一、定义

  • 直接线性变换解法是建立像点的“坐标仪坐标”和相应物点的物方空间坐标直接的线性关系的解法。
  • 直接线性变换解法的特点:
    • 不归心、不定项
    • 不需要内外方位元素的起始值
    • 物方空间需布置一组控制点
    • 特别适合于处理非量测相机所摄影像
    • 本质是一种空间后交-欠交解法。

二、推演


( x¯,y¯)[on2,on1] \bar{x}, \bar{y} )[on_2, on_1]\ — 以像主点为原点,不包含线性误差的像点p的坐标;
[om2,om1] [om_2, om_1]\ — 以像主点为原点包含不正交性 dβ d\beta\ 的坐标;
[om2,om1˙] [om_2, o\dot{m_1}]\ — 以像主点为原点包含不正交性 dβ d\beta\ 误差及比例尺不一误差 ds 的像点p的坐标;

  • 以上假设认为 x 轴方向无比例尺误差的影响。

    • 设 x 轴方向比例系数为 1, 则 y 轴方向比例系数为 (1 + ds);
    • 设 x 轴方向主距为fx f_x \ ,则 y 轴方向主距为
      fy=fx/(1+ds) f_y = f_x / (1 + ds)\ ;
  • δx=on2−om2=m2p⋅sindβ=om1⋅sindβ=(1+ds)(y−y0)⋅sindβ≈(y−y0)⋅sindβ\delta x = on_2 - om_2 = m_2p\cdot sind\beta = om_1 \cdot sind\beta = (1+ds)(y - y_0)\cdot sind\beta \approx (y-y_0)\cdot sind\beta

  • δy=on1−om1˙=om1⋅dβ−om1˙=(1+ds)(y−y0)⋅cosdβ−(y−y0)=[(1+ds)⋅cosdβ−1](y−y0)≈(y−y0)⋅ds\delta y = on_1- o\dot {m_1} = om_1 \cdot d\beta - o\dot{m_1} = (1+ds)(y-y_0)\cdot cosd\beta - (y - y_0) = [(1+ds)\cdot cosd\beta - 1](y-y_0) \approx(y-y_0)\cdot ds

将δx,δy代入式中:\delta x, \delta y代入式中:


导出的基本关系式为(x,y)与(X,Y,Z)间的关系式,希望导出x=f(X,Y,Z),y=f(X,Y,Z)的形式:

⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪x+l1X+l2Y+l3Z+l4l9X+l10Y+l11Z+1=0y+l5X+l6Y+l7Z+l8l9X+l10Y+l11Z+1=0

\left\{ \begin{array}{c} x+\frac{l_1X+l_2Y+l_3Z+l_4}{l_9X+l_10Y+l_11Z+1}=0 \\ y+\frac{l_5X+l_6Y+l_7Z+l_8}{l_9X+l_10Y+l_11Z+1}=0\\ \end{array} \right.
其中li(i=1,2...11)l_i(i=1,2...11) 的系数是
外方位元素(Xs,YS,Zs,f,w,k)X_s,Y_S,Z_s,f,w,k)
内方位元素(x0,y0,f)x_0,y_0,f)
坐标轴不正交系数db d_b\
坐标轴比例不一系数dS d_S \
的函数

三、解算

  • lil_i 系数近似值的解算

    由物方空间控制点及对应的像点解算li系数近似值
    li系数个数:11个
    物方空间至少布置6个控制点
    解算li系数的近似值,不需平差计算
    只需选取11个方程解算11个li未知数
    即,从控制点中挑出5.5个控制点,列11个方程解算

  • 内方位元素x0,y0x_0,y_0 的解算

  • li系数精确值的解算



    其中vx、vyv_x、v_y 为控制点的像点“坐标仪坐标”观测值改正数。



    A的计算过程也为迭代计算过程,每次迭代A值得计算是通过控制点求得的。
    牛顿迭代法:

  • 待定点像点“坐标仪”的系统误差改正

  • 待定点物方空间坐标近似值的解算

    由li系数精确解及带定点的像点“坐标仪坐标”解算
    未知数个数:3个
    所摄像片数至少 2张影片
    只需要选取3个方程解算3个未知数
    即,从两张以上的像片中挑出1.5张,列3个方程解算

  • 待定点物方空间坐标精确值的解算·



  • 内外方位元素及ds、dβ d\beta\ 的解算







http://www.doc88.com/p-1816848333772.html

DLT(Direct Linear Transform)算法相关推荐

  1. MATLAB实现DLT(Direct Linear Transform)算法

    MATLAB实现DLT(Direct Linear Transform)算法 转载备用 作者:My_CSDN_Bo_Ke  来源:CSDN  原文:https://blog.csdn.net/weix ...

  2. C#实现DLT直接线性变换(Direct Linear Transform)算法

    C#实现DLT直接线性变换(Direct Linear Transform)算法 参考资料: 1.武大版<工业测量技术与数据处理>P100-P106 2.转载博文--MATLAB实现DLT ...

  3. 图像降噪算法——Variance Stabilizing Transform / Generalization Anscombe Transform算法

    图像降噪算法--Variance Stabilizing Transform / Generalization Anscombe Transform算法 图像降噪算法--Variance Stabil ...

  4. 《认清C++语言》的random_shuffle()和transform()算法

    1)STL中的函数random_shuffle()用来对一个元素序列进行重新排序(随机的),包含在头文件 algorithm.h中 函数原型如下: template<class RandomAc ...

  5. 《认清C++语言》のrandom_shuffle()和transform()算法

    1)STL中的函数random_shuffle()用来对一个元素序列进行重新排序(随机的),函数原型如下: template<class RandomAccessIterator> voi ...

  6. BWT(Burrows-Wheelter Transform)算法

    最近看论文的时候,遇到了BWT算法. 部分内容转载自http://www.cnblogs.com/xudong-bupt/p/3763814.html 1.概述 BWT是一种以数据块为操作对象的可逆的 ...

  7. random_shuffle 和transform算法

    1)STL中的函数random_shuffle()用来对一个元素序列进行重新排序(随机的),函数原型如下: std::random_shuffle

  8. 纹理对象的实时姿态估计

    如今,增强现实技术是计算机视觉和机器人领域的热门研究课题之一.The most elemental problem in augmented reality is the estimation of ...

  9. 利用python语言实现多张图像拼接

    目录 图像映射与全景拼接 图像拼接基本流程 1.基础流程 2.计算图像间的变换结构 图像拼接相关原理 1.2D图像变换原理 2.特征点错误匹配干扰 3.APAP算法 4.RANSAC方法图像拼接 算法 ...

最新文章

  1. 1003 我要通过!
  2. 涨姿势!北京地铁原来是16条旅游专线
  3. AcWing 164. 可达性统计
  4. SPARK安装二:HADOOP集群部署
  5. java中的native关键字有什么作用?(java本地方法)
  6. 单词接龙(信息学奥赛一本通-T1220)
  7. Mr.J-- jQuery学习笔记(十一)--事件委托
  8. mysql 命令连接,授权用户
  9. wps下一步快捷键_办公必备|终于整理完了这74个WPS最常用快捷键
  10. 全志A31S(android 4.2/4.4)截屏
  11. 微信小程序-腾讯地图报错:鉴权失败,请传入正确的key
  12. matlab r2021b校园正版软件安装过程的问题及解决方案记录
  13. 猜数字游戏:随机生成一个1-100之间的数据,提示用户猜测,猜大提示过大,猜小提示过小,直到猜中结束游戏
  14. 软件企业配置管理过程
  15. win7共享网络的方法简述
  16. win10 1050ti anaconda搭建tensorflow-gpu
  17. android6.0 framwork修改
  18. 从电平角度理解数字电路
  19. 微服务高频热点面试题汇总
  20. pta 西格玛与罗比特

热门文章

  1. 【P06】实用钻石缓冲电路
  2. uni保存canvas图片_uni-app canvas生成图片的一些问题
  3. 疯狂鼹鼠 java,神话延续! 光滑镜面时尚MOTO轻薄W220详尽评测
  4. 圈层突破:再穷,也要挤进富人圈!
  5. Android手机系统版本号、IMEI、手机厂商、手机型号
  6. 自学Oracle行吗?和参加Oracle培训有什么区别?
  7. 基于HNC语境理论的文本分类
  8. 线性卷积、循环卷积、周期卷积的定义、计算方法及三者之间的关系
  9. JDK16 新特性速览,你还能追上 Java 的更新速度吗?
  10. 5-4 区块链与药品溯源