【文章內(nèi)容簡介】 角點檢測的標準 準確性：在角點檢測的過程中，可以減小噪聲對角點檢測的 影響，即使細小的角點也可以檢測，即漏提取和誤提取的角點越少越好。 精確性：在角點檢測的過程中，提取到的角點的坐標應盡可能的準確，應盡可能的接近角點的實際位置，即提取到的角點應盡可能是角點的真實位置 。 復雜性：角點檢測的目的是為匹配和三維重建用的，角點檢測的速度關系到后續(xù)工作的效率 ，所以，角點檢測算法應簡單，程序運行速度越快越好，減少人工干預，提高程序的自動化要求，滿足實時性的要求。 基于模板的角點檢測 基于模板的角點檢測： 模板是根據(jù)需要建立的一個具有某種特性的小的 10 二維矩陣，是根據(jù)角點在圖像邊緣中的局部特征來建立的，反映了圖像邊緣局部點陣組合的特性 。 該算法具有很好的抗燥能力和魯棒性。模板的半徑越大，能夠檢測到得角度類型越多，定位越準確，同時計算量也越大 。 角點檢測原理 角點檢測的原理是 :確定一個給定的 n n模板與 圖像中所有 n n區(qū)域的相關性和相似性 . B retschi提供了這樣一套模板 : ???????????????444454555 在理想的情況下 , 運用這套模板能夠檢測出所有角點 ,但是因為角點擁有大量的特征 (點度、內(nèi)角度、邊緣的梯度 ) , 因此我們不可能設計出大量模板來匹配所有類型的角點 . 所以 ,當用于角點檢測的圖像過于復雜 , 或是待檢測的圖像中擁有大量不同種類或形狀的角點時 , 用這種基于模板的是不可行的 ,會導致所檢測的角點不夠全面 ,以致會影響到下一部的分析結果。 ???????????????444554554 11 第四章 Harris 角點檢測算法 算子特 征 Harris 算子是一種有效的點特征提取算子 ,其優(yōu)點總結起來有 : ① 計算簡單 :Harris 算子中只用到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、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。 角點檢測性質 旋轉不變性：橢圓轉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 。 角點檢測原理 Harris 角點檢測原理是對于一副圖像，角點于自相關函數(shù)的曲率特性有 12 關，自相關函數(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 自相關函數(shù)的啟發(fā)，給出與自相關函數(shù)相聯(lián)系的矩陣 M。 M 陣的特征值是自相關函數(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。 角點檢測算法 Harris 算子是 是 和 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函數(shù)的啟發(fā)，引入與自相關函數(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 征值是自相關函數(shù)的一階曲率，若兩個曲率值都很高，則說明自相關函數(shù)呈尖頂形，表示該處為圖像的角點 。 對于一幅圖像，角點和自相關函數(shù)的曲率特性有關。自相關函數(shù)描述了局部圖像灰度的變化 : 自相關函數(shù)如下： E(x,y)= ? ??????????????xyvuVYUXvu vuMxyIIw 2, , 其中矩陣 M 為的近似 Hessian矩陣，其表達式如下 : ??????? ),(),( ),(),( yxByxC yxCyxAM ),(),( 2 yxGIyxA X ?? ),(),( 2 yxGIyxB Y ?? ),(),( yxGIyxC XY ?? 13 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”。 )()( BAMtrac e ?? k 通常取 ~。當 R(x,y)超過給定的閾值，則認為該點為圖像的角點。 假設 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函數(shù)的極值曲率，它們成比例關系。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 14 所有的邊緣，檢測結果較好。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,r0 )=??????? ?? trIrIif trIrIif )()(0 )()(1 00 (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(r0 )= ?? )( 00 ),(rDr rrc (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 15 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?？扇?5 5 或 37象素模板 [1]。本文實驗中均采用的是 5 5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。 可以較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