【正文】 測度）做一個歸一化處理（比如 Moravec可以在計算 IV是除以 255*255），然后再通過其它計算可以自動的得到一個較好的閾值。 效果分析 Harris算子通過自相關矩陣來提取角點。因此，在很多論文中提到了通過增加 Moravec算子計算的方向的個數來提高結果的正確率，但增加方向的度量 不好確定，而且增加方向會幾何倍數的增加計算量，例如：增加 30度方向，那么就必然會增加 60度、 120度、 150度、 210度、 240度、 300度、 330度這幾個方向。這并不是因為 Morave算子本身的缺陷，而是由于閾值設定所產生的問題。 具體算法步驟如下： （ 1）一階差分，計算梯度。在一定大小的窗口內（一般不同于興趣值計算的窗口大?。┻x取興趣值中 最大的點作為特征點。而這些興趣算子根據它們性質又大致可以分為三類 【 3】【 4】 。這些自動化的前提是對影像特征的自動提取。 Moravec算子通過計算各像素四個主要方向（即： 0度方向、 45度方向、 90度方向、 145度方向（如圖 ））上面灰度的差平方和，并且選取灰度差平方和中的最小值為該點的角點響應函數值或稱興趣值（ IV），然后通過一定的閾值判斷，選取興趣值 IV中大于閾值的點做為候選點，最后通過一定的窗口，選擇窗口中備選點里的極大值點做為該窗口中的特征點。根據經驗閾值，選取出候選點。 （圖 Moravec算子提取效果） 從圖中可以發(fā)現在高對比度處的幾種基本類型的角點都被提取出來，但在一些低對比度的小區(qū)域中典型的角點沒有被提取出來。這樣做的結果就是角點的定位不準確（一般最大會偏移一個像素）。 （ 2）一定程度的抗噪能力。 三種算子對測試圖像提取的耗費時間如下表： 表一 三種算子特征提取情況統(tǒng)計 特征提取算子 耗費時間（ ms） 提取點數（個） Morave 125 280 Forstner 94 51 Harris 561 152 整體上來講， Moravec算子是三種算子最簡單的，在提取結果中會對鋸齒狀噪聲非常敏感； Forstner算子整個結構比較復雜，但是在本文中，只是考慮了其確定最佳窗口的實現，因而整個算法被簡化，它對噪聲有一定的抵抗，提取的特征點結果都是非常典型的角點，定位精度比 Moravec算子高； Harris算子比本文中前兩個算子都要復雜一些，因為多了一個高斯濾波的步驟，計算時間是三個算子中最長的一個，提取結果中 L型角點的定位精度是三種算子里面最好的，但是其它角點定位誤差較大，對噪聲的抵抗性也較差。 3 結束語 在本次試驗中，對三種常見的點特征提取算法進行了討論，由于某些原因本文只是按照最原始的理論對三種算子做了算法的實現。最終表現的結果就是對于鋸齒狀的邊緣而產生的偽特征點有一定的抗噪能力。 （圖 假設局部灰度圖） 上圖假設為某影像上的一個小區(qū)域示意，可以知道最好的角點提取結果是圖中藍色五角星所在的位置。還可以發(fā)現 Moravec對圖中某