【正文】 在這里，謹(jǐn)用一句話來表達(dá)我無法言明的心情：感謝你們！ 。 最后，感謝所有關(guān)心我、支持我和幫助過我的同學(xué)、朋友、老師和親人。在此，謹(jǐn)向施老師致以真誠的敬意和由衷的感謝。兩位老師對(duì)學(xué)生認(rèn)真負(fù)責(zé)的態(tài)度、嚴(yán)謹(jǐn)?shù)目茖W(xué)研究方法、敏銳的學(xué)術(shù)洞察力、勤勉的工作作風(fēng)以及勇于創(chuàng)新 、勇于開拓的精 神是我永遠(yuǎn)學(xué)習(xí)的榜樣。承蒙李老師和劉老師在繁忙之中抽出時(shí)間給予我指導(dǎo)和幫助，這篇論文才能夠成稿。數(shù)字圖像處理與圖像通信。直接基于灰度圖像的多尺度角點(diǎn)檢測(cè)方法?；?FPGA 的改進(jìn) Harris 角點(diǎn)檢測(cè)方法 ,四川：西南技術(shù)物理研究所， 2021 [3]閆 ? 龍 , 趙正旭 ,周以齊。角點(diǎn)檢測(cè)技術(shù)及研究 。今后 ,角點(diǎn)檢測(cè)算法研究方向仍將會(huì)在檢測(cè)精度和實(shí)時(shí)處理等方面有所進(jìn)展 ,這是今后的主要發(fā)展趨勢(shì) 。因此 , 在如何保證算法簡單快速的同時(shí)又能使檢測(cè)結(jié)果準(zhǔn)確一致 , 一直是研究人員試圖解決的問題。當(dāng)前對(duì)基于邊緣檢測(cè)方法的研究主要集中在如何減少算法的復(fù)雜度和噪聲的影響。雖已有很多學(xué)者在這方面做了大量研究 , 使這項(xiàng)工作日趨成熟 , 但其整體性能還不盡如人意。 image = susan(image_in,27)。39。 clc。 clear all。 thresholded = exp(1*temp2)。 temp1 = (imageintensity_center)/threshold。 applies the thresholding scheme, {(I(r) I(r0))/t}^(5/6) c = e to the current neighborhood of the center pixel 23 within the circle defined by the mask Abhishek Ivaturi function thresholded = susan_threshold(image,threshold) [a b]=size(image)。)。 plot(posr,posc,39。 [posc, posr] = find(result == 1)。 end。 i=i+1。 corners1(i,1)=j。 i=1。 end。 t = t+1。amp。amp。amp。amp。amp。amp。amp。amp。 t = 0。 end。 if R(i,j) Rmax 22 Rmax = R(i,j)。Ixy(i,j) Iy2(i,j)]。 Rmax = 0。 result = zeros(height,width)。 height = size(ori_im,1)。 Iy2 = filter2(h,Iy2)。,[7 7],2)。 h= fspecial(39。 clear Ix。 Iy2 = Iy.^2。 Iy = filter2(fy,ori_im)。1。1。5 8 5]。 % fy = [5 8 5。 fx = [2 1 0 1 2]。5 0 5]。 %end % fx = [5 0 5。 % if 8 % f=rgb2gray(X)。 %X=double(X)。 X=imread(filename)。 filename=39。clc。 SUSAN 角點(diǎn)檢測(cè)算法 抗干擾能力強(qiáng)； 可以檢測(cè)任何類型的角點(diǎn)。該算法可以檢測(cè)出諸如 V 型、 K 型、 X 型、 Y 型、 T 型等各種類型的角點(diǎn)。 SUSAN 角點(diǎn)檢測(cè)算法是一種直接利用圖像灰度信息的檢測(cè)算法，由于不需要進(jìn)行求導(dǎo)和梯度運(yùn)算，具有很強(qiáng)的抗干擾能力，能夠使檢測(cè)過程不依賴于前期分割結(jié)果。 Harris 角點(diǎn)檢測(cè)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(cè)特征點(diǎn)，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(cè)興趣點(diǎn)。 算法比較 Moravec 角點(diǎn)檢測(cè)算法是一種比較傳統(tǒng)的提取興趣點(diǎn)的算法，由于該算法是通過計(jì)算水平、垂直、對(duì)角線、反對(duì)角線四個(gè)方向上灰度方差檢測(cè)角點(diǎn)，該算子各項(xiàng)異性。不需要取 噪處理 。 缺點(diǎn)： 定位性能差，在需要精確定位時(shí)不能滿足要求 。因此對(duì)于不同對(duì)比度和噪聲情況的圖像，應(yīng)取不同的 t 值 。 門限 t 表示所能檢測(cè)邊緣點(diǎn)的最小對(duì)比度，也是能忽略的噪聲的最大容限。 可以較好地提取出初始邊緣點(diǎn)。 (3)門限 t， g 的確定 門限 g 決定了邊緣點(diǎn)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(diǎn)就被判定為邊緣點(diǎn)。模板也不宜取得太大，否則會(huì)增大運(yùn)算量大，通?？扇?5 5 或 37 象素模板 [1]。 (2)模板的選取 由于圖像的數(shù)字化，實(shí)際上無法實(shí)現(xiàn)真正的圓形模板，所以都是采用近 15 似圓代替。 圖像中每一點(diǎn)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。雖然實(shí)驗(yàn)中沒有達(dá)到一個(gè)象素的精度，但這主要是因?yàn)閷?duì)邊緣的兩側(cè)都應(yīng)用了 SUSAN 算法，對(duì)具體的實(shí)際應(yīng)用，可以對(duì)背景不再應(yīng)用 SUSAN 算法，這樣不但可以達(dá)到細(xì)化邊緣的目的，而且運(yùn)算量也大大減少 。因此，非常適于含噪圖像或低對(duì)比度灰度圖像的邊緣檢測(cè)。 具體判定方法，可以通過判斷特征值 L1 和 L2 來確定角點(diǎn)的位置： 如果兩個(gè)曲率值都很小，則證明局部自相關(guān)函數(shù)很平坦，檢測(cè)區(qū)域?yàn)槠教箙^(qū)域； 如果兩個(gè)曲率中一個(gè)較大，另一個(gè)較小時(shí)，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(gè)邊沿，即局部自相關(guān)函數(shù)呈現(xiàn)山脊?fàn)睿? 如果兩個(gè)曲率都很大，則說明局部自相關(guān)函數(shù)有一個(gè)尖峰，此處為一個(gè)角點(diǎn)。 假設(shè) L1 和 L2 是矩陣 M 的特征值，可以表示某一點(diǎn)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。 )()( BAMtra c e ?? k 通常取 ~ 之間。 對(duì)于一幅圖像，角點(diǎn)和自相關(guān)函數(shù)的曲率特性有關(guān)。整個(gè)算法是受到信號(hào)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。 M 陣的特征值是自相關(guān)函數(shù)的一個(gè)階曲率，如果兩個(gè)曲率值都高，那么久認(rèn)為該點(diǎn)是特征點(diǎn)。在角點(diǎn)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。 角點(diǎn)檢測(cè)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(duì)于圖像灰度的仿射變化具有部分的不變性 ； 對(duì)于圖像幾何尺度變化不具有不變性 ； 隨尺度變化， Harris 角點(diǎn)檢測(cè)的性能下降 。 Harris 算子的局限性有： ① 它對(duì)尺度很敏感，不具有尺度不變性。 ② 提取的點(diǎn)特征均勻而且合理 :Harris 算子對(duì)圖像中的每個(gè)點(diǎn)都計(jì)算其興趣值