【文章內(nèi)容簡介】 的一種重要局部特征 ,角點在保留了圖像中物體的重要特征信息的同時有效地減少了信息的數(shù)據(jù)量 ,使得對圖像處理時運算量大大減少 . 由于角點集中了圖像上的很多重要的形狀信息 ,角點具有旋轉(zhuǎn)不變性 ,因此角點幾乎不受光照條件的影響 . 在基于特征的圖像配準、圖像理解及模式識別等領域中 ,角點提取具有十分重要的意義 . 在基于角點檢測的圖像配準中的關鍵技術就是精確的檢測出需要配準的每幅圖像中的角點 ,即角點檢測技術 .其在三維場景重建、運動估計、目標跟蹤、目標識別、圖像配準 與匹配等計算機視覺領域起著 非常重要的作用 。 角點檢測算法 目前的角點檢測算法可歸納為 3 類 ： ：基于梯度；基于模板；基于模板梯度組合。 。 。 9 第三章 角點檢測的理論基礎 常用角點檢測簡介 基于邊緣的角點檢測： 基于邊緣的方法先提取物體的邊緣信息并 以鏈碼形式表示，然后尋找具有最大曲率的點作為角點。 這類方法的優(yōu)點是易于實現(xiàn) , 并能得到角點的順序關系 , 但算法和處理步驟過于復雜 , 且檢測結(jié)果很大程度上依賴于邊緣特征的提取。 基于灰度的角點檢測：直接對原圖像進行處理 , 利用角點本身的特點提取角點。這類算法速度快 , 實時性強 , 但定位精度不夠 , 還可能漏掉一些真實的角點 。 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(jié)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(jié)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(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。 角點檢測性質(zhì) 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 。 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”。 )()( BAMtra c e ?? k 通常取 ~ 之間。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(jié)果