ，实际上他们是不完全相同的
ƒＤＥＭ有多种表现形式，主要包括规则矩形格网与不规则三角网
m规则格网的优点：数据结构简单；计算机处理方便
　规则格网的缺点：平坦地区－数据冗余；格网固定－无法表达地形；地表表达不连续
　不规则三角网的优点：可变的分辨率；顾及地表特征；利用随机点数据，精度高
　不规则三角网的缺点：数据存储与操作复杂