【文章內(nèi)容簡介】 ,j+midx))NextcIfg2(i,j)min1Then39。(amp。iamp。,amp。jamp。)min1=g2(i,j)EndIfNextiNextj=0:=()+1:=0Fori=()Forj=()IfAbs(g2(i,j)min1)=0ThenCallbj(Picture4,i+Int(),j+midx):g3(i,j)=g2(i,j)nn=nn+1(0)=nn(6)=i+Int()(7)=j+Int()nn=nn+1EndIfNextj=+1Nexti=0:=()+1:=0通過以上實驗發(fā)現(xiàn)二值圖像匹配不易出錯。如果將原來的0255的灰度圖像轉換成二值圖像，匹配的正確率將有一定的提升。為此實驗需要增加了一個模塊，用來進行圖形的二值化，通過二值化可以過濾信息，減少粗錯的幾率[[]褚燕利，基于灰度圖像及其紋理特性的裂縫特征提取[J]．公路，2010(7):131137.]。多值圖像是指具有多個灰度級的單色圖像。例如一張黑白照片就是一幅多值圖像。二值圖像是指只有黑白兩個灰度級的圖像。在實際過程中，有時需要將一幅多值圖像轉換成一幅二值圖像。在這里不是為了壓縮圖像數(shù)據(jù)，而是為了突出圖像特征，為了便于進行圖像識別。圖像二值化變換處理的方法很簡單。在原圖像的灰度區(qū)間設定一個閥值（threshold），設閥值為，并且，然后令圖像中所有灰度值小于或等于的像素的新灰度值都為0，所有灰度值大于的像素的新灰度值都為1，這樣就完成了圖像二值化處理。圖318使用的閥值=140。以下幾幅圖片是彩色原圖、灰度圖和二值化圖[[]韋玉春，遙感數(shù)字圖像處理教程．北京．科學出版社，2009]。在二值圖像中進一步加入許多介于黑色和白色之間的顏色深度，就構成了灰度圖像。這類圖像通常顯示為從最暗黑色到最亮白色的灰度，每種灰度（顏色深度）稱為一個灰度級，通常用L表示。在灰度圖像中，像素可以取之間的整數(shù)，根據(jù)保存灰度數(shù)值所使用的數(shù)據(jù)類型的不同，可能有256種取值或者種取值，當時即退化為二值圖像[[]張錚，數(shù)字圖像處理與機器視覺．北京．人民郵電出版社，2010]。圖3163原圖圖317灰度圖圖318二值化圖圖319非二值化線性查找（2個）圖320二值化線性查找（3個）通過圖316和圖317的比較可以看出，二值化后更加容易查找目標?？梢赃m當彌補線性查找的不足，同理，二值化后的圖像對全局查找也有一定的幫助。主要代碼：bytThreshold=‘閥值Forix=0ToiWidthForiy=0ToiHeight39。***********RGB轉為灰度的算法有多種，這里給出常見的兩種*******bytGray=(bits(0,ix,iy)^*+bits(1,ix,iy)^*+bits(2,ix,iy)^*)^(1/)bits(0,ix,iy)=bytGraybits(1,ix,iy)=bytGraybits(2,ix,iy)=bytGray39。*********轉為黑白圖像********Ifbits(0,ix,iy)bytThresholdThenbitsBW(0,ix,iy)=0bitsBW(1,ix,iy)=0bitsBW(2,ix,iy)=0ElsebitsBW(0,ix,iy)=255bitsBW(1,ix,iy)=255bitsBW(2,ix,iy)=255EndIfNextNext=,0amp。,iHeight,bits(0,0,0),bi24BitInfo,0amp。==,0amp。,iHeight,bitsBW(0,0,0),bi24BitInfo,0amp。=通過單擊圖標來查詢圖像的相關屬性。經(jīng)過影像自動化處理以后，可以在DataGrid中輸入圖標的屬性信息。然后通過數(shù)據(jù)庫跟新，將DataGrid中的內(nèi)容儲存到SQl2005中去，當單擊圖標后，在地圖上單擊相應的地物，只要在5個像素以內(nèi)就表示選中，就顯示相關的信息（如圖316所示）。圖316屬性查詢表1DataGrid空間數(shù)據(jù)庫表表1是圖標的屬性。其中編號、X坐標和Y坐標是通過自動添加完成。替他的屬性通過上網(wǎng)查資料完成。如果輸錯了，直接在原來的地方改正。在查找的時候如果某一個圖標被查找了2次或跟多，則選中多余的記錄，按Delete鍵進行刪除。通過查找可以準確的在地圖上進行定位。對于很大的航片，提別是那種沒有經(jīng)過切割的整景航片，可以通過這種定位很快的找到相應的地物，可以節(jié)約勞動時間，提高勞動效率。圖317地物定位圖空間數(shù)據(jù)的表達有柵格數(shù)據(jù)和矢量數(shù)據(jù)兩種結構,在應用中常要根據(jù)需要互相轉換。柵格數(shù)據(jù)以矩陣形式記錄數(shù)據(jù),數(shù)據(jù)按行按列規(guī)則排列。矢量數(shù)據(jù)將地物分為點、線、面,以點坐標的數(shù)據(jù)鏈表示地物的空間位置：一個點以一個坐標對(X,Y)表示,一串坐標對的有序排列組成線,線的閉合圍成面。在數(shù)學上,一串坐標對的有序排列組成一個矢量,所以稱為矢量數(shù)據(jù)。從柵格到矢量數(shù)據(jù)的轉換又稱為柵格數(shù)據(jù)的矢量化,主要用于地圖或專題圖件的掃描輸入、圖像分類或分割結果的存儲和繪圖等。通過ARCGIS中Tools中AddXYData完成矢量圖層的添加（見圖318）[[]湯國安，地理信息系統(tǒng)空間分析實驗教程．北京．科學出版社，2008]。圖318矢量圖層1制作圖標[[]韓鵬，地理信息系統(tǒng)開發(fā)．武漢．武漢大學出版社，2008]的步驟：（1） 繪制符號，導出為位圖。使用Photoshop制作一幅的圖片，然后導出為BMP，如圖319所示。圖319的符號（2） 把做好的位圖制作為字體。使用FontCreator這款軟件，新建一個xuyahua字體庫，然后導入在第一步中制作的位圖并做適當?shù)木庉?，使之生成一個字符。（3） 保存字符庫，并注冊該字符庫（拷貝到系統(tǒng)目標:\Windows\Fonts\xuyahua）。（4） 制作符號庫。打開Arcmap，點擊菜單Tools\Styles\StyleManger,打開符號管理工具，點擊Styles\CreateNew菜單新建一個符號庫，然后在左邊樹圖中選中該符號庫的MarkerSymbel類別，再在右邊視圖中點擊右鍵新建一個MarkerSymbel。在右鍵菜單中打開符號的屬性對話框，Type選擇CharacterMarkerSymbol，font選擇前面制作的字符庫xuyahua，調(diào)整其他屬性，點擊確定，關閉StyleManger，退出ArcMap.（5） 雙擊圖標，選擇制作好的圖標，顯示如圖320。圖320矢量圖層24. 空間數(shù)據(jù)庫目前，數(shù)據(jù)設計主要采用以邏輯數(shù)據(jù)庫設計和物理數(shù)據(jù)庫設計為核心的規(guī)范化設計方法，即將數(shù)據(jù)庫設計分為：需求分析、概念結構設計、邏輯結構設計、數(shù)據(jù)庫物理設計、數(shù)據(jù)庫實施以及數(shù)據(jù)庫運行和維護6個階段。1）需求分析階段2）概念結構設計階段3）邏輯結構設計階段4）數(shù)據(jù)庫物理設計階段5）數(shù)據(jù)庫實施階段6）數(shù)據(jù)庫運行和維護階段概念結構設計的任務是在需求分析階段產(chǎn)生的需求說明書的基礎上，按照特定的方法把它們抽象為一個不依賴于任何具體機器的數(shù)據(jù)模型，即概念模型。概念模型使設計者的注意力能夠從復雜的實現(xiàn)細節(jié)中解脫出來，而只集中在最重要的信息的組織結構和處理模式上。概念模型能比較真實地模擬現(xiàn)實世界，易為人理解，并且便于在計算機上實現(xiàn)?！?lián)系方法(EntityRelationshipDiagram)，簡稱ER方法（ER模型）[[]李春葆，數(shù)據(jù)庫系統(tǒng)設計與開發(fā)．北京．清華大學出版社，2003[17]趙立初，基于Hausdorff度量的快速圖像匹配算法[J]．計算機工程與應用，2000(11):5253.[18]王加陽，自動跟蹤地圖數(shù)字化[J]．小型微型計算機系統(tǒng)，2000,21(8):819823.[189]胡瑞，基于線狀要素提取的等高線圖像矢量化方法研究[J]．計算機科學與工程，2006,28(4):5052.[20]閆微，BMP圖像檢索中的顏色特征提取與匹配[J]．農(nóng)機化研究，2002(4):193194.[21]王毅增，軍事交通地圖半自動矢量化的研究與實現(xiàn)[J]．計算機工程，2006,28(10):183184.[22]李琳，基于感興趣區(qū)域的圖像情感特征提取算法研究[J]．太原科技大學學報，20096,30(6):446452.]?？臻g數(shù)據(jù)庫中圖標的ER模型如圖319所示。圖標編號名稱地址聯(lián)系電話類型簡介X坐標Y坐標圖 319 圖標實體ER圖表2屬性數(shù)據(jù)表表2是概念模型在數(shù)據(jù)庫中的反應。5. 地圖數(shù)字化精度分析手扶跟蹤式數(shù)字化誤差分析用手扶跟蹤方式數(shù)字化進行采集地圖時數(shù)據(jù)精度受眾多因素的影響，影響因素有：(1)數(shù)字化地圖定向的影響。(2)原圖存在的誤差，特別是紙張變形產(chǎn)生的誤差使數(shù)字化不可避免地存在誤差(3)儀器誤差。(4)數(shù)字化過程中的跟蹤誤差。掃描數(shù)字化的影響因素有：(1)采樣點量測誤差對其大地坐標的影響在整個圖幅內(nèi)是均勻的。(2)采樣點的量測誤差對大地坐標的精度有較大的影響，提高采樣點的量測精度可以提高相應大地坐標的精度。(3)定向點的精度對最后采樣點大地坐標的精度有較大的影響。(4)定向點的精度對數(shù)字化精度有較大影響。1）影像噪聲點多，對灰度提取和很大的影響。2）影像分辨率低，在特征提取的時候不能把細小的特征完全提取出來。3）閥值的估計錯誤。4）算法的選擇錯誤。6. 結論不同的匹配方法有他們的優(yōu)勢和不足。在給定的研究領域中，決定使用哪一種查找方法是最適合的取決于各種因素。對于電子地圖來說就適合使用灰度匹配，對于遙感影像地圖來說就適合特征提取后的匹配或二值化后的匹配。地圖數(shù)字化中的影像自動處理目前還在探索和發(fā)展之中，我就個人見解利用VB實現(xiàn)了部分功能，然后輸入匹配后圖標的相關屬性，建立空間數(shù)據(jù)庫，方便查詢相關信息。將查找出圖標的坐標保存到Text文件中，然后利用ARCGIS完成矢量圖層的顯示。致謝光陰荏苒，日月如梭，在蘇州科技學院的四年學習時間即將過去。在漫長的人生旅程中，四年時間并不算長，但對我而言，這是磨礪青春、揮灑書生意氣的四年，也是承受師恩、增長才干、提高學識的四年。我將謹記我們的校訓“致遠至恒，務學悟真”以一個科大人的面貌，投入到火熱的工作和事業(yè)中。在此，謹對培育我的母校、教導我的老師、幫助我的同學們致予最誠摯的謝意和敬意。論文的撰寫是繁瑣枯燥而又富有挑戰(zhàn)的一件事。老師的諄諄教導、同學的互相幫助及家人的默默支持，是我堅持完成論文的動力源泉。在此，我首先要感謝大學教過我的所有老師，他們幫我夯實了基礎，特別要感謝我的指導老師楊朝輝老師，沒有他的辛勤勞作，不厭其煩，就沒有我論文的順利完成；其次要感謝同學們的幫助，要是沒有大家的幫助我的論文實驗就不能編寫這么順利；最后要感謝我的父母，感謝父母的養(yǎng)育之恩，感謝父母在寫論文期間對我的關心和支持。感謝各位老師的批評指導。參考文獻附錄1外文參考文獻（譯文）影像匹配模型的研究3．特征提取在過去，目標圖像的特征是通過專家人工提取的?，F(xiàn)在有兩種途徑可以進行特征的提取?；趨^(qū)域的模型和其他的提取相比的重點是在特征匹配的步驟上。沒有特征在這些方法中被發(fā)現(xiàn)，所以可以省去影像匹配的第一個步驟。模型屬于這類的方法將會包含在其他部分匹配的過程中。第二個途徑就是基于提取圖像主要的構造容貌。有意義的區(qū)域（森林、湖泊、），線（地區(qū)邊界、海岸線、道路、河流）或者點（角點、線的交點、在高曲率曲線上的點）被認為是特征。他們應該被區(qū)分開，分散在圖像中的所有圖像都有效地被檢測到。他們在整個實驗中預計將穩(wěn)定的停留在固定的位置上。特征的相似性在設置辨別和參考圖像上保證不變性和準確性該功能的檢測標準和重疊。換句話說，發(fā)現(xiàn)公共元素特征集的數(shù)目應該足夠的高，不管圖像的幾何變化，周邊的環(huán)境，存在的噪聲和鏡頭的擦傷。異常的特征可通過他們的輪廓來表達。相比基于區(qū)域的模型，基于特征的模型不是以圖像的好壞程度為標準的。特征代表的信息在比較高的水平上。這個特性使基于特征的模型適合照度在期望的數(shù)值內(nèi)變動或需要多傳感器的分析。地區(qū)特征。和區(qū)域相似的特征可以是一般的投影高對比度，一個適當尺寸的閉合區(qū)域[54,72],水庫和湖[71,81]，建筑物[92]，森林[165]，市中心[161]和陰影[24]。判斷閉合區(qū)域的一般標準很盛行。區(qū)域通常被他們的重心代表，重心是不變的無論是放大、傾斜、穩(wěn)定下隨機噪聲，灰度的變化。地區(qū)特征的檢測用分割法[137]。精確的分割可以顯著地影響發(fā)現(xiàn)的結果。goshtasby以及其他人[72]提出一個精致的分割過程改善特征提取的質量。分割的圖像被做重迭的連同檢測過的。在每個迭代，粗預算的物體相似的常常被用來調(diào)分割參數(shù)。他們要求可以實現(xiàn)子象素檢測的準確性。最近，地區(qū)的選擇特征不變量關于尺度變換被注意。Alhichri和Kamel[2]提出用圓和距離來轉換。仿射不變的臨近地區(qū)被發(fā)現(xiàn)[194]，基于哈里斯角探測器[135]和便搜查角。不同的方法在這個問題中用最穩(wěn)定的極值區(qū)域的圖片以Matas等提出的同質圖像顯示的強度。線特征。線特征可以是一般的表示線段[92,132,205],物體的輪廓[36,74,112],海岸線,[124,168],公路[114]或者醫(yī)學成像上的狹長的解剖結構[202]。線相似通常用來表示一對線的末尾或者中間的點。標準的邊緣檢測模型，像精確的探測[28]或基于高斯的拉普拉斯探測，被用來做線特征提取。目前邊界檢測模型連同他們的評價可以在[222]找到。李等建議開發(fā)已檢測特征在遙感相片(光學數(shù)據(jù))中發(fā)現(xiàn)線意義圖像（SAR影像中的斑點噪聲是典型的要降低出現(xiàn)次數(shù)的數(shù)據(jù)類型）。他們申請可伸縮的輪廓提取。Maintz等介紹的對照的不同的算子為特征