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 .

Фактически алгоритм отыскания соответствия между функциями f1(x,y) и f2(x-p, y-q) сводится к нахождению таких p0 и q0, при которых функция C(p, q) максимальна.

Преимущество этого метода простота реализации.

К недостаткам алгоритма взаимной корреляции относятся:

- большой объем вычислений;

- алгоритм устойчиво работает только при следующих условиях: снимаемая местность плоская, взаимные углы наклона и разворота снимков не превышают 20-30°, а разномасштабность снимков менее 20-30%.

Метод наименьших квадратов

Для метода наименьших квадратов в качестве критерия подобия служит функция суммы квадратов разностей между яркостями пикселей двух изображений.

Пусть на ограниченном участке (x'[-M/2, M/2], y'[-N/2, N/2]) между функциями f1 и f2 существует зависимость:

(1.24)

Для определения искомых величин p0 и q0 составим функцию:

(1.25)

Данную функцию решаем под условием минимума:

, (1.26)

Если известны приближенные значения неизвестных параметров (), то раскладывая функцию(1.25) в ряд Тейлора и ограничиваясь величинами первого порядка малости получаем линейное уравнение относительно неизвестных Dp0 и Dq0:

(1.27)

В результате приходим к системе уравнений поправок:

(1.28)

где A – матрица коэффициентов уравнений поправок;

dX – вектор-столбец поправок к приближенным значениям неизвестных (Dp0 и Dq0);

V – вектор невязок уравнений, который характеризует величины шумовых составляющих.

От системы уравнений поправок переходим к системе нормальных уравнений: