1、数字图像中 SUSAN 特征点检测算法的实现摘 要在图像理解图像匹配三维重建及模式识别等领域中特征点的检测具有十分重要的意义特征点在保留图像中物体的重要特征信息的同时有效地减少了信息的数据量使得对图像处理时运算量大大减少特征点的的定义有多种不同的表述如图像中灰度值和像素剧烈变化的点图像边界上具有较高曲率的点等对于特征点的定义决定了特征点的特性同时也决定了所检测出的特征点的检测所采用的方法SUSAN Smallest Univalue Segment Assimilating Nucleus 算法是上世纪九十年代中期提出的一种边角点检测算法该算法是一种基于图像局部灰度特征利用一个圆形的模板对图像
2、进行扫描比较模板内部的点与模板中心点的灰度值如果灰度差值小于一定的阈值就认为该点与中心点的灰度相同否则就认为该点与中心点有明显的差异统计模板内部与中心点灰度相同的点的个数与一个全局阈值进行比较判断该点是否属于角点从而实现对图像特征点的检测本文采用 matlab 语言实现了 SUSAN 特征点监测并利用模拟图像和真实图像对算法进行了验证实验表明 SUSAN 特征点检测算法能有效提取图像中的特征点与传统的角点检测算法相比 SUSAN 算法是一种基于图像灰度比较的算法不涉及梯度的计算具有速度快抗干扰能力强等特点关键字 SUSAN 算法 边缘检测 角点检测 matlabAbstractIn image
3、 understandingimage matchingreconstruction and pattern recognition the feature point detection is of great significanceFeature points of objects while retaining the important features of the image information while effectively reducing the amount of data information making the image processing opera
4、tions is greatly reducedFeature points there are different definitions of expression if the image has a gray value and dramatic changes in the point image pixel on the boundary of high curvature pointsFor the definition of the feature points of the feature points of the characteristics of the decisi
5、on but also determines the feature points detected in the detection method usedSUSAN Smallest Univalue Segment Assimilating Nucleus algorithm is the mid nineties of last century a corner detection algorithm which is based on local gray level image features using a circular template to scan the image
6、 comparetemplate within the template center point and the gray value if the gray level difference is less than a certain threshold to that point and the center of the gray level of the same otherwise the point that there are significant differences with the centerStatistics center gray inside and th
7、e same template the number of dots with a global threshold value for comparison to determine whether the corner point enabling the detection of image featuresIn this paper matlab language of the SUSAN feature point detection and the simulated images and real images validate the algorithm experiments
8、 show that SUSAN feature point detection algorithm can extract the image feature pointsWith the traditional corner detection algorithm in comparison SUSAN algorithm is a comparison of the algorithm based on image gray do not involve the calculation of gradientHigh speed anti-interference ability and
9、 other characteristicsKeywords SUSAN corner detection algorithm for edge detection matlab 1 绪论 111 研究目的 112 角点检测的意义 113 特征点检测研究现状 2131 基于灰度图像的角点检测 2132 基于二值图像的角点检测 5133 基于轮廓曲线的角点检测缘 614 角点检测技术小结 82 特征点检测的原理及方法 1021 SUSAN 算法基本原理 1022 SUSAN 算法的实现 13221 读入图像 13222 SUSAN 算法显示边缘图 14223 检测的角点 15224 显示角点 1
10、723 算法的应用 173 算法的评析 2131 算法的改进 2132 参数对角点的影响 21321 去除真角点附近的伪角点 21312 边缘轮廓上的伪角点处理 2333 Harris 与 SUSAN 算法的比较 25331 Harris 基本原理 25332 实验分析变化 2734 Harris 与 SUSAN 小结 284 总结与展望 3041 总结 3042 展望 30致谢 31参考文献 32附录 341 绪论11 研究目的目前 SUSAN 特征点检测已经检测在许多领域中得到了广泛的应用在三维场景重建运动估计目标跟踪目标识别图像配准与匹配等计算机视觉领域起着非常重要的作用图像配准就是建立
11、两幅图像之间的对应关系确定相应几何变换参数对两幅图像中的一幅进行几何变换的过程通常图像配准是先采用人工的方法从两个图像上找出各自的对应点然后再进行配准参数的计算利用 SUSAN 算子提取两幅图像的角点通过粗匹配和细匹配两个步骤可得到匹配角点对车辆行驶道路上的前方车辆检测是汽车辅助驾驶研究中的关键技术目前各个国家都在积极进行该领域的研究提出了许多算法和实施手段如基于立体视觉的车辆检测基于激光雷达的车辆检测及基于神经网络训练的方法等其中立体视觉法的缺点在于其计算量比较大算法比较复杂而且对双目摄像机进行 匹配和标定仍然是个技术难题激光雷达深度信息探测准确但探测范围小获取信息不充足神经网络训练方法具有
12、较高的鲁棒性但选取训练样本数据和精确定位车辆位置比较困难 SUSAN 检测算法在噪声图像上很容易获得精确的图像边缘通过上面的分析我们可以看到 SUSAN 特征点检测算法在许多领域中都起到了非常重要的作用因此对 SUSAN 特征点检测算法的研究也就极为重要12 角点检测的意义角点目前为止还没有明确的数学定义角点可以是两条线的交叉处也可以是位于相邻的两个主要方向不同的事物上的点角点的提取在图像匹配轮廓提取模式识别等方面具有重要意义角点兴趣点特征在文献中的使用是相互间可替换的这是个令人困惑的问题角点是图像很重要的特征对图像图形的理解和分析有很重要的作用角点在保留图像图形重要特征的同时可以有效地减少信
13、息的数据量使其信息的含量很高有效地提高了计算的速度有利于图像的可靠匹配使得实时处理成为可能本文就是利用 SUSAN 算法来进行图像边缘及角点的提取基于图像边缘的方法首先要对图像进行分割和边缘提取其角点提取的准确性很大程 度上依赖于图像分割以及边缘提取的精度基于图像灰度的方法主要考虑像素点邻域内的灰度变化通过计算点的曲率以及梯度来提取角点目前这种方法有着广泛的应用本文采用基于图像灰度的 SUSAN 算法提取角点13 特征点检测研究现状目前的角点检测算法可归纳为 3 类基于灰度图像的角点检测基于二值图像的角点检测基于轮廓曲线的角点检测基于灰度图像的角点检测又可分为基于梯度基于模板和基于模板梯度组合
14、 3 类方法其中基于模板的方法主要考虑像素领域点的灰度变化即图像亮度的变化将与邻点亮度对比足够大的点定义为角点常见的基于模板的角点检测算法有 Kitchen-Rosenfeld 角点检测算法 Harris 角点检测算法 KLT 角点检测算法及 SUSAN 角点检测算法和其他角点检测算法相比SUSAN 角点检测算法具有算法简单位置准确抗噪声能力强等特点在图像边缘提取角点提取方面得到广泛的应用131 基于灰度图像的角点检测基于梯度的方法基于梯度的方法是通过计算边缘的曲率来判断角点的存在性角点计算数值的大小不仅与边缘强度有关而且与边缘方向的变化率有关该方法对噪声比基于模板的角点检测方法对噪声更为敏感
15、 LKchen 和 ARosedfeld 给出了具体的角点检测算子 K 通过检测 K 在图像某一领域的极大值来达到提取角点的的该算子为11它表现为水平面截线上某点的曲率与该点的最大梯度的乘积但田原和梁德群等人指出在最大梯度方向上并不是极大值点而是呈现单调变化的所以在某一个邻域内曲率和该点的最大梯度乘积的极大值并不会出现在角点上因此通过计算基于梯度的算法来确定的角点是不合理的 考虑到角点作为一种重要的信号特征属于图像的细节按照 Witkin 尺度空间理论该角点应该在较大的尺度空间存在基于小波多尺度分析的角点检测通过提出不同尺度上角点的对应关系准则由大尺度跟踪到小尺度上精确的角点位置设定提取角点的
16、最大尺度梯度阈值和曲率值对图像进行小波变换得到各个尺度上的小波分量利用各个尺度上的小波分量在相应的尺度上提取角点记录这些角点的位置从最大的尺度 k 开始按照前面所确定的原则寻找较小尺度上的对应角点直到最小的尺度为止清除最小尺度上与上一尺度不对应的点得到最终角点结果针对文献的错误就对某一尺度上的角点检测算法文献指出角点不仅是水平面截线上的曲率极值点也是该点在最大梯度方向上其最大梯度的模达到极大值是满足两个条件的点集的交集基于模板的方法主要考虑像素邻域点的灰度变化即图像亮度的变化将与邻点亮度对比足够大的点定义为角点 较早的直接基于灰度图像角点检测是文献提出的 KitchenRosenfeld 算法
17、通模板窗口局部梯度幅值和梯度方向的变换率来计算角点度量值12 根据 C 与给定的阈值大小关系来判定该点是否是角点等人检测方法考虑的是用一个高斯窗或矩形窗在图像上移动由模板窗口取得原图像衍生 22 的局部结构矩阵为窗口函数对该模板矩阵求取特征值和建立度量函数R 是否大于 0 即可判断该点是否是角点值得注意的是该方法具有旋转不变性但检测的角点有较大的冗余需要根据实际经验来确定 R 的阈值 被大多数人所熟悉的 KLT 角点检测算法也是对基于一个计算窗口模板 DD下的图像计算局部结构矩阵计算其特征值和根据给定阈值 按照式子来判定其是否为角点这里的关键是阈值和窗口 D 的大小的确定 D 的大小一般为 2
18、10 太大的窗口会引起角点移动窗口太小则会丢失相距较近的角点近年来 USAN 或角点检测算法得到越来越多的关注最小亮度变化算法 MIC 同值分割吸收核 Univalue Segment Assimilating NucleusUSAN 算法都是基于像素邻域半径为 k 的圆形模板该算法基于角点响应函数 CRF 对每个像素基于其模板邻域的图像灰度计算CRF 值如果大于某一阈值且为局部极大值则认为该点为角点由算法的实现和相关结果可以看出 KLT 算法比算法检测角点的质量高但 KLT 算法适用于角点数目不多且光源简单的情况适用于角点数目较多且光源复杂的情况除了对单幅图像能进行角点检测以外 KLT 算法
19、和算法对图像序列的角点检测效果更好KitchenRosenfeld 算法和 USAN 算法一般来说不适合序列图像的角点跟踪对于单幅图像的角点检测 USAN 算法要比 KitchenRosenfeld 算法好得多但算法的实现公式中有平滑部分因此具有较强的鲁棒且对噪声也不太敏感但在实际计算过程中圆形模板需要离散化这就带来了较大的量化误差容易导致边缘点和角点的判断混乱对于边缘模糊的图像使用小模板会丢失角点这就需要动态地判断究竟用哪种模板最优杨莉针对此问题提出模糊度的概念对每一个像素在计算其 CRF值之前首先测定其模糊度若达到模糊的标准就使用大的模板来计算若清晰则选用小的模板来计算这使得判定的准确性得
20、到很大的提高减少了虚报概率 费旭东等人采用基于知识的查表技术来进行角点的快速提取其特点是便于用硬件来实现但必须先得到图像的边界链码表示原则上属于模板匹配 一般来说各种角点检测算子要与图像进行卷积运算所以也应该属于模板类的方法采用高斯拉普拉斯二阶微分算子来检测角点高斯二阶微分函数与离散信号的卷积相当于高斯函数与信号的卷积再求二阶差分因此对噪声的敏感度较大基于神经细胞 Gauglion CellGC 感受野数学模型提出双高斯差 Difference Of GaussianDOG 模型来检测角点指出高斯二阶微分函数是 DOG 函数在其两个高斯函数相互逼近时的一个极端形式特例 DOG 函数与信号的卷积
21、相当于两个高斯函数与信号的卷积结果之差因此抗噪声的能力较强除了直接对灰度图像的像素操作以外罗斌等人采用了变换的方法用电磁场理论中矢势的鞍点检测来代替角点的检测是一种综合了模板角点检测和灰度曲率角点检测的方法通过高斯模板和图像的卷积获得 Canny 边缘映射图再计算梯度和边缘矢量就得到了矢势对于矢势计算高斯曲率和平均曲率来判定是否是鞍点对应的应该是图像的角点因为涉及到了曲率的计算也有人将该方法归到边缘曲线的角点检测刘文予等人提出一种基于形态骨架的角点检测方法该方法将原始图像看多边形的角点一定在骨架的延长线上早在 1975 年 Rosenfeld A 等人和 Freeman H等人就提出通过计算角
22、点强度 k 来提取角点不过这种方法虽然简单但容易受噪声干扰效果不是很理想为了将干扰去除减少边缘毛刺干扰 Asada 等人提出首先对边缘采用高斯平滑即减少了将局部弯曲度突然增大而误判为角点的概率但角点强度 k 是预先确定还是根据曲线的弯曲度自适应调节对于检测的结果影响很大肖茜鲁宏伟指出自适应的弯曲度测定实际上是要自适应地确定曲线段支持区域的大小支持区域的选择应该能够根据曲线的弯曲程度自适应地调整在此支持区域上求取的曲线弯曲度才能较为准确地反映平面对象边界曲线的平滑和弯曲程度提出采用自适应弯曲度求取算法计算曲线上任意点所在位置的曲线弯曲度将曲线边界点集中满足限定条件的点组成候选角点集合增加平滑参数
23、开始新的循环直到达到预先设定的最大平滑因子为止最后将所有候选角点集合中出现次数满足一定门限的边界点定义为角点认为数字化曲线是离散的是基于像素基础的这样隐含的一个假设就是数字化曲线上相邻两个像素之间的距离是一个常数但在实际中该假设并不成立因此质疑早先对角点的估计方法是否可拟合稳定基于这个发现文章提出了基于曲线累加弦长的角点检测方法主要是在确定支持域时充分考虑相邻像素点之间的实际距离即相邻的距离应该是 1 和 2 并由此出发提出隐式精化化曲线的策略推导出了一种新的角点强度计算公式利用该公式可以对如尖角和圆角进行区别检测结果具有旋转不变性该方法被认为是在数字化图像处理中引入了纳米技术 Simth S
24、M 和 Brady JM 首先图 21 包含 37 个像素的圆形模版图 22 简单图像中的四个圆形模板 图 23 不同位置 USAN 区域面积的大小具体检测时是用圆形模板扫描整个图像比较模板内每一像素与中心像素的灰度值并给定阈值来判别该像素是否属于 USAN 区域式 21 是 SUSAN 算法的原始相似比较函数式 22 是在实际应用中比较常用的相似比较函数 2122 用于计算以每个像素点为核心的 USAN 区的像素个数是模板中心像素 核 的灰度值为模板内其他任意像素的灰度值 t 是区分特征目标与的一个重要阈值一般取 25图像中某一点 USAN 区域大小可由下式 23 表示23式中是以为圆心的模
25、板在得到每个像素的 USAN 区域后再由下式 24 角点响应函数 Corner- Response FunctionCRF 产生角点初始响应24式中 g 是抑制噪声的几何阈值 它决定了输出角点的 USAN 区域的最大值同时它还决定了所检测到的角点的尖锐程度 g 取得越小所检测到的角点越尖锐用这种原理取不同的几何门限不但能检测角点还可以检测交点边缘等特征SUSAN 算子计算简单不需要用导数求边缘强度及方向梯度增强了抗噪能力且计算时间明显减少易于硬件实现然而 SUSAN 算法并不能完全消除孤立噪声点及由于模糊导致而致立体匹配误差率较高 SUSAN 算法流程图如图 24 所示 图 24 SUSAN
26、算法流程图22 SUSAN 算法的实现 221 读入图像关闭所有窗口 程序运行产生的不包括命令窗 editor 窗和帮助窗清除所有工作空间中的变量读入图像并显示原始图像相关的 matlab 代码如下close allclear all读入图像并显示data imread F0tif figure 1 读入图像如图 25 所示 图 25 原始图222 SUSAN 算法显示边缘图构造半径为 3 个像素的圆型模板遍历图像的每一个点当像素位于模板内时根据公式 10 求 c 和 nn 的最大值为 3725 其中为掩模核在图像中的坐标为掩模区域其它点的坐标分别为点和的灰度值阈值决定了两个点相似的最大差异
27、C 为输出的结果掩模区域的 USAN 值可以由式 24 计算出其中为 USAN 中象素个数它给出了 USAN 值将与某固定阈值相比较得到 SUSAN 算法对图像角点的响应函数 25 其中为的最大值恰好是理想边缘的USAN 区大小而对于实际有噪声影响的图像边缘的 USAN 区一般都大于并以 n 为基础创建一个新的窗口 figure2 并显示结果为图像的边缘相关的 matlab 代码如下imshow data data double data img_var zeros size data t 12 for ii 4size data1 -3 for jj 4size data2 -3 n 0fo
28、r i -33for j -33if abs i abs j 4 elsec exp - data iiijjj -data iijj t 6 n n cend endend img_var iijj n endend figure 2 imshow uint8 img_var g img_var 12223 检测的角点调整参数细化边缘图像并调用非极大值函数检测出角点相关 matlab 代码如下img_var2 zeros size img_var for ii 4size data1 -3 for jj 4size data2 -3 if img_var iijj gr g - img_va
29、r iijj else r 0endimg_var2 iijj r endend figure 3 imshow uint8 img_var2 im_mixmum findMixmum img_var2 子函数非极大值抑制函数相关 matlab 代码如下function im_mixmum findMixmum im rc size im im_mixmum zeros rc T 13mean2 im for i 3r-2for j 3c-2matrixS im i-2i2j-2j2 V matrixS pp size find matrixS V if im ij V V T pp 1m_m
30、ixmum ij 1 endendend 224 显示角点获得角点的坐标后在原图像上显示检测到的角点相应的 matlab 代码如下corner_rrcorner_cc find im_mixmum figure 1 hold on plot corner_cccorner_rrgx hold off其中 find 函数表示找出矩阵中菲林防止的横坐标和纵坐标使用 plot 函数在角点使用红色的标示出角点的位置结果如图 26 所示 图 26 叠加了角点的原图23 算法的应用为了更好地验证本文中所提出算法的有效性利用复杂模拟图像和真实图像对算法进行了检测输入模拟图像如图 27 所示 图 27 输入的
31、模拟图像提取了角点后的模拟图像如图 28 所示 图 28 提取了角点的模拟图像输入真实的楼房图像如图 29 所示 图 29 楼房原始图提取了角点后的楼房图如 210 所示 图 210 提取了角点后的楼房图像因为各个图形的角点离其他图形很近且在一张图内各个角点相距较远所以使用较大的抑制窗口如果两个真角点在同一个抑制窗口内就会有一个不剔除实验结果表明本算法可以有效提取图像中好的角点并使角点均匀的分布在图像上3 算法的评析31 算法的改进本文通过在灰度图像上寻找 SUSAN 算子的极值提取特征点使用 matlab语言编程实现了 SUSAN 特征点检测算法首先构造一个圆形模板遍历整个图像利用相似比较函
32、数得出的结果与阈值 t 进行比然后计算出 USAN 区域的大小 n 与阈值 g 比较得到角点的相应函数与原来的 SUSAN 算法相比为了得到正确的角点对检测出的角点群利用非极大值抑制函数 NMS 方法筛选出具有局部最大角点响应值的候选点并把它们确认为最终的角点检测结果 NMS 法的范围选定在以被检测点为中心的方形邻域内最大值抑制使伪角点大大减少32 参数对角点的影响在运用 SUSAN 研究发现在使用基本 SUSA 算法提取角点时经常会提取到两种不相关的点一种是真角点附近的点另外一种是边缘轮廓上的点这些点成为伪角点被一起提取出来针对两种伪角点的产生原因分别提出两种简洁的方法进行处理达到较好的效果
33、321 去除真角点附近的伪角点算法对图像进行处理时很难对一些曲率较高的角点进行单像素精度的提取这是因为当进行 USAN 区域面积与门限值 g 的对比时一些曲率较大的角点其周围一些边缘点或内部点同样满足 USAN 面积小于 g 的条件因此在角点提取时这些点同时被提取出来并成为伪角点原则上可以令 g 取较小的值而避免这些伪角点的出现但这样同时造成对曲率较大的角点提取失败的结果在 SUSAN 算法中可以根据不同的情况即根据图像边缘的形状以及目标和背景的灰度对比度选择合适的门限 t 和 g图 31 是当 g 取 20 时对一幅二值化图像进行角点提取的处理结果图从图中可以看出在提取到真正角点的同时检测到
34、大量的不相关点 定义其为伪角点 图32 是当 g 取 16 时对同一幅图像进行处理的结果图可以看出棋盘的几个角点中出现漏检测现象图 33 显示了当 g 取 18 时能准确有效地检测到全部角点并且避免了对边缘的一些不相关的点进行提取 图 31 当 g 取 20 时角点检测结果 图 32 当 g 取 16 时的角点检测结果 图 33 当 g 取 18 时角点检测的结果312 边缘轮廓上的伪角点处理有时候在提取角点时发现一些边缘上经常会产生大量的伪角点这主要是因为圆形模板面积过小而导致阈值 g 的选取过于粗糙而若对所有像素都采用大模板进行覆盖处理则必将大大降低处理速度因此在进行一轮小的模板提取角点后
35、针对边缘上的伪角点进行第二轮的角点提取主要算法思路是选取更大的模板 例如 1111 的模板 对第一轮检测到的所有角点进行覆盖同时选择合适的阈值 g剔除不满足阈值要求的伪角点图 34 为采用基本 SUSAN 算法进行角点提取后的示意图可以看到边缘上产生了大量的伪角点图 35 为采用大模板进行二次检测并剔除边缘 伪角点后的处理图仿真实验表明经过二次 SUSAN 模板覆盖后能有效地删除边缘上的伪角点并提取到大部分清晰的角点 图 34 祛除边缘伪角前的角点提取示意图 图 35 剔除了大量边缘伪角点的后的提取示意图33 Harris 与 SUSAN 算法的比较和 SUSAN 算法一样 Harris 算法
36、也是基于灰度图像特征点检测的算法suansan 算法原理在第二章已论述过不再赘述下面介绍 Harris 基本原理331 Harris 基本原理Harris 角点检测算法 Chris Harris 和 MikeStephens 在 1988 年提出该算法是在 Moravec 算法的基础上发展起来的 Moravec 算法是研究图像中一个局部窗口在不同方向进行少量的偏移后考察窗口内图像亮度值的平均变化需要考虑下面三种情况1 如果窗口内区域图像的亮度值恒定那么所有不同方向的偏移几乎不发生变化2 如果窗口跨越一条边那么沿着这条边的偏移几乎不发生变化 但是与边垂直的偏移会发生很大的3 如果窗口包含一个孤立
37、的点或者角点那么所有不同方向的偏移会发生很大的变化下面介绍 Moravec 算法以及 Harris 算法在其基础上做出的一些改进1 计算像素点的自相关值的时候只考虑了像素点的 8 个方向 Harris 等通过区域变化扩展将一些灰度强度变化比较小的体现出来 如式 11 所示31 这里一阶导数可以近似为32因此灰度强度变化比较小的情况可以写成33其中342Moravec 算法没有对图片进行降噪处理所以对噪声比较敏感 Harris算法使用平移的圆形窗口对图像进行预处理来降噪这里使用了高斯窗口353Moravec 算法对边缘响应比较敏感解决方法灰度变化比较小时可以精确写为式中 M 为36为了避免求 M
38、 的特征值使用 TrM 和 DetM37定义角点响应函数 CRF 为38上式中角点响应函数 R 在角点的区域是正值在边界的区域是负值不变化的区域是很小的值在图像角点检测的过程中如果 R 值大于某个给定的阈值则这个点为角点总体来说 Harris 算法是一种非常有效的角点检测算法优点主要表现在以下两个方面1 提取的角点比较稳定只要不是在大尺度状态下提取的角点 Harris 算法提取出来的角点是比较稳定的2 Harris 算法提取的角点比较均匀合理根据实验可以得出在纹理信息比较丰富的区域 Harris 算法可以提取出比较多的有用的角点而在纹理信息比较少的区域提取的角点则比较少332 实验分析变化通过
39、某计算机立体视觉系统分别获取模型汽车的单幅影像与立体影像对在matlab78 平台上编程实现对 SUSANHarris 算子的点特征提取并采用基于匹配支持度的松弛匹配算法对立体影像对进行匹配比较对于单幅影像由于 Harris 算子点特征提取操作是通过确定图像中所能提取的最大可能的特征点数目来选择值最大的若干象素点作为特征点因此当采用Harris 算子提取同一目标物影像中的特征点时可设置不同数目的来观察提取特征点的分布和数量图 36 为设置分别为 100200 高斯模板方差为 07 时提取出的特征点数目分别为 61134 a b 图 36 分别为 100200 的特征提取结果分别提取出 6113
40、4 个特征点从影像可以看出随着的不同提取出特征点的数量和分布在相应不断调整在SUSAN 算子特征提取中包括掩模核与掩模区域中其它点灰度值最大差异的阈值SUSAN 算法对影像特征点响应的阈值排除影像孤立噪声点干扰的阈值等多组阈值参数相比之下采用 Harris 算子提取影像中的特征点其阈值参数的选择就要简单的多只需选择确定影像中所能提取的最大可能的特征点数目并可以此作为调整特征点分布的参考 当对大小为 24001600 象元的航空影像分别采用上述两种算子进行点特征提取时整幅影像中 SUSAN 算子有些房屋角点未能提取出而 Harris 算子提出了几乎所有角点特征但 SUSAN 算子提取所用时间较
41、Harris 算子少近 10 倍34 Harris 与 SUSAN 小结Harris 算子是计算机视觉界使用较为广泛的一种点特征提取算子SUSAN 算子是国际上新近推出并已得到广泛应用的保持结构算子与传统点特征算子比较前者具有简单稳定易于实现的特点由上述点特征提取与随后的立体影像匹配结果分析可得出利用 Harris 算子不需设置阈值整个过程的自动化程度高可以根据匹配结果定量调整提取的特征点数同时它抗干扰强精度高 SUSAN 算子提取特征点分布合理较适合提取图像边缘上的拐点由于它不需对图像求导数所以也有较强的抗噪声能力利用 SUSAN 算法提取图像拐点阈值的选取是关键它没有自适应算法也不象 Ha
42、rris 算法可根据需要提出一定数目的特征点但该算法编程容易易于硬件实现为克服影像灰度值分布不均对提取 SUSAN 算子角点的影响可对影像采取二值化或多值化分割以进一步改进提取效果4 总结与展望41 总结SUSAN 角点检测算法运算简单无需梯度运算具有积分特性 在一个模板内计算 SUSAN 面积 这样既保证了算法的效率也使得 SUSAN 算法在抗噪和方面有了较大的改进本文用 matlab 语言实现了 SUSAN 角点算法并着重分析了基本的 SUSA 算法在提取角点时出现多余的伪角点并讨论了真角点附近及边缘轮廓上的伪角点的处理方法经实验证明采用改进的算法后角点提取精度有较明显的提高对各种类型的角
43、点都能能获得较好的结果但是 SUSAN 角点检测存在不足有采用固定阈值不适合一般的情况需要只有阈值 g 自适应阈值 t 只能手动修改 图像中的噪声对所提取的特征有较大影响实验表明此算法可靠性稍差42 展望角点检测算法的设计与实现涉及多方面的理论方法和技术本算法还有许多新的问题需要解决需要在实际应用中不断的积累和完善在以下几个方面还需要做进一步的完善和开发能智能选取阈值 t 及检测模版的大小减少参数输入的个数能判断角点的好坏去除大量无用的伪角点有效的减少噪点能在复杂的图像中有效剔除噪点致谢SUSAN 算法是图像处理方面的热门话题老师的谆谆诱导同学的出谋划策及家长的支持鼓励是我坚持完成论文的动力源
44、泉刘老师在我大学的最后学习阶段毕业设计阶段给自己的指导从最初的定题到资料收集到写作修改到论文定稿她给了我耐心的指导和无私的帮助为了指导我们的毕业论文她放弃了自己的休息时间她的这种无私奉献的敬业精神令人钦佩在此我向她表示我诚挚的谢意同时感谢所有任课老师和所有同学在这四年来给自己的指导和帮助是他们教会了我专业知识教会了我如何学习教会了我如何做人正是由于他们我才能在各方面取得显著的进步在此向他们表示我由衷的谢意通过这一阶段的努力我的毕业论文数字图像中 SUSAN 特征点检测算法实现终于完成了这意味着大学生活即将结束在大学阶段我在学习上和思想上都受益非浅在本论文的写作过程中我的导师刘老师倾注了大量的心
45、血一遍又一遍地指出每稿中的具体问题严格把关循循善诱在此我再次表示衷心感谢写作毕业论文是一次再系统学习的过程毕业论文的完成同样也意味着新的生活的开始我将铭记我曾是一名理工学子在今后的工作中把理工的优良传统发扬光大感谢各位专家的批评指导参考文献1R ericheG A Giraudon Computational Approach for Corner andVertexDetectionJComputer Vision199310 2 101-124 2L KitchenA RosenfeldGrayLevel Corner DetectionJPattern Recognitio Letter
46、s19823 1 95-1023田原梁德群吴更石直接基于灰度图像的多尺度角点检测方法J信号处理 199814 7-11 6-94L KitchenA RosenfeldAnalysis of Gray Level CornerDetectionJPattern Recognition Letters199920 2 149-162 5Chris HarrisMike StephensA Combined Corner and EdgeDetectorCManchesterProceedings of the 4th Alvey VisionConference1988 147-1516C To
47、masiT Kanade Detection and Tracking of Point FeaturesRCarnegie Mellon University1991 7J ShiC TomasiGood Features to TrackCCVPR941994593- 600 8Miroslav TMark HFast Corner DetectionJImage and Vision Computing199816 1 75-879Smith SMBrady JMSUSANA New Approach to Low Level Image ProcessingJIntJournal of
48、 Compuer Vision199723 1 45-7810杨莉初秀琴李玉山最小亮度变化角点自适应检测算法研究J西安电子科技大学学报 200330 4 530-53311费旭东荆仁杰基于知识的快速角点提取J计算机学报 199417 1 30-3612G GiraudonR DerichOn Corner and Vertex DetectionJCom-puter Vision and Pattern Recognition19913 6 650-65513陈燕新戚飞虎一种新的提取轮廓特征点的方法J红外与毫米波学报199817 3 171-1762杨莉张弘李玉山一种快速自适应 RSUSAN
49、角点检测算法J计算机科学 200431 5 198-20014肖茜鲁宏伟基于高斯平滑的自适应角点检测J计算机辅助设计与图形学学报 200315 11 1358-115Witkin A PScale Space FilteringCKarlsruheProceedings of the 8th International Joint Conference on Artificial Intelligence19831019-102116钟宝江廖文和基于精化曲线累加弦长的角点检测技术J计算机辅助设计与图形学学报 200416 7 939-94317Langridge D JCurve Encoding and the Detection of DiscontinuitiesJCVGIP198220 1 58-7118Mediono GYasumoto YCorner Detection and Curve Representation Using Cubic B-splines
