智能攝影測量學導論（簡體書）

本書系統講述現代攝影測量學的知識體系、方法及應用。第1章為全書基礎，介紹幾何成像、傳感器技術、攝影平臺、圖像處理以及**化方法等。第2，3章分別介紹單目視覺和雙目視覺，它們是攝影測量中幾何概念的主體部分。第4章闡述運動平臺的定位方法，並將傳統的光束法平差推廣為貝葉斯理論框架下的動態**化問題。第5章介紹圖像匹配，包括用於同名點提取的稀疏匹配和用於立體重建的密集匹配。第6章介紹激光雷達與光學圖像的多層次融合。第7章介紹專題圖和深度學習，並指出以深度學習為主的人工智能方法將為語義專題圖的自動生產提供良好的解決方案。語義專題圖的製作是數字攝影測量時代多年來可望不可及的目標，這預示著一個新的時代――智能攝影測量時代的到來。

目錄
第1章基礎1
1.1物理相關1
1.1.1光與視覺1
1.1.2傳感器與圖像2
1.1.3攝影平台4
1.2幾何變換5
1.2.1點、線、面、角5
1.2.2幾何變換的層次9
1.2.3從3D到2D的幾何變換10
1.3數學基礎13
1.3.1線性時不變系統和圖像處理13
1.3.2最小二乘平差19
1.3.3粗差的處理21
1.3.4系統誤差的處理23
1.3.5最大似然，最大後驗及貝葉斯定理24
1.3.6變分法25
1.4數學工具和平台29
1.4.1代數運算工具29
1.4.2 OpenCV庫29
1.4.3深度學習平台30
課後習題31
第2章單像解析32
2.1坐標系統32
2.1.1圖像坐標系32
2.1.2傳感器坐標系34
2.1.3平台坐標系34
2.1.4局部切平面坐標系35
2.1 .5地心直角坐標系35
2.2普通光學相機的成像模型35
2.2.1平面相機35
2.2.2線陣相機36
2.2.3魚眼相機37
2.2.4通用幾何成像模型39
2.3全景相機的四種成像模型43
2.3.1理想的全景相機43
2.3.2多鏡頭組合式全景相機45
2.3.3旋轉式全景相機46
2.3.4折反射式全景相機47
2.4單像解析的一些補充48
2.4.1空間後方交會和解法48
2.4.2共線條件方程的正算和反算49
2.4.3滅點與滅線50
2.4 .4相機檢校51
課後習題53
第3章立體幾何54
3.1普通核線幾何54
3.2線陣相機的核線57
3.3全景相機的核線58
3.4三視幾何59
3.4.1基於線的三視幾何59
3.4.2三焦點張量61
3.5核線幾何的一些補充63
3.5.1核線立體像對63
3.5.2立體模型的絕對定向64
3.5.3前方交會和立體重建65
課後習題66
第4章運動成像平台的定位方法67
4.1貝葉斯理論框架下的通用定位模型67
4.1.1光束法平差的缺點67
4.1.2通用定位模型68
4.2光束法區域網平差69
4.2.1基本方法69
4.2.2光束法平差的初值73
4.2.3光束法平差的控制條件75
4.2.4自檢校光束法平差77
4.3卡爾曼濾波78
4.3.1離散卡爾曼濾波79
4.3.2擴展卡爾曼濾波81
4.4粒子濾波83
4.4.1蒙特卡羅和馬爾可夫鏈83
4.4.2用帶權粒子表達概率分佈84
4.4.3粒子濾波算法85
4.5一些補充87
4.5. 1從運動恢復結構87
4.5.2 SLAM與VisualSLAM 87
課後習題91
第5章圖像匹配92
5.1特徵與特徵提取92
5.1.1什麼是好特徵？92
5.1.2 Harris算子93
5.1.3 SIFT算子95
5.1.4 A-SIFT與最小二乘匹配97
5.2圖像匹配99
5.2.1幾種相似性測度99
5.2.2誤匹配處理100
5.2.3匹配效率102
5.3圖像密集匹配103
5.3.1概述104
5.3.2近似全局匹配方法104
5.3.3半全局方法107
5.4一些補充110
5.4.1視覺詞袋110
5.4.2閉環探測110
5.4.3多源圖像匹配111
5.4.4非線性光照與本徵圖像分解111
課後習題113
第6章相機與激光雷達的融合114
6.1傳感器靜態檢校114
6.1.1相機與GPS、IMU的檢校114
6.1.2基於線的共線條件方程115
6.1.3激光雷達與相機的檢校115
6.2數據級融合117
6.2.1看作2D-3D或3D-3D剛體配準問題117
6.2.2考慮激光點雲中的誤差118
6.3幾何級融合119
6.3.1 LiDAR輔助的尺度約束119
6.3.2幾何約束下的閉環探測120
6.4三維場景生成121
6.4 .1基於圖像的三維場景生成121
6.4.2基於點雲的三維場景生成123
6.4.3基於圖像和點雲融合的三維場景生成124
6.5一些補充124
6.5.1機載激光雷達124
6.5.2 RGB -D相機與Kinect 125
6.5.3三維建模125
課後習題126
第7章專題圖、深度學習與智能攝影測量127
7.1數字地圖127
7.1.1數字高程模型127
7.1.2數字正射圖像129
7.1.3數字線劃圖130
7.2深度學習132
7.2.1歷史132
7.2.2基礎133
7.2.3深度卷積神經元網絡136
7.3專題圖及深度卷積神經元網絡的應用137
7.3.1圖像檢索專題圖137
7.3.2語義分割專題圖139
7.3.3目標識別專題圖140
7.3.4實例分割專題圖143
7.3.5矢量提取專題圖143
7.3.6基於深度學習的立體匹配144
7.4深度學習在建築物提取中的應用147
7.4.1建築物開源數據庫的建立147
7.4.2建築物語義分割149
7.4.3建築物實例分割150
7.4.4建築物矢量提取151
7.5展望智能攝影測量時代152
課後習題153
參考文獻154

閉環探測的本質是識別同一場景不同時刻拍攝的（非連續）像片。視覺詞庫是閉環探測的基本策略。其思路是：首先採用特徵提取算子提取每張像片的特徵，實際操作中可有意控制特徵點的數量和分佈。將這些特徵作為像片的整體描述，存儲到內存或外存中。然後對於新獲取的像片，同樣提取特徵，並與之前拍攝像片的特徵集合逐一進行比較。例如，在某張像片中發現大量的重複特徵，則判斷為閉環。
閉環探測的方法依然處在發展中。視覺詞庫法的缺點在於詞典，即特徵本身。常用的SIFT難以處理較大的光照變化；視角變化也可能造成匹配失敗，此外，重複場景也會引起閉環探測失誤。可用的補救方法包括：將相對幾何約束加入到視覺詞庫的全局搜索中，有效減少搜索空間；採用更穩健的輻射、幾何不變特徵；等等。
5.4.3多源圖像匹配
多源圖像匹配指從不同的數據源中尋找相同的特徵。圖像可能同屬光學成像，如分別來自街景圖像和航空圖像；也可能分別來自光學圖像與雷達距離成像。與同源光學圖像匹配類似，異源光學圖像的匹配同樣需要考慮幾何變形和輻射變形，此外，可能還需要考慮時間差異帶來的變化。這些變化反映在像素值自身上，是真實的事物變化還是虛假的條件變化都會對匹配造成影響。多源光學圖像匹配的策略一般是先匹配那些明顯的特徵，如線、面等，再去匹配更多的同名點；利用SIFT、Harris等角點匹配也是常見的方案。
……