圖像特征檢測(cè) 沈陽(yáng)理工大學(xué)數(shù)字圖像處理課程設(shè)計(jì)

1、數(shù)字圖像處理課程設(shè)計(jì) 摘摘 要要圖像處理是一門(mén)很有價(jià)值的學(xué)科，在科學(xué)技術(shù)不斷發(fā)展的今天它的技術(shù)已趨于成熟。同時(shí)圖像之間的處理， 在實(shí)際應(yīng)用中也顯的越來(lái)越重要。本課程設(shè)計(jì)的主要任務(wù)是實(shí)現(xiàn)對(duì)數(shù)字圖像的頻譜特性的分析，觀察結(jié)果，并進(jìn)行結(jié)果分析。本課程設(shè)計(jì)的系統(tǒng)開(kāi)發(fā)平臺(tái)為 MATLAB，程序運(yùn)行平臺(tái)為Windows98/2000/XP在圖像理解、圖像匹配、三維重建及模式識(shí)別等領(lǐng)域中，特征點(diǎn)的檢測(cè)具有十分重要的意義。特征點(diǎn)在保留圖像中物體的重要特征信息的同時(shí)有效地減少了信息的數(shù)據(jù)量，使得對(duì)圖像處理時(shí)運(yùn)算量大大減少。特征點(diǎn)的的定義有多種不同的表述，如圖像中灰度值和像素劇烈變化的點(diǎn)、圖像邊界上具有較高曲率的

2、點(diǎn)等。對(duì)于特征點(diǎn)的定義決定了特征點(diǎn)的特性，同時(shí)也決定了所檢測(cè)出的特征點(diǎn)的檢測(cè)所采用的方法。SUSAN(Smallest Univalue Segment Assimilating Nucleus)算法是上世紀(jì)九十年代中期提出的一種邊角點(diǎn)檢測(cè)算法，該算法是一種基于圖像局部灰度特征，利用一個(gè)圓形的模板對(duì)圖像進(jìn)行掃描，比較模板內(nèi)部的點(diǎn)與模板中心點(diǎn)的灰度值，如果灰度差值小于一定的閾值，就認(rèn)為該點(diǎn)與中心點(diǎn)的灰度相同，否則就認(rèn)為該點(diǎn)與中心點(diǎn)有明顯的差異。統(tǒng)計(jì)模板內(nèi)部與中心點(diǎn)灰度相同的點(diǎn)的個(gè)數(shù)，與一個(gè)全局閾值進(jìn)行比較，判斷該點(diǎn)是否屬于角點(diǎn)，從而實(shí)現(xiàn)對(duì)圖像特征點(diǎn)的檢測(cè)。本文采用 matlab 語(yǔ)言實(shí)現(xiàn)了 SU

3、SAN 特征點(diǎn)監(jiān)測(cè)并利用模擬圖像和真實(shí)圖像對(duì)算法進(jìn)行了驗(yàn)證，實(shí)驗(yàn)表明 SUSAN 特征點(diǎn)檢測(cè)算法能有效提取圖像中的特征點(diǎn)。與傳統(tǒng)的角點(diǎn)檢測(cè)算法相比，SUSAN 算法是一種基于圖像灰度比較的算法，不涉及梯度的計(jì)算。具有速度快、抗干擾能力強(qiáng)等特點(diǎn)。關(guān)鍵字關(guān)鍵字： SUSAN 算法；邊緣檢測(cè)；角點(diǎn)檢測(cè)；matlab數(shù)字圖像處理課程設(shè)計(jì)目目 錄錄1 課程設(shè)計(jì)目的.12 課程設(shè)計(jì)要求.23 特征點(diǎn)檢測(cè)的原理及方法.33.1 SUSAN 算法基本原理 .33.2 SUSAN 算法的實(shí)現(xiàn) .63.2.1 讀入圖像.63.2.2 SUSAN 算法顯示邊緣圖 .64.matlab 程序代碼.75.算法的應(yīng)用.1

4、26.算法的評(píng)價(jià).146.1 算法的改進(jìn).146.2 參數(shù)對(duì)角點(diǎn)的影響.146.2.1 去除真角點(diǎn)附近的偽角點(diǎn).146.2.2 邊緣輪廓上的偽角點(diǎn)處理.156.3 Harris 與 SUSAN 算法的比較 .156.3.1 Harris 基本原理.156.3.2 實(shí)驗(yàn)分析變化.176.4 Harris 與 SUSAN 小結(jié) .18結(jié)論.19參考文獻(xiàn).20數(shù)字圖像處理課程設(shè)計(jì)1 課程設(shè)計(jì)目的課程設(shè)計(jì)目的 （1）學(xué)習(xí)并了解 Matlab 軟件的實(shí)用，并了解 Matlab 在數(shù)字圖像中的應(yīng)用。學(xué)會(huì)編寫(xiě) Matlab 程序并調(diào)試、運(yùn)行。 （2）了解圖像的檢測(cè)運(yùn)算在數(shù)字圖像處理中的初步應(yīng)用。 （3）體會(huì)

5、圖像特征檢測(cè)過(guò)程和處理前后圖像的變化。數(shù)字圖像處理課程設(shè)計(jì)2 課程設(shè)計(jì)要求課程設(shè)計(jì)要求 （1）了解 Matlab 軟件的實(shí)用，在 Matlab 環(huán)境下學(xué)會(huì)用軟件對(duì)圖像進(jìn)行處理，并獲得預(yù)期的結(jié)果。 （2）了解圖像特征檢測(cè)的原理和作用。 （3）對(duì)比處理后的圖像與原圖像，得出處理后的結(jié)論。數(shù)字圖像處理課程設(shè)計(jì)3 特征點(diǎn)檢測(cè)的原理及方法特征點(diǎn)檢測(cè)的原理及方法3.1 SUSAN 算法基本原理算法基本原理SUSAN 算法是由 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 Nucle

6、us)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(cè)。而不考慮曲率等復(fù)雜的角點(diǎn)特征。SUSAN 檢測(cè)算子的基本原理是通過(guò)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(cè)。該算法一般利用一個(gè) 37 像素的圓形模板來(lái)實(shí)現(xiàn)的，如圖 2.1 所示。圖 2.2中圓形模板 e 的圓心稱(chēng)為核心，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)?USAN（核值相似區(qū)）區(qū)域。圖 2.3 顯示出了不同位置的 USAN 區(qū)域面積大小。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(xiàn)上時(shí)，USAN

7、 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(cè)出角點(diǎn)。圖 3.1 包含 37 個(gè)像素的圓形模板數(shù)字圖像處理課程設(shè)計(jì) abcd模版的邊界模版的核心e 圖 3.2 簡(jiǎn)單圖像中的四個(gè)圓形模板abcde像素灰度和核心不同的區(qū)域像素灰度和核心值相似的區(qū)域 像素灰度和核心值相似的區(qū)域圖 3.3 不同位置 USAN 區(qū)域面積的大小具體檢測(cè)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(lái)判別該像素是否屬于 USAN 區(qū)域，式 2.1 是SUSAN 算法的原始相似比較函數(shù)。式 2.

8、2 是在實(shí)際應(yīng)用中比較常用的相似比較函數(shù) ： trIrIiftrIrIifrrc)()(0)()(1),(000（3.1） 數(shù)字圖像處理課程設(shè)計(jì) 6)()(00),(etrIrIrrc（3.2） 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)(0rI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)(rI的一個(gè)重要閾值，一般取 25。圖像中某一點(diǎn) USAN 區(qū)域大小可由下式 2.3 表示： )(000),()(rcrrrcrn（3.3）式中，是以為圓心的模板。)(0rc0r在得到每個(gè)像素的 USAN 區(qū)域后。再由下式 2.4 角點(diǎn)響應(yīng)函數(shù)(Corner

9、- Response Function，CRF )產(chǎn)生角點(diǎn)初始響應(yīng)： 其他0)()()(000grnrngrR（3.4） 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(cè)到的角點(diǎn)的尖銳程度。g 取得越小，所檢測(cè)到的角點(diǎn)越尖銳。用這種原理，取不同的幾何門(mén)限，不但能檢測(cè)角點(diǎn)還可以檢測(cè)交點(diǎn)、邊緣等特征。SUSAN 算子計(jì)算簡(jiǎn)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 算法流程圖如圖 4.4 所示。數(shù)字圖像處理課程

10、設(shè)計(jì) 計(jì)算相似度 ),(yxc 計(jì)算掩膜區(qū)域的USAN 值),(00yxn 計(jì)算模板中心點(diǎn)的初始響應(yīng)值 根據(jù)閾值確定角點(diǎn) 選取匹配的模版 顯示角點(diǎn) 圖 3.4 SUSAN 算法流程圖3.2 SUSAN 算法的實(shí)現(xiàn)算法的實(shí)現(xiàn) 3.2.1 讀入圖像讀入圖像關(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。3.2.2 SUSAN 算法顯示邊緣圖算法顯示邊緣圖構(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77模板內(nèi)時(shí)，根據(jù)公式（10）求 c 和 n（n 的最大值為 37） ， 600)(),(exp),(tyx

11、IyxIyxC（3.5） 其中，為掩模核在圖像中的坐標(biāo)，(x,y)為掩模區(qū)域其它點(diǎn)的坐標(biāo)。 、I(x,y)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。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，n得到 SUSAN 算法對(duì)圖像角點(diǎn)的響應(yīng)函數(shù)（2.5）：其中，（為2/maxng maxn數(shù)字圖像處理課程設(shè)計(jì)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n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gfigure（2）并顯示結(jié)果為圖像的邊緣。4.matlab 程序代碼程序代碼clc,cle

12、ar;harris_result=;%-保存圖像所有信息、讀取圖像-FileInfo=imfinfo( F:0.jpg);Image=imread( F:0.jpg);%-轉(zhuǎn)換為灰度值圖像-if(strcmp(truecolor,FileInfo.ColorType)=1) Image=im2uint8(rgb2gray(Image);end%-計(jì)算圖像的方向?qū)?shù)-%-橫向Prewitt差分模板dx=-1 0 1;數(shù)字圖像處理課程設(shè)計(jì) -1 0 1; -1 0 1;Ix2=filter2(dx,Image).2;Iy2=filter2(dx,Image).2;Ixy=filter2(dx,Im

13、age).*filter2(dx,Image);%-計(jì)算局部自相關(guān)矩陣-%-生成9*9的高斯窗口（窗口越大，探測(cè)到的角點(diǎn)越少）h=fspecial(gaussian,9,2); A=filter2(h,Ix2);B=filter2(h,Iy2);C=filter2(h,Ixy); %-矩陣Corner用來(lái)保存候選角點(diǎn)位置-nrow=size(Image,1);ncol=size(Image,2);Corner=zeros(nrow,ncol);%-相似性篩選-時(shí)間優(yōu)化-%-參數(shù)t：點(diǎn)(i,j)八鄰域的“相似度參數(shù)”，中心點(diǎn)與鄰域其他八個(gè)點(diǎn)的像素值之差在%-(-t,+t)之間，則確認(rèn)他們?yōu)橄嗨泣c(diǎn)

14、t=20;boundary=8; %-去除邊界上boundary個(gè)像素for i=boundary:1:nrow-boundary+1 for j=boundary:1:ncol-boundary+1 nlike=0; %-相似點(diǎn)的個(gè)數(shù) if Image(i-1,j-1)-Image(i,j)-t&Image(i-1,j-1)-Image(i,j)-t&Image(i-1,j)-Image(i,j)-t&Image(i-1,j+1)-Image(i,j)-t&Image(i,j-1)-Image(i,j)-t&Image(i,j+1)-Image(i,j

15、)-t&Image(i+1,j-1)-Image(i,j)-t&Image(i+1,j)-Image(i,j)-t&Image(i+1,j+1)-Image(i,j)=2&nlikeCRFmax CRFmax=CRF(i,j); end end endend%-判定當(dāng)前位置是否為角點(diǎn)-count=0;%-角點(diǎn)個(gè)數(shù)t=0.01;for i=boundary:1:nrow-boundary+1 for j=boundary:1:ncol-boundary+1 if Corner(i,j)=1 if CRF(i,j)t*CRFmax&CRF(i,j)CRF(i

16、-1,j-1). &CRF(i,j)CRF(i-1,j)&CRF(i,j)CRF(i-1,j+1). &CRF(i,j)CRF(i,j-1)&CRF(i,j)CRF(i,j+1). &CRF(i,j)CRF(i+1,j-1)&CRF(i,j)CRF(i+1,j). &CRF(i,j)CRF(i+1,j+1) count=count+1; else數(shù)字圖像處理課程設(shè)計(jì) Corner(i,j)=0; end end endendfigure,imshow(Image);hold on;for i=boundary:1:nrow-boundar

17、y+1 for j=boundary:1:ncol-boundary+1 column_ave=0; row_ave=0; k=0; if Corner(i,j)=1 for x=i-3:1:i+3 for y=j-3:1:j+3 if Corner(x,y)=1 row_ave=row_ave+x; column_ave=column_ave+y; k=k+1; end end end end if k0 harris_result=harris_result;round(row_ave/k) round(column_ave/k); plot(column_ave/k,row_ave/k,

18、b.);數(shù)字圖像處理課程設(shè)計(jì) end endend5.算法的應(yīng)用算法的應(yīng)用為了更好地驗(yàn)證本文中所提出算法的有效性，利用復(fù)雜模擬圖像和真實(shí)圖像對(duì)算法進(jìn)行了檢測(cè)。輸入真實(shí)的樓房圖像如圖 6.1 所示：數(shù)字圖像處理課程設(shè)計(jì)圖 5.1 原始圖 提取了角點(diǎn)后的圖如 5.2 所示：數(shù)字圖像處理課程設(shè)計(jì)圖 5.2 提取了角點(diǎn)后的圖像 因?yàn)楦鱾€(gè)圖形的角點(diǎn)離其他圖形很近，且在一張圖內(nèi)，各個(gè)角點(diǎn)相距較遠(yuǎn)，所以使用較大的抑制窗口，如果兩個(gè)真角點(diǎn)在同一個(gè)抑制窗口內(nèi)就會(huì)有一個(gè)不剔除。實(shí)驗(yàn)結(jié)果表明本算法可以有效提取圖像中好的角點(diǎn)，并使角點(diǎn)均勻的分布在圖像上。數(shù)字圖像處理課程設(shè)計(jì)6.算法的評(píng)價(jià)算法的評(píng)價(jià)6.1 算法的改進(jìn)算

19、法的改進(jìn)本文通過(guò)在灰度圖像上尋找 SUSAN 算子的極值提取特征點(diǎn)，使用 matlab語(yǔ)言編程實(shí)現(xiàn)了 SUSAN 特征點(diǎn)檢測(cè)算法，首先構(gòu)造一個(gè)圓形模板遍歷整個(gè)圖像利用相似比較函數(shù)得出的結(jié)果與閾值 t 進(jìn)行比，然后計(jì)算出 USAN 區(qū)域的大小 n 與閾值 g 比較得到角點(diǎn)的相應(yīng)函數(shù)，與原來(lái)的 SUSAN 算法相比，為了得到正確的角點(diǎn)對(duì)檢測(cè)出的角點(diǎn)群利用非極大值抑制函數(shù)(NMS)方法篩選出具有局部最大角點(diǎn)響應(yīng)值的候選點(diǎn)，并把它們確認(rèn)為最終的角點(diǎn)檢測(cè)結(jié)果。NMS法的范圍選定在以被檢測(cè)點(diǎn)為中心的方形鄰域內(nèi)，最大值抑制使偽角點(diǎn)大55大減少。6.2 參數(shù)對(duì)角點(diǎn)的影響參數(shù)對(duì)角點(diǎn)的影響在運(yùn)用 SUSAN 研究

20、發(fā)現(xiàn)，在使用基本 SUSA 算法提取角點(diǎn)時(shí)經(jīng)常會(huì)提取到兩種不相關(guān)的點(diǎn)，一種是真角點(diǎn)附近的點(diǎn)，另外一種是邊緣輪廓上的點(diǎn)，這些點(diǎn)成為偽角點(diǎn)被一起提取出來(lái)。針對(duì)兩種偽角點(diǎn)的產(chǎn)生原因分別提出兩種簡(jiǎn)潔的方法進(jìn)行處理，達(dá)到較好的效果。6.2.1 去除真角點(diǎn)附近的偽角點(diǎn)去除真角點(diǎn)附近的偽角點(diǎn)算法對(duì)圖像進(jìn)行處理時(shí)，很難對(duì)一些曲率較高的角點(diǎn)進(jìn)行單像素精度的提取這是因?yàn)楫?dāng)進(jìn)行 USAN 區(qū)域面積與門(mén)限值 g 的對(duì)比時(shí)，一些曲率較大的角點(diǎn)，其周?chē)恍┻吘夵c(diǎn)或內(nèi)部點(diǎn)同樣滿(mǎn)足 USAN 面積小于 g 的條件因此，在角點(diǎn)提取時(shí)這些點(diǎn)同時(shí)被提取出來(lái)并成為偽角點(diǎn)。原則上可以令 g 取較小的值而避免這些偽角點(diǎn)的出現(xiàn)，但這樣同時(shí)

21、造成對(duì)曲率較大的角點(diǎn)提取失敗的結(jié)果。在 SUSAN 算法中，可以根據(jù)不同的情況，即根據(jù)圖像邊緣的形狀，以及目標(biāo)和背景的灰度對(duì)比度，選擇合適的門(mén)限 t 和 g。數(shù)字圖像處理課程設(shè)計(jì)6.2.2 邊緣輪廓上的偽角點(diǎn)處理邊緣輪廓上的偽角點(diǎn)處理有時(shí)候在提取角點(diǎn)時(shí)發(fā)現(xiàn)一些邊緣上經(jīng)常會(huì)產(chǎn)生大量的偽角點(diǎn)。這主要是因?yàn)閳A形模板面積過(guò)小而導(dǎo)致閾值 g 的選取過(guò)于粗糙，而若對(duì)所有像素都采用大模板進(jìn)行覆蓋處理，則必將大大降低處理速度。因此，在進(jìn)行一輪小的模板提取角點(diǎn)后，針對(duì)邊緣上的偽角點(diǎn)進(jìn)行第二輪的角點(diǎn)提取。主要算法思路是選取更大的模板(例如 1111 的模板)對(duì)第一輪檢測(cè)到的所有角點(diǎn)進(jìn)行覆蓋，同時(shí)選擇合適的閾值 g

22、 剔除不滿(mǎn)足閾值要求的偽角點(diǎn)。6.3 Harris 與與 SUSAN 算法的比較算法的比較和 SUSAN 算法一樣，Harris 算法也是基于灰度圖像特征點(diǎn)檢測(cè)的算法suansan 算法原理在第二章已論述過(guò)不再贅述，下面介紹 Harris 基本原理。6.3.1 Harris 基本原理基本原理Harris 角點(diǎn)檢測(cè)算法是由 Chris Harris 和 MikeStephens 在 1988 年提出該算法是在 Moravec 算法的基礎(chǔ)上發(fā)展起來(lái)的 Moravec 算法是研究圖像中一個(gè)局部窗口在不同方向進(jìn)行少量的偏移后考察窗口內(nèi)圖像亮度值的平均變化需要考慮下面三種情況：(1) 如果窗口內(nèi)區(qū)域圖像

23、的亮度值恒定那么所有不同方向的偏移幾乎不 發(fā)生變化。(2) 如果窗口跨越一條邊那么沿著這條邊的偏移。幾乎不發(fā)生變化 但是與邊垂直的偏移會(huì)發(fā)生很大的。(3) 如果窗口包含一個(gè)孤立的點(diǎn)或者角點(diǎn)那么所有不同方向的偏移會(huì)發(fā)生很大的變化。下面介紹 Moravec 算法以及 Harris 算法在其基礎(chǔ)上做出的一些改進(jìn) （1）計(jì)算像素點(diǎn)的自相關(guān)值的時(shí)候只考慮了像素點(diǎn)的 8 個(gè)方向 Harris 等通過(guò)區(qū)域變化擴(kuò)展將一些灰度強(qiáng)度變化比較小的體現(xiàn)出來(lái) 如式（11）所示： vuvuvuvuuxvuyxyxoyYxXwIIwE,222,2,)()(數(shù)字圖像處理課程設(shè)計(jì)（6.1） 這里一階導(dǎo)數(shù)可以近似為： yTxII

24、YIIX/) 1 , 0 , 1(,/) 1 , 0 , 1(（6.2）因此灰度強(qiáng)度變化比較小的情況可以寫(xiě)成：yxE, 22,2TySxyRxEyx（6.3）其中 wXYTwYSwXR)(,22(6.4） （2）Moravec 算法沒(méi)有對(duì)圖片進(jìn)行降噪處理所以對(duì)噪聲比較敏感 Harris算法使用平移的圓形窗口對(duì)圖像進(jìn)行預(yù)處理來(lái)降噪這里使用了高斯窗口： )2/ )(exp(222,vuwvu（6.5） （3）Moravec 算法對(duì)邊緣響應(yīng)比較敏感解決方法灰度變化比較小時(shí)yxE,可以精確寫(xiě)為，式中 M 為：TyxyxMyxE),(),(, BCCAyIyIxIyIxIxI22)()()()(（6.6

25、）為了避免求 M 的特征值使用 TrM 和 Det（M）： 2)(,)(CABMDetBAMTr（6.7）定義角點(diǎn)響應(yīng)函數(shù)(CRF)為： 2)()(traceMkMDetR（6.8）上式中角點(diǎn)響應(yīng)函數(shù) R 在角點(diǎn)的區(qū)域是正值在邊界的區(qū)域是負(fù)值不變化的區(qū)域是很小的值在圖像角點(diǎn)檢測(cè)的過(guò)程中如果 R 值大于某個(gè)給定的閾值則這個(gè)點(diǎn)為角點(diǎn)。數(shù)字圖像處理課程設(shè)計(jì)總體來(lái)說(shuō) Harris 算法是一種非常有效的角點(diǎn)檢測(cè)算法優(yōu)點(diǎn)主要表現(xiàn)在以下兩個(gè)方面：(1) 提取的角點(diǎn)比較穩(wěn)定只要不是在大尺度狀態(tài)下提取的角點(diǎn) Harris 算法提取出來(lái)的角點(diǎn)是比較穩(wěn)定的。(2) Harris 算法提取的角點(diǎn)比較均勻合理根據(jù)實(shí)驗(yàn)可

26、以得出在紋理信息比較豐富的區(qū)域 Harris 算法可以提取出比較多的有用的角點(diǎn)而在紋理信息比較少的區(qū)域提取的角點(diǎn)則比較少。6.3.2 實(shí)驗(yàn)分析變化實(shí)驗(yàn)分析變化通過(guò)某計(jì)算機(jī)立體視覺(jué)系統(tǒng)分別獲取模型汽車(chē)的單幅影像與立體影像對(duì)，在 matlab7.8 平臺(tái)上編程實(shí)現(xiàn)對(duì) SUSAN、Harris 算子的點(diǎn)特征提取，并采用基于匹配支持度的松弛匹配算法對(duì)立體影像對(duì)進(jìn)行匹配比較。對(duì)于單幅影像，由于 Harris 算子點(diǎn)特征提取操作是通過(guò)確定圖像中所能提取的最大可能的特征點(diǎn)數(shù)目來(lái)選擇值最大的若干象素點(diǎn)作為特征點(diǎn)，因maxNI此，當(dāng)采用 Harris 算子提取同一目標(biāo)物影像中的特征點(diǎn)時(shí)，可設(shè)置不同數(shù)目的來(lái)觀察提

27、取特征點(diǎn)的分布和數(shù)量。 maxN隨著的不同，提取出特征點(diǎn)的數(shù)量和分布在相應(yīng)不斷調(diào)整。在maxNSUSAN 算子特征提取中，包括掩模核與掩模區(qū)域中其它點(diǎn)灰度值最大差異的閾值 ，SUSAN 算法對(duì)影像特征點(diǎn)響應(yīng)的閾值 ，排除影像孤立噪聲點(diǎn)干擾的tg閾值 等多組閾值參數(shù)。相比之下，采用 Harris 算子提取影像中的特征點(diǎn)，其d閾值參數(shù)的選擇就要簡(jiǎn)單的多，只需選擇確定影像中所能提取的最大可能的特征點(diǎn)數(shù)目，并可以此作為調(diào)整特征點(diǎn)分布的參考。 maxN當(dāng)對(duì)大小為 24001600 象元的航空影像分別采用上述兩種算子進(jìn)行點(diǎn)特征提取時(shí)，整幅影像中 SUSAN 算子有些房屋角點(diǎn)未能提取出，而 Harris 算

28、子提出了幾乎所有角點(diǎn)特征。但 SUSAN 算子提取所用時(shí)間較 Harris 算子少近 10倍。數(shù)字圖像處理課程設(shè)計(jì)6.4 Harris 與與 SUSAN 小結(jié)小結(jié)Harris 算子是計(jì)算機(jī)視覺(jué)界使用較為廣泛的一種點(diǎn)特征提取算子，SUSAN算子是國(guó)際上新近推出并已得到廣泛應(yīng)用的保持結(jié)構(gòu)算子。與傳統(tǒng)點(diǎn)特征算子比較，前者具有簡(jiǎn)單、穩(wěn)定、易于實(shí)現(xiàn)的特點(diǎn)。由上述點(diǎn)特征提取與隨后的立體影像匹配結(jié)果分析可得出：利用 Harris 算子不需設(shè)置閾值，整個(gè)過(guò)程的自動(dòng)化程度高，可以根據(jù)匹配結(jié)果，定量調(diào)整提取的特征點(diǎn)數(shù)。同時(shí)它抗干擾強(qiáng)、精度高。SUSAN 算子提取特征點(diǎn)分布合理，較適合提取圖像邊緣上的拐點(diǎn)，由于它不

29、需對(duì)圖像求導(dǎo)數(shù)，所以也有較強(qiáng)的抗噪聲能力，利用 SUSAN 算法提取圖像拐點(diǎn)，閾值的選取是關(guān)鍵。它沒(méi)有自適應(yīng)算法，也不象 Harris 算法可根據(jù)需要提出一定數(shù)目的特征點(diǎn)。但該算法編程容易，易于硬件實(shí)現(xiàn)。為克服影像灰度值分布不均對(duì)提取 SUSAN 算子角點(diǎn)的影響，可對(duì)影像采取二值化（或多值化）分割，以進(jìn)一步改進(jìn)提取效果。數(shù)字圖像處理課程設(shè)計(jì) 結(jié)論結(jié)論 本文用 matlab 語(yǔ)言實(shí)現(xiàn)了 SUSAN 角點(diǎn)算法，并著重分析了基本的SUSA 算法在提取角點(diǎn)時(shí)出現(xiàn)多余的偽角點(diǎn)，并 討論了真角點(diǎn)附近及邊緣輪廓上的偽角點(diǎn)的處理方法。經(jīng)實(shí)驗(yàn)證明，采用改進(jìn)的算法后，角點(diǎn)提取精度有較明顯的提高。對(duì)各種類(lèi)型的角點(diǎn)都能能獲得較好的結(jié)果。但是 SUSAN 角點(diǎn)檢測(cè)存在不足有：采用固定閾值不適合一般的情況，需要只有閾值 g 自適應(yīng)，閾值 t 只能手動(dòng)修改 圖像中的噪聲對(duì)所提取的特征有較大影響，實(shí)驗(yàn)表明此算法可靠性稍差。角點(diǎn)檢測(cè)算法的設(shè)計(jì)與實(shí)現(xiàn)涉及多方面的理論、方法和技術(shù)，本算法還有許多新的問(wèn)題需要解決，需要在實(shí)際應(yīng)用中不斷的積累和完善，在以下幾個(gè)方面還需要做進(jìn)