基于角點檢測的圖像處理方法畢業(yè)論文(編輯修改稿)
2025-07-24 20:52 本頁面
【文章內(nèi)容簡介】 灰度的一階差分以及濾波,操作簡單。②提取的點特征均勻而且合理:Harris 算子對圖像中的每個點都計算其興趣值,然后在鄰域中選擇最優(yōu)點。③穩(wěn)定:Harris算子的計算公式中只涉及到一階導數(shù)，因此對圖像旋轉(zhuǎn)、灰度變化、噪聲影響和視點變換不敏感,它也是比較穩(wěn)定的一種點特征提取算子。Harris 算子的局限性有：①它對尺度很敏感，不具有尺度不變性。②提取的角點是像素級的H。 旋轉(zhuǎn)不變性：橢圓轉(zhuǎn)過一定角度但是其形狀保持不變（特征是保持不變）；對于圖像灰度的仿射變化具有部分的不變性；對于圖像幾何尺度變化不具有不變性；隨尺度變化，Harris角點檢測的性能下降。 Harris角點檢測原理是對于一副圖像，角點于自相關(guān)函數(shù)的曲率特性有關(guān)，自相關(guān)函數(shù)描述了局部局部圖像灰度的變化程度。在角點處，圖像窗口的偏移將造成自相關(guān)函數(shù)（圖像灰度的平均變化）的顯著變化。arris算子是一種簡單的點特征提取算子，這種算子受信號處理中自相關(guān)函數(shù)的啟發(fā)，給出與自相關(guān)函數(shù)相聯(lián)系的矩陣M。M陣的特征值是自相關(guān)函數(shù)的一個階曲率，如果兩個曲率值都高，那么久認為該點是特征點。 在1988 年提出的一種基于信號的點特征提取算法，也稱為Plessey角點檢測算法。整個算法是受到信號處理中自相關(guān)函數(shù)的啟發(fā)，引入與自相關(guān)函數(shù)相聯(lián)系的矩陣M。該算法通過建立與圖像X 方向一階導數(shù)和Y 方向一階導數(shù)自相關(guān)函數(shù)相聯(lián)系的對稱矩陣M，求取M 的兩個特征值，而M 陣的特征值是自相關(guān)函數(shù)的一階曲率，若兩個曲率值都很高，則說明自相關(guān)函數(shù)呈尖頂形，表示該處為圖像的角點。 對于一幅圖像，角點和自相關(guān)函數(shù)的曲率特性有關(guān)。自相關(guān)函數(shù)描述了局部圖像灰度的變化:自相關(guān)函數(shù)如下：E(x,y)=其中矩陣M為的近似Hessian矩陣，其表達式如下:Harris算子R(x,y)定義為： Harris角點檢測只是涉及到簡單的矩陣和一階導數(shù)運算，能夠根據(jù)閾值提取出局部“興趣點”。 ~。當R(x,y)超過給定的閾值，則認為該點為圖像的角點。 假設(shè)L1和L2是矩陣M的特征值，可以表示某一點的圖像灰度自相關(guān)函數(shù)的極值曲率，它們成比例關(guān)系。若M的特征值L1和L2都相對較大，則證明在該店的圖像灰度自相關(guān)函數(shù)的兩個正交方向上的曲率極值比較大，進一步確認該點就是角點。具體判定方法，可以通過判斷特征值L1和L2來確定角點的位置：如果兩個曲率值都很小，則證明局部自相關(guān)函數(shù)很平坦，檢測區(qū)域為平坦區(qū)域；如果兩個曲率中一個較大，另一個較小時，則說明E（x,y）垂直山脊的變化很大，而沿著山脊的變化很小，此處為一個邊沿，即局部自相關(guān)函數(shù)呈現(xiàn)山脊狀；如果兩個曲率都很大，則說明局部自相關(guān)函數(shù)有一個尖峰，此處為一個角點。 SUSAN檢測算法 直接利用圖像灰度相似性的比較，而不需計算梯度，具有算法簡單、定位準確、抗噪聲能力強等特點。因此，非常適于含噪圖像或低對比度灰度圖像的邊緣檢測。無論對直線，還是曲線邊緣，SUSAN算法基本上可以檢測出所有的邊緣，檢測結(jié)果較好。雖然實驗中沒有達到一個象素的精度，但這主要是因為對邊緣的兩側(cè)都應用了SUSAN算法，對具體的實際應用，可以對背景不再應用SUSAN算法，這樣不但可以達到細化邊緣的目的，而且運算量也大大減少。SUSAN算法：(1)算法描述；對整幅圖像中的所有象素，用圓形模板進行掃描，比較模板內(nèi)每一象素與中心象素的灰度值，通過與給定的閥值比較，來判別該象素是否屬于USAN區(qū)域，如下式：C(r,r)= (1)式(1)中c(r，r0)為模板內(nèi)屬于USAN區(qū)域的象素的判別函數(shù)；I(r0)是模板中心象素(核)的灰度值；I(r)為模板內(nèi)其他任意象素的灰度值；t是灰度差門限。圖像中每一點的USAN區(qū)域大小可用下式表示：n(r)= (2)式(2)中D(r0)為以r0為中心的圓形模板區(qū)域。得到每個象素的USANn(r0)以后，再與預先設(shè)定得門限g進行比較，當n(r0)g時，所檢測到象素位置r0可以認為是一個邊緣點。(2)模板的選取由于圖像的數(shù)字化，實際上無法實現(xiàn)真正的圓形模板，所以都是采用近似圓代替。但是模板較小時，如果門限選取不恰當，可能會發(fā)生邊緣點漏檢的情況。模板也不宜取得太大，否則會增大運算量大，通常可取55或37象素模板[1]。本文實驗中均采用的是55的模板。(3)門限t，g的確定門限g決定了邊緣點的USAN區(qū)域的最大值，即只要圖像中的象素的USAN值小于g，該點就被判定為邊緣點。g過大時，邊緣點附近的象素可能作為邊緣被提取出來，過小則會漏檢部分邊緣點?？梢暂^好地提取出初始邊緣點。如果要達到單象素的精度，還需進一步剔除多余象素。門限t表示所能檢測邊緣點的最小對比度，也是能忽略的噪聲的最大容限。t越小，可從對比度越低的圖像中提取特征。因此對于不同對比度和噪聲情況的圖像，應取不同的t值。第五章 圖片實現(xiàn)及結(jié)論圖1（harris角點檢測）圖2（harris角點檢測）圖3（harris角點檢測）檢測結(jié)果為：優(yōu)點：從上圖我們可以看到Harris算法直接從原始圖像中檢測特征點，能夠在圖像發(fā)生灰度變化、旋轉(zhuǎn)、和干擾噪聲等情況下檢測興趣點。缺點：定位性能差，在需要精確定位時不能滿足要求。圖4（susan角點檢測）圖5（susan角點檢測）圖6（susan角點檢測）檢測結(jié)果為：優(yōu)點：基于susan的圖片實現(xiàn)是一種直接利用圖像灰度信息的檢測算法，能夠使檢測過程不依賴于前期分割結(jié)果。不需要取噪處理。缺點：穩(wěn)定性差，閾值的選取直接影響到檢測的準確性。Moravec角點檢測算法是一種比較傳統(tǒng)的提取興趣點的算法，由于該算法是通過計算水平、垂直、對角線、反對角線四個方向上灰度方差檢測角點，該算子各項異性。具有思路簡單，計算過程易于實現(xiàn)，判斷條件少的優(yōu)點，但其定位準確度不高，抗噪能力較低。Harris角點檢測算法是基于圖像的灰度自相關(guān)函數(shù)的一種算法，該算法直接從原始圖像中檢測特征點，能夠在圖像發(fā)生灰度變化、旋轉(zhuǎn)、和干擾噪聲等情況下檢測興趣點。相對于Moravec算法，在抗噪能力有了很大提高，而且兼顧了效率和精度兩方面的要求，誤檢測率低。SUSAN角點檢測算法是一種直接利用圖像灰度信息的檢測算法，由于不需要進行求導和梯度運算，具有很強的抗干擾能力，能夠使檢測過程不依賴于前期分割結(jié)果。不需要取噪處理，原因是不用計算圖像的灰度導數(shù)。該算法可以檢測出諸如V型、K型、X型、Y型、T型等各種類型的角點。
試題試卷相關(guān)推薦
鄂ICP備17016276號-1