9、扩展光度采样与树冠检测建模方法解析

扩展光度采样与树冠检测建模方法解析

在计算机视觉和遥感领域，准确估计物体表面法线和检测树冠对于许多应用至关重要。本文将介绍一种扩展光度采样方法用于表面法线估计，以及一种基于LiDAR数据的树冠检测与建模方法。

扩展光度采样方法

光度矩阵处理

在处理图像像素的亮度矩阵时，会对矩阵的列空间和行空间进行分解，分别得到正交基U（左奇异向量）和V（右奇异向量）。奇异值包含在Σ的对角元素中，它解释了左右奇异向量中保留的可变性程度。
由于真实图像的反射率可能存在噪声变化，使用最小二乘法计算正弦函数的三个参数（振幅、相位和偏移）会导致估计效果不佳。因此，采用了基于RANSAC的拟合技术，该技术随机调整正弦函数以适应数据，并选择具有最大共识的正弦参数。

当对每个奇异向量估计出正弦参数后，会生成一个新的亮度矩阵M′ = U′ΣV′T，以提高数据库中的光度一致性。新的U′和V′的拟合列包含了来自原始矩阵U和V的正弦拟合奇异向量。

表面法线估计

提出了一种几何策略，从新的正弦调整矩阵M′中确定方位 - 天顶角对(θ - φ)。笛卡尔表面法线可以通过[nx, ny, nz] = [cos(θ)sin(φ); sin(θ)sin(φ); cos(θ)]进行转换。

对于具有完整方位（360°）和天顶（90°）角度值范围的合成亮度矩阵，方位角对应于亮度矩阵列中正弦函数的最大响应，该最大值与光源方向向量和表面法线向量的共线性有关。天顶角则是与亮度矩阵相关的表面函数的全局最大值。

在实验所用的数据库中，由于机械臂的关节限制，无法获得完整的方位 - 天顶范围的亮度响应。因此，开发了一种处理缺失数据的策略，其算法步骤如