【文章內(nèi)容簡介】 考慮全局整體特征，應該是該算法需要完善的地方。 多尺度角點檢測濾波器的尺度選擇并不是一件容易的事情，要求在濾掉噪聲的同時保持邊界曲線的基本形狀特征。同時曲線上各角點均有著不同尺度的支撐域，無法事先定義出一個最優(yōu)的分辨率來進行角點檢測。在使用多尺度分析后求取不同尺度的空間時，輪廓曲線已經(jīng)被不同的小波函數(shù)所平滑，所以能最大限度地減少邊緣毛刺噪聲。 Witkin和Koenderink提出基于尺度空間的圖像分析理論后，多尺度曲線分析成為解決該問題的主要方法，在曲線尺度空間中，隨著曲線尺度由小變大，一直保持較高彎曲度的點必定是所要求取的角點?；诖耍珹nothai Rattarangsi等人[21]提出基于尺度空間的角點檢測思想，王展等人[22]對采用二階導數(shù)零交叉邊緣檢測算子和圍線跟蹤算法得到的邊緣曲線，使用一組自相似二進Gabor小波變換的濾波器將整個頻域從高頻到低頻分為多個子帶，對兩個不同尺度下的濾波器輸出求差并取模，根據(jù)結果即可判定該點是否是角點。 在上面的多尺度檢測中，僅考慮了角點的位置信息，戚飛虎等人[23]提出在利用角點的位置信息時不能忽略有關角點的幅度信息。在選定小波為高斯函數(shù)的一階導數(shù)后，對圖像輪廓的Freeman鏈碼，投影成函數(shù)， （）進行小波變換，在不同的尺度上，角點的小波變換幅值始終是最大的，位置始終是不變的。如果有噪聲，那么噪聲的幅值只存在于有限的尺度空間上，結合幅值判據(jù)和位置判據(jù)就能夠很好地確定角點，剔除偽角點，結果的準確性很高。同時結合不同的角點模型，還可以對角點是單角、雙角、三角的屬性作出判別。 基于實際應用需求，從角點檢測的快速性、準確性、魯棒性等要求出發(fā)，可以看出上面對各種角點檢測算法的分析各有利弊。直接基于圖像的角點檢測基本上是全局搜索；基于邊緣輪廓的角點檢測數(shù)據(jù)量較少，可以采用多分辨分析并行處理，從灰度圖像得到邊緣輪廓曲線要經(jīng)過兩次以上的全局搜索，速度并不是很快，但對角點的誤檢和漏檢要比直接基于圖像的方法好得多。如果在得到輪廓曲線的過程中應用一些其他的變換方法，就計算的速度而言，下降不少，所以一般快速的、較準確的角點檢測使用直接基于圖像模板的方法完全可以滿足需要，但如果對角點的完備性要求較高，那么使用基于輪廓線的多尺度分析方法應該給予考慮。2 已修改特征點檢測的原理及方法 SUSAN算法基本原理 SUSAN算法[24]是由Simth SM和Brady JM首先提出的一種低層次圖像處理小核值相似區(qū)的方法SUSAN（Small Univalue Segment Assimilating Nucleus)即小核值相似區(qū)。該算法直接利用像素的灰度進行角點檢測。而不考慮曲率等復雜的角點特征。SUSAN檢測算子的基本原理是通過統(tǒng)計某一像素局部區(qū)域內(nèi)與該像素等灰度值近似的的點的個數(shù)，實現(xiàn)角點檢測。該算法一般利用一個37像素的圓形模板來實現(xiàn)的。，假如模板中的某些像素的亮度與核心相同或相似，就定義這些像素組成的區(qū)域為USAN（核值相似區(qū)）區(qū)域。USAN區(qū)域包含了圖像結構的以下信息：在a位置，核心點在角點上，USAN面積達到最小:在b位置，核心點在邊緣線上時，USAN區(qū)域面積接近最大值的一半；在 c、d位置，核心點處于黑色矩形區(qū)域之內(nèi)，USAN區(qū)域面積接近最大值。因此，可以根據(jù)USAN區(qū)的面積大小檢測出角點。 已修改；包含37個像素的圓形模版 簡單圖像中的四個圓形模板邊框edcba 不同位置USAN區(qū)域面積的大小具體檢測時，是用圓形模板掃描整個圖像，比較模板內(nèi)每一像素與中心像素的灰度值。并給定閾值來判別該像素是否屬于USAN區(qū)域。 ： （） （） 用于計算以每個像素點為核心的USAN區(qū)的像素個數(shù)；是模板中心像素(核)的灰度值；為模板內(nèi)其他任意像素的灰度值；t是區(qū)分特征目標與的一個重要閾值，一般取25。： （）式中，是以為圓心的模板。在得到每個像素的USAN區(qū)域后。(Corner Response Function，CRF )產(chǎn)生角點初始響應： （）式中，g是抑制噪聲的幾何閾值 ，它決定了輸出角點的USAN區(qū)域的最大值。同時它還決定了所檢測到的角點的尖銳程度。g取得越小，所檢測到的角點越尖銳。用這種原理，取不同的幾何門限，不但能檢測角點．還可以檢測交點、邊緣等特征。SUSAN算子計算簡單，不需要用導數(shù)求邊緣強度及方向梯度，增強了抗噪能力；且計算時間明顯減少，易于硬件實現(xiàn)。然而SUSAN算法并不能完全消除孤立噪聲點及由于模糊導致而致立體匹配誤差率較高。 SUSAN算法流程圖 SUSAN算法的實現(xiàn) 關閉所有窗口(程序運行產(chǎn)生的，不包括命令窗，editor窗和幫助窗），清除所有工作空間中的變量，讀入圖像并顯示原始圖像，相關的matlab代碼如下： close all。clear all。讀入圖像并顯示data=imread(39。F:\39。)。figure(1)。 原始圖 SUSAN算法顯示邊緣圖構造半徑為3個像素的圓型模板，遍歷圖像的每一個點。當像素位于模板內(nèi)時，根據(jù)公式（10）求c 和n（n的最大值為37）， （） 其中，為掩模核在圖像中的坐標，為掩模區(qū)域其它點的坐標。、分別為點和的灰度值。閾值決定了兩個點相似的最大差異。C為輸出的結果。掩模區(qū)域的USAN值可以由式（）計算出，其中：為USAN中象素個數(shù)，它給出了USAN值。將與某固定閾值相比較，得到SUSAN算法對圖像角點的響應函數(shù)（）：其中，（為的最大值），恰好是理想邊緣的USAN區(qū)大小，而對于實際有噪聲影響的圖像，邊緣的USAN區(qū)一般都大于。并以n為基礎創(chuàng)建一個新的窗口figure（2）并顯示結果為圖像的邊緣，相關的matlab代碼如下：imshow(data)。data = double(data)。 img_var = zeros(size(data))。 t=12。 for ii = 4:size(data，1)3 for jj = 4:size(data，2)3 n = 0。 for i=3:3 for j=3:3 if abs(i)+abs(j)4 else c = exp(((data(ii+i，jj+j)data(ii，jj))/t)^6)。 n = n + c。 end end end img_var(ii，jj)=n。 endend figure(2)。 imshow(uint8(img_var))。 g=max(img_var(:))*1/2。調(diào)整參數(shù)細化邊緣圖像并調(diào)用非極大值函數(shù)檢測出角點，相關matlab代碼如下：img_var2 = zeros(size(img_var))。 for ii=4:size(data，1)3 for jj = 4:size(data，2)3 if img_var(ii，jj)g r = g img_var(ii，jj)。 else r = 0。 end img_var2(ii，jj)=r。 endend figure(3)。imshow(uint8(img_var2))。im_mixmum = findMixmum(img_var2)。子函數(shù)非極大值抑制函數(shù)相關matlab代碼如下：function im_mixmum = findMixmum(im)。 [r，c] = size(im)。 im_mixmum = zeros(r，c)。 T = 13*mean2(im)。 for i = 3:r2 for j = 3:c2 matrixS = im(i2:i+2，j2:j+2)。 maxV = max(matrixS(:))。 pp = size(find(matrixS == maxV))。 if im(i，j) == maxV amp。 maxV T amp。 pp == 1。 m_mixmum(i，j) = 1。 end end end 獲得角點的坐標后，在原圖像上顯示檢測到的角點相應的matlab代碼如下：[corner_rr，corner_cc]=find(im_mixmum)。figure(1)。hold on。 plot(corner_cc，corner_rr，39。gx39。)。hold off。