本書(shū)系統(tǒng)講述現(xiàn)代攝影測(cè)量學(xué)的知識(shí)體系、方法及應(yīng)用。第1章為全書(shū)基礎(chǔ)，介紹幾何成像、傳感器技術(shù)、攝影平臺(tái)、圖像處理以及**化方法等。第2，3章分別介紹單目視覺(jué)和雙目視覺(jué)，它們是攝影測(cè)量中幾何概念的主體部分。第4章闡述運(yùn)動(dòng)平臺(tái)的定位方法，并將傳統(tǒng)的光束法平差推廣為貝葉斯理論框架下的動(dòng)態(tài)**化問(wèn)題。第5章介紹圖像匹配，包括用于同名點(diǎn)提取的稀疏匹配和用于立體重建的密集匹配。第6章介紹激光雷達(dá)與光學(xué)圖像的多層次融合。第7章介紹專題圖和深度學(xué)習(xí)，并指出以深度學(xué)習(xí)為主的人工智能方法將為語(yǔ)義專題圖的自動(dòng)生產(chǎn)提供良好的解決方案。語(yǔ)義專題圖的制作是數(shù)字?jǐn)z影測(cè)量時(shí)代多年來(lái)可望不可及的目標(biāo)，這預(yù)示著一個(gè)新的時(shí)代——智能攝影測(cè)量時(shí)代的到來(lái)。
更多科學(xué)出版社服務(wù)，請(qǐng)掃碼獲取。
目錄
第1章 基礎(chǔ) 1
1.1 物理相關(guān) 1
1.1.1 光與視覺(jué) 1
1.1.2 傳感器與圖像 2
1.1.3 攝影平臺(tái) 4
1.2 幾何變換 5
1.2.1 點(diǎn)、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(shù)學(xué)基礎(chǔ) 13
1.3.1 線性時(shí)不變系統(tǒng)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(tǒng)誤差的處理 23
1.3.5 最大似然，最大后驗(yàn)及貝葉斯定理 24
1.3.6 變分法 25
1.4 數(shù)學(xué)工具和平臺(tái) 29
1.4.1 代數(shù)運(yùn)算工具 29
1.4.2 OpenCV庫(kù) 29
1.4.3 深度學(xué)習(xí)平臺(tái) 30
課后習(xí)題 31
第2章 單像解析 32
2.1 坐標(biāo)系統(tǒng) 32
2.1.1 圖像坐標(biāo)系 32
2.1.2 傳感器坐標(biāo)系 34
2.1.3 平臺(tái)坐標(biāo)系 34
2.1.4 局部切平面坐標(biāo)系 35
2.1.5 地心直角坐標(biāo)系 35
2.2 普通光學(xué)相機(jī)的成像模型 35
2.2.1 平面相機(jī) 35
2.2.2 線陣相機(jī) 36
2.2.3 魚(yú)眼相機(jī) 37
2.2.4 通用幾何成像模型 39
2.3 全景相機(jī)的四種成像模型 43
2.3.1 理想的全景相機(jī) 43
2.3.2 多鏡頭組合式全景相機(jī) 45
2.3.3 旋轉(zhuǎn)式全景相機(jī) 46
2.3.4 折反射式全景相機(jī) 47
2.4 單像解析的一些補(bǔ)充 48
2.4.1 空間后方交會(huì)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(diǎn)與滅線 50
2.4.4 相機(jī)檢校 51
課后習(xí)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(jī)的核線 57
3.3 全景相機(jī)的核線 58
3.4 三視幾何 59
3.4.1 基于線的三視幾何 59
3.4.2 三焦點(diǎn)張量 61
3.5 核線幾何的一些補(bǔ)充 63
3.5.1 核線立體像對(duì) 63
3.5.2 立體模型的絕對(duì)定向 64
3.5.3 前方交會(huì)和立體重建 65
課后習(xí)題 66
第4章 運(yùn)動(dòng)成像平臺(tái)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(diǎn) 67
4.1.2 通用定位模型 68
4.2 光束法區(qū)域網(wǎng)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(kuò)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(quán)粒子表達(dá)概率分布 84
4.4.3 粒子濾波算法 85
4.5 一些補(bǔ)充 87
4.5.1 從運(yùn)動(dòng)恢復(fù)結(jié)構(gòu) 87
4.5.2 SLAM與VisualSLAM 87
課后習(xí)題 91
第5章 圖像匹配 92
5.1 特征與特征提取 92
5.1.1 什么是好特征？ 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(cè)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(bǔ)充 110
5.4.1 視覺(jué)詞袋 110
5.4.2 閉環(huán)探測(cè) 110
5.4.3 多源圖像匹配 111
5.4.4 非線性光照與本征圖像分解 111
課后習(xí)題 113
第6章 相機(jī)與激光雷達(dá)的融合 114
6.1 傳感器靜態(tài)檢校 114
6.1.1 相機(jī)與GPS、IMU的檢校 114
6.1.2 基于線的共線條件方程 115
6.1.3 激光雷達(dá)與相機(jī)的檢校 115
6.2 數(shù)據(jù)級(jí)融合 117
6.2.1 看作2D-3D或3D-3D剛體配準(zhǔn)問(wèn)題 117
6.2.2 考慮激光點(diǎn)云中的誤差 118
6.3 幾何級(jí)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(huán)探測(cè) 120
6.4 三維場(chǎng)景生成 121
6.4.1 基于圖像的三維場(chǎng)景生成 121
6.4.2 基于點(diǎn)云的三維場(chǎng)景生成 123
6.4.3 基于圖像和點(diǎn)云融合的三維場(chǎng)景生成 124
6.5 一些補(bǔ)充 124
6.5.1 機(jī)載激光雷達(dá) 124
6.5.2 RGB-D相機(jī)與Kinect 125
6.5.3 三維建模 125
課后習(xí)題 126
第7章 專題圖、深度學(xué)習(xí)與智能攝影測(cè)量 127
7.1 數(shù)字地圖 127
7.1.1 數(shù)字高程模型 127
7.1.2 數(shù)字正射圖像 129
7.1.3 數(shù)字線劃圖 130
7.2 深度學(xué)習(xí) 132
7.2.1 歷史 132
7.2.2 基礎(chǔ) 133
7.2.3 深度卷積神經(jīng)元網(wǎng)絡(luò) 136
7.3 專題圖及深度卷積神經(jīng)元網(wǎng)絡(luò)的應(yīng)用 137
7.3.1 圖像檢索專題圖 137
7.3.2 語(yǔ)義分割專題圖 139
7.3.3 目標(biāo)識(shí)別專題圖 140
7.3.4 實(shí)例分割專題圖 143
7.3.5 矢量提取專題圖 143
7.3.6 基于深度學(xué)習(xí)的立體匹配 144
7.4 深度學(xué)習(xí)在建筑物提取中的應(yīng)用 147
7.4.1 建筑物開(kāi)源數(shù)據(jù)庫(kù)的建立 147
7.4.2 建筑物語(yǔ)義分割 149
7.4.3 建筑物實(shí)例分割 150
7.4.4 建筑物矢量提取 151
7.5 展望智能攝影測(cè)量時(shí)代 152
課后習(xí)題 153
參考文獻(xiàn) 154
書(shū)單推薦
