【文章內(nèi)容簡介】 考慮全局整體特征，應(yīng)該是該算法需要完善的地方。 多尺度角點(diǎn)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(shí)保持邊界曲線的基本形狀特征。同時(shí)曲線上各角點(diǎn)均有著不同尺度的支撐域，無法事先定義出一個(gè)最優(yōu)的分辨率來進(jìn)行角點(diǎn)檢測。在使用多尺度分析后求取不同尺度的空間時(shí)，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(diǎn)必定是所要求取的角點(diǎn)?；诖?，Anothai Rattarangsi等人[21]提出基于尺度空間的角點(diǎn)檢測思想，王展等人[22]對(duì)采用二階導(dǎo)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(jìn)Gabor小波變換的濾波器將整個(gè)頻域從高頻到低頻分為多個(gè)子帶，對(duì)兩個(gè)不同尺度下的濾波器輸出求差并取模，根據(jù)結(jié)果即可判定該點(diǎn)是否是角點(diǎn)。 在上面的多尺度檢測中，僅考慮了角點(diǎn)的位置信息，戚飛虎等人[23]提出在利用角點(diǎn)的位置信息時(shí)不能忽略有關(guān)角點(diǎn)的幅度信息。在選定小波為高斯函數(shù)的一階導(dǎo)數(shù)后，對(duì)圖像輪廓的Freeman鏈碼，投影成函數(shù)， （）進(jìn)行小波變換，在不同的尺度上，角點(diǎn)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(jié)合幅值判據(jù)和位置判據(jù)就能夠很好地確定角點(diǎn)，剔除偽角點(diǎn)，結(jié)果的準(zhǔn)確性很高。同時(shí)結(jié)合不同的角點(diǎn)模型，還可以對(duì)角點(diǎn)是單角、雙角、三角的屬性作出判別。 基于實(shí)際應(yīng)用需求，從角點(diǎn)檢測的快速性、準(zhǔn)確性、魯棒性等要求出發(fā)，可以看出上面對(duì)各種角點(diǎn)檢測算法的分析各有利弊。直接基于圖像的角點(diǎn)檢測基本上是全局搜索；基于邊緣輪廓的角點(diǎn)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(duì)角點(diǎn)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(yīng)用一些其他的變換方法，就計(jì)算的速度而言，下降不少，所以一般快速的、較準(zhǔn)確的角點(diǎn)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(duì)角點(diǎn)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(yīng)該給予考慮。2 已修改特征點(diǎn)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(jìn)行角點(diǎn)檢測。而不考慮曲率等復(fù)雜的角點(diǎn)特征。SUSAN檢測算子的基本原理是通過統(tǒng)計(jì)某一像素局部區(qū)域內(nèi)與該像素等灰度值近似的的點(diǎn)的個(gè)數(shù)，實(shí)現(xiàn)角點(diǎn)檢測。該算法一般利用一個(gè)37像素的圓形模板來實(shí)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?yàn)閁SAN（核值相似區(qū)）區(qū)域。USAN區(qū)域包含了圖像結(jié)構(gòu)的以下信息：在a位置，核心點(diǎn)在角點(diǎn)上，USAN面積達(dá)到最小:在b位置，核心點(diǎn)在邊緣線上時(shí)，USAN區(qū)域面積接近最大值的一半；在 c、d位置，核心點(diǎn)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(diǎn)。 已修改；包含37個(gè)像素的圓形模版 簡單圖像中的四個(gè)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(shí)，是用圓形模板掃描整個(gè)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(jì)算以每個(gè)像素點(diǎn)為核心的USAN區(qū)的像素個(gè)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(biāo)與的一個(gè)重要閾值，一般取25。： （）式中，是以為圓心的模板。在得到每個(gè)像素的USAN區(qū)域后。(Corner Response Function，CRF )產(chǎn)生角點(diǎn)初始響應(yīng)： （）式中，g是抑制噪聲的幾何閾值 ，它決定了輸出角點(diǎn)的USAN區(qū)域的最大值。同時(shí)它還決定了所檢測到的角點(diǎn)的尖銳程度。g取得越小，所檢測到的角點(diǎn)越尖銳。用這種原理，取不同的幾何門限，不但能檢測角點(diǎn)．還可以檢測交點(diǎn)、邊緣等特征。SUSAN算子計(jì)算簡單，不需要用導(dǎo)數(shù)求邊緣強(qiáng)度及方向梯度，增強(qiáng)了抗噪能力；且計(jì)算時(shí)間明顯減少，易于硬件實(shí)現(xiàn)。然而SUSAN算法并不能完全消除孤立噪聲點(diǎn)及由于模糊導(dǎo)致而致立體匹配誤差率較高。 SUSAN算法流程圖 SUSAN算法的實(shí)現(xiàn) 關(guān)閉所有窗口(程序運(yùn)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(guān)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(gòu)造半徑為3個(gè)像素的圓型模板，遍歷圖像的每一個(gè)點(diǎn)。當(dāng)像素位于模板內(nèi)時(shí)，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(biāo)，為掩模區(qū)域其它點(diǎn)的坐標(biāo)。、分別為點(diǎn)和的灰度值。閾值決定了兩個(gè)點(diǎn)相似的最大差異。C為輸出的結(jié)果。掩模區(qū)域的USAN值可以由式（）計(jì)算出，其中：為USAN中象素個(gè)數(shù)，它給出了USAN值。將與某固定閾值相比較，得到SUSAN算法對(duì)圖像角點(diǎn)的響應(yīng)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(duì)于實(shí)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(chǔ)創(chuàng)建一個(gè)新的窗口figure（2）并顯示結(jié)果為圖像的邊緣，相關(guān)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(xì)化邊緣圖像并調(diào)用非極大值函數(shù)檢測出角點(diǎn)，相關(guān)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(guān)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(diǎn)的坐標(biāo)后，在原圖像上顯示檢測到的角點(diǎn)相應(yīng)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。