（信号与信息处理专业论文）图像角点检测方法的研究.pdf

重庆邮电大学硕士论文摘要 摘要 角点是计算机视觉研究和图像处理中常用的特征点，它被广泛应用于图像匹 配及配准、目标识别、光流统计等领域。本文对传统的几种角点检测算法进行了 较为详细的研究，分析了它们各自的优缺点，在此基础上给出了一种快速、高精 度的图像角点检测算法。 首先针对h a r r i s 算法定位精度不高的缺点，采用x 方向的梯度算子( 2 ，1 ，o ，1 ，2 ) ， 相应的y 方向为其转置，再利用n o b l e 的角点响应函数测出候选角点。 然后通过u s a n 区域所对应的弧的像元灰度与角点的相似性来完成最终角点 的提取，并且针对阀值k 和t 固定选取的问题，采用了一种自动选取阀值的方法。结 合本文算法和其它几种方法进行了角点检测算法的性能评价。还通过该算法和其 它五种算法在正确性、漏检、精度以及抗噪声性能等方面的综合比较，结果表明 该算法无论对模拟图像还是真实图像均具有良好的性能。为了更好的检测该算法 的实用性和有效性，本文的角点检测算法应用到图像配准中，首先利用本文算法 提取出图像的特征点，然后用n c c 最大相关算法进行角点的初始匹配，最后再结 合改进的r a n s a c 算法去除伪匹配点，求出图像间的变换关系。本文利用4 对点 进行仿射矩阵平均配准误差估计，采用二次提纯的方法来提取最终的仿射变换矩 阵，改进了原来的算法，使得配准效果较为理想。 关键词：角点检测，图像配准，角点响应函数，相似性，阀值 重庆邮电大学硕士论文 a b s t r a c t a b s t r a c t c o m e r sa r ei m p o r t a n tl o c a lf e a t u r e si nt h ea n a l y s i sa n du n d e r s t a n d i n go fi m a g e so r c o m p u t e rg r a p h i c s c o m e r si ni m a g e sr e p r e s e n tc r i t i c a li n f o r m a t i o ni nd e s c r i b i n go b j e c t f e a t u r e s t h a ta l ee s s e n t i a lf o rp a r e mr e c o g n i t i o na n di d e n t i f i c a t i o n t h e r ea r em a n y a p p l i c a t i o n st h a tr e l yo nt h es u c c e s s f u ld e t e c t i o no fc o m e r s ，i n c l u d i n gm o t i o nt r a c k i n g ， o b j e c tr e c o g n i t i o n , a n ds t e r e om a t c h i n g i nv i e wo ft h a tt h et r a d i t i o n a li m a g ec x ) m e r d e t e c t i o na l g o r i t h ma c c u r a c yi sn o th i l g ha n dt h es p e e di sl o w , w ep r o p o s eaf a s ta n d n o v e lc o m e rd e t e c t i o na l g o r i t h mw i t hh i g h - p r e c i s i o n f i r s t ，i nv i e wo ft h a th a r r i sc o m e rd e t e c t i o na l g o r i t h ma c c u r a c yi sn o th i g h t h i s m e t h o dm a k e su s eo fa ni m p r o v e dh a r r i sm e t h o df i r s tt oe x t r a c tp o t e n t i a lc o m e r s s e c o n d ，t h ed i f f e r e n c eb e t w e e no u ra l g o r i t h ma n df o r m e ro n e si st h a tt h eu s a n a r e ac o r r e s p o n d i n gt ot h ea l ea n dt h ec o m e rp i x e lg r a ys i m i l a r i t yt oc o m p l e t et h e e x t r a c t i o nc o m e ra r et a k e ni n t oc o n s i d e r a t i o n t h u s ，c o m p u t a t i o n a lc o s ti sl a r g e l y r e d u c e da n dt h ed e t e c t i o np r e c i s i o na sw e l la so t h e rp e r f o r m a n c e sa r ew e l lg u a r a n t e e d c o n s i d e r i n gt h ei s s u eo f t h ef i x e dt h r e s h o l d ，w ea d o p t e dan e wm e t h o dt h a tc a ns e l e c t t h et h r e s h o l da u t o m a t i c a l l y t h ep r o p o s e dm e t h o di sc o m p a r e dw i t ho t h e rc o m e r d e t e c t o r si na c c u r a c yr a t e ，m i s s i n gd e t e c t i o na n dp r e c i s i o na n ds oo n t h er e s u l t ss h o w t h a to u ra l g o r i t h mh a sa9 0 0 dp e r f o r m a n c ef o rb o t hs y n t h e s i z e da n dr e a li m a g e s a n d t h ec o m p a r i s o nr e s u l tw a sa p p l i e dt oa l li m a g em a t c h i n ge x p e r i m e n t i no r d e rt ov e r i f y t h ep r a c t i c a b i l i t ya n dv a l i d i t yo fp r o p o s e da l g o r i t h m ，c o m e rd e t e c t i o na l g o r i t h mi su s e d t oi m a g er e g i s t r a t i o n f i r s t ，t h ep r o p o s e da l g o r i t h mi nt h i sp a p e ri su t i l i z e dt oe x t r a c t f e a t u r ep o i n t so ft h ei m a g e t h e n ，i no r d e rt of u l f i l l i n i t i a lm a t c h i n g ，n c cm a x i m u m c o r r e l a t i o na l g o r i t h mi sa d o p t e d l a s t ，t h ei m p r o v e dr a n s a ca l g o r i t h mi su t i l i z e dt o r e m o v ep s e u d o - m a t c hp o i n t sa n ds o l v et r a n s f o r m a t i o nr e l a t i o nb e t w e e ni m a g e s t h e a v e r a g er e g i s t e r i n ge s t i m a t i o no fa f f i n em a t r i xi sa c h i e v e db yf o u rp a i rp o i n t si nt h i s p a p e r , a n dt h em e t h o do fs e c o n dp u r i f i c a t i o n i s a d o p t e dt o e x t r a c tf i n a la t i i n e t r a n s f o r m a t i o nm a t r i x t h es i m u l a t i o nr e s u l ts h o w st h a tt h ei m p r o v e da l g o r i t h m a c h i e v e sm o r ep e r f o r m a n c et h a no r i g i n a lp a p e r k e yw o r d s ：c o m e rd e t e c t i o n ，i m a g er e g i s t r a t i o n ，c r f , s i m i l a r i t y , t h r e s h o l d 重庆邮电大学硕士论文 第一章绪论 第一章绪论 1 1 问题的提出及研究意义 1 1 1 问题提出 特征点的提取是图像配准和图像分析的基础，也是运动的物体跟踪的重要步骤 之一。图像特征是基于拍摄图像的物理和几何特性使图像中局部的灰度值产生较大 变化而形成的。理论上，图像的特征是图像的灰度曲面的不连续点。在实际中，由 于点扩散函数的作用，特征体现为在一个微小邻域里灰度的剧烈的变化，即灰度分 布的不均匀特征，也就是在图像中局部区域具有较大的信息含量。 图像特征的获得是进行立体视觉研究和摄像机标定的前提条件和基础之一l l 】。 图像特征包括图像的边界、边缘点、拐点、角点以及纹理特征等。在m a n 计算机视 觉理论研究中，获得二维图像中的边缘、角点等一系列基本特征是整个框架的第一 步 2 1 。计算机视觉研究是人类视觉研究的进一步扩展【3 j 。计算机视觉研究的最终目 的是使计算机能够具有通过一幅或者多幅图像感知周围事物信息的能力，也是用计 算机来实现人的视觉的能力对客观世界里的三维场景的认知、理解和识别1 4 j 。 从二维图像恢复到三维物体表面的几何结构称为三维图像重建，是m a n ：计算机视觉 理论研究中的众多的研究目标之一，如：通过空间的物体表面某一点的三维结构位 置与其在图像里相对应点之间的相互的关系来构建三维图像，图像特征提取的意义 是非常有意义的。在摄像机标定中所需要的标定点的获得及图像匹配时所需要的匹 配点的取得等等，都是来自于二维图像中提取出的特征点而获得的，并且这些特征 点在图像的标定模型和匹配是用做已知量来参与的，所以特征点提取的好坏也直接 影响着后面研究的标定的精度和匹配的精度。 1 1 2 研究意义 图像里的角点检测是进一步完成计算机视觉处理中的基本任务之一，也是图像 处理中的基本任务之一。角点的特征是图像的重要特征，在一系列的图像特征中角 点还具有旋转不变特性以及具有不随光照条件变化而变化的特性。在一些研究里利 用角点的特性来进行研究，可以大大缩减参与计算的数据量，又不会损失掉其图像 重庆邮电大学硕士论文 第一章绪论 里的一些重要的灰度信息量。而且角点在其图像的匹配里具有非常重要的意义，并 且利用角点的特征点进行匹配可以较快的提高匹配的速率。图像中的角点可用于三 维建模、三维目标识别等领域，还在实时数据处理中有非常高的实用价值f 9 】。所以， 角点检测近年来已经成为很多研究热点课题。 图像的角点是目标轮廓上曲率局部极大的点，对掌握目标边缘特征具有很大的 作用。并且，只要找出了目标边缘的特征点也就基本上掌握了目标的边缘以及目标 的基本形状1 5 。因此，这一点对于图像的匹配是十分有效的。s h i p l e y 和k e l l m a n 提 出：“图像中的角点与其凹凸性有着紧密联系，在认知物体中的作用十分重要 。角 点作为一幅图像的重要特征，数目其远远的小于整幅图像里的像元数量。有人还指 出：“使用较少的特征点集进行匹配时，由于信息含量较少从而引起了误匹配的发 生 ，但是，要是大量特征点进行匹配将会进而导致算法在复杂度上的提高。在提高 了速度又不损耗匹配的精度方面考虑，角点在图像的匹配中是一种很好的匹配的基 元。并且，角点的特征还能勾勒出物体的大致形状，并能被局部定义，还可以传递 绝大部分图像中信息等一系列优点。因此，角点对它们的研究既能为图像匹配提供 基础，又能为虚拟合成提供理论支持。 由于角点具有能够减少参与计算的数据量，同时又不损失图像中的重要灰度信 息，在其摄像机标定、图像配准以及三维图像重建中使用角点的特征能够较大的改 善其精度和速度i l o 】。并且，角点的特征又是图像非常重要的特征，由于角点也相对 应于图像中信息量较高的位置，又相对于原图像，利用角点来进行图像的匹配还能 大大缩减计算的复杂度。所以，角点在其图像匹配中有着良好的实用价值和应用前 景。在光流计算、3 d 场景重构、运动物体识别和目标跟踪等方面也有着较为广泛的 应用范围，还在实时处理中有着较高的应用前景。在实现摄影测量和遥感影像中， 角点检测也具有非常重要价值，所以，角点检测算法研究有着非常重要的实用价值。 论文研究的目的是设计一种操作简便、易于编程实现的快速、高精度、抑制噪声较 好的角点检测算法，以满足m a n 视觉理论的需求，并为后续的摄像机标定、图像匹 配以及重构研究打下坚实基础。 1 2 研究背景 较早的角点检测算法是先对图像进行一定的区域分割，然后通过链码提取出图 像的轮廓，再从轮廓寻找到方向变化很快的点。因此，这种方法在很大程度上取决 于前期图像分割的结果，但是这本身就是一项比较复杂的工作，而且这一类算法的 计算比较复杂。由于考虑到图像特征提取的重要性，因此在这个研究方向上已经取 2 重庆邮电大学硕士论文 第一章绪论 得了比较突出的研究成果。但是就计算机视觉研究而言，角点检测研究对于摄像机 标定和图像匹配是相当重要的，学术界一直不断的进行着广泛的研究，从不同的出 发点出发已经获得了一系列丰硕的成果，并且在不同的课题背景下它们各自都有其 自身的应用价值。 在计算机视觉以及图像处理领域，目前对于角点并没有很好的规范定义，存在 着较多的数学定义方法，所以，在一系列相关文献中出现较多的角点检测算法。 现今较为流行的角点检测方法大多都是基于灰度图像的角点检测算法。主要有 三类：基于边缘特征提取的角点检测算法、基于模板的角点检测算法和基于亮度变 化的角点检测算法。 基于边缘特征提取的角点检测算法：最早的方法是基于图像边缘链码的角点 检测算法。这类方法首先要对图像进行一定地预处理，首先，对图像进行预分割； 再对图像预分割后获得的图像边界轮廓点进行一定地顺序编码，从而得到了图像的 边缘轮廓链码；最后，通过边缘轮廓链码信息对图像进行角点的提取。这类算法中 较有名的有k i t c h e n 和r o s 即f e l d 【3 8 1 提出了基于轮廓边缘上梯度方向导数改变率以及 图像局部梯度幅值变化的角点检测算法，他们的算法使用了图像灰度值的二阶导数， 因此对噪声特别敏感。还有就是w a n g 和b r a d y l 2 4 j 提出的基于图像表面曲率的角点 检测方法，他们先把图像与高斯滤波器进行卷积运算，再求得整个图像的表面曲率 值，当图像的表面曲率值高于预先设定的阀值时，曲率值并且为局部最大值的点被 称为角点。他们的算法性能能够满足实时算法的需要，还提高了角点检测算法的稳 定性，可用在运动物体识别的实时角点检测中。还有一类是基于图像几何特征提取 的角点检测算子。这类算算法对角点的数学定义更为直观，它们把角点定义为与邻 域有较大的灰度差的点和其图像局部自相关灰度值为较大的像素的点。m o r a v e c 翻 提出角点的定义为在角点的某个邻域范围内，其亮度在任意一条通过该点的直线上 变化都较大，这样的点就被认为是角点。但是由于他只考虑了通过该点的八个方向， 角点检测算法检测角点还是存在较大的误差。h a r r i s 和s t e p h e n s l l o 于1 9 8 8 年提出了 h a r r i s 算法，该算法首先计算每个象素的2x2 的自相关矩阵m ，角点响应函数c r f 为n e t ( m ) 一k ( t r a c e ( m ) 2 ，k 定义为一个变常量，角点响应函数大于预先设定的阀值的 像素点被认为是角点。这种算法优点就是检测效果好，缺点就是计算复杂度较大。 t r a j k o v i c 等人提出的最小亮度变化( m i n i m u mi n t e n s i t yc h a n g e ，m i c ) 算法，是在c r f 基础上提出的一种改进的角点检测方法。他们首先对图像中每个像元在其邻域的灰 度采用插值的方法计算出其角点响应函数值，其角点响应函数值大于预先给定的像 元点并为局部最大值点的是角点。这种算法的优点就是精度高和稳定性比较好，而 且对噪声还具有鲁棒性和复杂度低。s m i t h 和b r a d y 于1 9 9 7 年提出了一种利用核值 相似区进行角点检测的方法，叫做s u s a n 算法( s m a l l e s tu n i v a l u es e g m e n t 3 重庆邮电大学硕士论文 第一章绪论 a s s i m i l a t i n gn u c l e u s ，s u s a n ) t 2 q 。由于该算法经过近些年大量的运用到实际课题研 究中，证明该算法是一种比较好的运用到对低层次图像处理的方法。 基于模板的角点检测方法：这种方法是要建立起一整套具有不同角度的模 板，然后利用一定的窗口比较标准模板与待检测图像中的近似和相似度，这样就能 很好的检测出角点来。这种方法是将与像素邻域点的亮度变化较大的点被认为是该 图像的角点。该方法的步骤是：首先设计出一整套角点模板，然后根据待检测图像 子窗口与其设计模板的近似和相似度，再以近似度判定该位于子窗口中心的像元点 是否是角点。k i t c h e n - r o s e n f e l d 提出了通过角点模板窗口梯度方向的变化率和局部 梯度幅值来定义角点响应函数，若该角点响应函数大于预先设定的阀值，那么该点 就为角点。他们发现利用角点模板窗口梯度方向的变化率和局部梯度幅值能较好的 提取出角点。h a r r i s 等人提出了著名的p l e s s e y 角点检测算子。该算法的主要思想是： 通过设定一个窗口模板在图像中移动，计算模板的亮度变化情况，从而判断出角点 的位置。这种算法的优点是具有旋转不变性和不随光照条件的变化而变化，缺点就 是计算具有比较大的冗余，阀值的选取需要经常的实践。 基于灰度变化的角点检测算法：最近几年u s a n 角点检测方法应用比较广 泛。该算法利用基于其圆形模板邻域的像元灰度与其圆心的相似性计算得到角点响 应函数值，若角点响应函数大于预先设定的阀值并且为局部极大值的点，那么该点 就被称作角点。t r a j k o v i e 和h e d l e y 于1 9 8 8 年提出了对角点的新的定义，那就是在 各个方向的亮度变化都是最大的点判定为角点。f e is h e n 和h a r tw a n g 于2 0 0 2 年又 提出了利用尺度变化提取角点的方法，这种方法能够满足实时的需求。b a r b a r a z i t o v a 等人于1 9 9 9 年又提出了基于模糊遥感多影像的鲁棒性检测方法。 其后不断的有人总结前人提出的方法，又提出了许多有益的算法，对后续研究 有着深远的影响。较为出名的有： 廖文和钟宝江提出数字化的曲线被看作是离散的，是以像元为基础的，他们 假设数字化曲线上相邻两像元问的距离是一个不变的量，但是在实际中并不成立 i l g l 。因此，他们发现角点的估计方法可拟合也就不成立。随后他们又提出了一种利 用曲线加弦长的角点检测算法，该方法首先要确定支持域，再考虑相邻像元间的距 离，该距离为1 和2 。他们又由此推导出一种角点强度计算算法，提出了隐式精 化的数字化曲线策略，利用该算法可以很好的区分尖角和圆角，并具有旋转不变的 性质。 陈燕新等人根据神经细胞数学模型，提出了双高斯差( d i f f e r e n c eo f g a u s s i a n ，d o g ) 函数来进行角点的检测。该算法提出高斯二阶微分函数就是双高斯 差函数在这两个高斯函数之间逼近时产生的一个特例。由于该双高斯差函数与其信 号的卷积形式就相当于两个高斯函数与其信号的卷积形式之差，那么该算法的抗噪 4 重庆邮电大学硕士论文第章绪论 声性能也较好。 谢东海等人对h a r r i s 算法做了详细的研究，认为其定位精度只能达到一个像 元的精度，在参考了f o r s t n e r 角点检测算法的思想后，对其进行了一定的改进，使 其能达到子像元。 胡海峰等人提出了一种从粗到精的多层次检测算法，利用h a r r i s 算子、r a d o n 变换和f o r s t n e r 算子能自动地检测图像中的棋盘角点。该算法能无须人为干预的情 况下，自动地检测出棋盘角点来。 孙先仿、朱如军等人利用角点的性质，提出了一种改进的角点检测方法。该 算法的主要思想是：先对像元点直线方向上的亮度变化值求极值，由于在角点领域 内任意一条通过该点的直线的灰度变化都很大的特性，建立起候选角点集，再利用 s u s a n 算子进一步从候选角点中确定最终角点。该算法的优点就是运算量小，定 位精度比较高，对噪声不敏感，易于编程实现。 许新利、席志红等人在s u s a n 算法的基础上，提出了一种改进的角点检测 方法。该算法的主要思想是：利用图像亮度值与对比度的比较分析，提出了比较函 数r 与灰度差阈值t 的快速自适应选取。对s u s a n 算法中一些特殊类型角点不能检 测得到的缺点，提出了一种基于圆形模板的二圆环模板，改进的算法对一些边缘点 与角点台日匕e ，4 k e 3 好的区分，证明该算法是一种比较有效的角点检测算法。 高立群、常兴治等人利用形态学的思想，提出了一种新的基于圆盘结构元的 形态学角点检测方法。该算法的主要思想是：首先进行圆盘结构元的高帽运算，然 后利用运算后的剩余部分确定起一个三角形区域来，再通过检测三角形的顶点来获 得最终的角点，同时还可以利用三角形区域的几何特征来完成角度和朝向估计，这 时还引入了圆盘结构元的尺寸自学机制能自动确立该结构元尺寸，完成了比较完善 的角检测。 王福利、刘阳等人总结了以往棋盘角点检测算法所存在的不足之处，提出了 一种改进的棋盘角点检测方法。该算法的主要思想是：首先定义出4 个特征方向来， 然后利用黑白检测算子检测出该特征方向上像元的亮度值分布情况，从而确定亚像 素级的角点坐标位置，再利用影响因子与局部窗口里的响应值之间的相似度来对角 点坐标加以判定，最后实现棋盘角点的定位。该算法的优点是具有旋转不变性和对 亮度变换具有较好的鲁棒性，并对棋盘角点检测具有很好的检测效果。 随着小波变换技术、神经网络技术和红外遥感技术的快速发展，基于小波变 换的角点检测方法得到了长足的发展，并为现有的角点检测技术开辟了一条更加广 阔的发展空间。 小波变换技术是一门新兴的技术，对分析图像和信号非常有用，它也对图像的 局部特征分析也十分有用，被数学界称之为“数学显微镜 【l 引。基于小波变换的角 重庆邮电大学硕士论文 第一章绪论 点检测算法近年来应用十分广泛。利用在多尺度下的高通与低通滤波，可以将一个 输入信号的有用部分分解为详细和平滑两个部分，这样就能使局部的偏差容易在详 细地分解区域中取得。角点被认为是一种非常重要的信号特征，应属于图像的细节 特征。根据w i t l d n 尺度空间理论认为，该图像的角点应该是在较大的尺度空间中存 在。该高通与低通滤波器的尺度选择并不是一件非常容易的事，这要求在过滤掉噪 声的同时也能保持边缘曲线的基本形状特征。因为边缘曲线上的各角点都有着不同 的尺度支撑域，并不能事先判断出一个最优分辨率的尺度来进行角点的检测，所以 在经由多尺度分析后求得不同尺度下的空间时，不同的小波函数已经把边缘曲线所 平滑，这样就能最大限度地减少边缘毛刺噪声的影响。w i t k i n 等人提出了基于尺度 空间的角点检测后，多尺度分析成为解决判断最优分辨率下角点检测的主要方法 9 1 。 在曲线多尺度空间理论中，角点就是随着曲线尺度由小变大，并会一直保持着比较 高弯曲度的点。 m o k h t a r i a n 等人基于尺度空间理论又提出了一种新的角点检测方法。他们把角 点重新定义为具有最大绝对曲率值的边界点。该算法的主要思想是：在小的尺度下， 原先的算法存在着比较多的噪声，那么具有最大绝对曲率值的边界点较多，当在大 的尺度下时，噪声都被很好的平滑掉了，因此对应真实最大绝对曲率值的角点被很 好的保留了下来。但是存在的问题是，真实角点的位置相应的发生了变化，所以这 时角点的定位的精度很差。正是由于这个原因该算法首先必须使用c a n n y 边缘检测 算子先从原始图像中提取出图像的边缘信息，然后在图像中利用大尺度检测出角点， 再逐渐减小尺度的大小，并在多个小尺度处跟踪角点，最后使角点定位更加准确。 该类算法的优点是计算量比较小，有很好的抗噪声的能力，并能使角点精确定位。 基于小波变换理论的多尺度空间分析的角点检测，使角点能在不同尺度下从大 尺度跟踪n d , 尺度下角点的精确定位【1 2 1 。 王展等人利用围线跟踪算子与二阶导数零交叉边界算子先得到了图像的边缘曲 线，然后使用一组自相似g a b o r 小波滤波器把频域从低频到高频分成了多个子带， 再在两个不同尺度下利用滤波器的输出求差取模，判断该点是否就是角点。 根据b 样条尺度空间的曲率乘积的理论分析，提出了一种新的基于尺度空间的 多尺度曲率乘积的角点检测方法。该算法的主要思想是：首先在不同尺度空间下， 根据边界曲率乘积，建立起尺度积函数。当尺度积函数大于预先设定的阀值时，那 么在多尺度下的曲率积的局部极大值就是角点。该算法的优点是可以很好地区分角 点和边缘细节，并能很好地抑制噪声，从而容易地提取出角点来。 6 重庆邮电大学硕士论文 第一章绪论 1 3 论文的主要工作 本文较为详细地分析了二维角点检测的常用方法，并对传统角点检测进行了分 类和研究。对h a r r i s 算法进行了改进，并提出了基于弧的思想的改进的快速角点检 测算法，采用多层次筛选的角点提取方案做了一系列的实验验证。本文的结构如下： 第一章阐述了角点检测算法的现状和发展。 第二章介绍了角点检测的特点和评估标准。研究了按照角点形状对角点进行判 断和分类的方法，角点的定义准则，评估方法。 第三章传统的角点检测方法研究。介绍了下传统的角点检测的各种方法，重点 分析和研究h a r r i s 角点检测方法，对h a r r i s 角点检测算法采用不同的差分算子和角 点度量进行了对比，并进行了仿真实验。 第四章结合本文算法和其它五种算法进行了角点检测算法的性能评价，通过实 验在稳定性、抗噪声性能和复杂度上做了详细的对比。 第五章给出了一种融合的角点算法。针对传统的图像角点检测方法精度不高、 速度较慢的情况，为提高速度抑制噪声，提出了一种快速、高精度的图像角点检测 算法。利用本文采用的h a r r i s 算法提取出候选角点，再通过u s a n 区域所对应的弧 的像元灰度与角点的相似性来完成最终角点的提取，使得处理的数据大为减少，同 时能保证检测准确性等其他指标。并且针对阀值k 和t 固定选取的问题，采用了一 种自动选取阀值的方法，并进行了实验分析。为了更好的检测该算法的实用性和有 效性，本文的角点检测算法应用到工业检测的图像中，进行了工业图像的角点提取。 第六章本文角点检测算法在图像配准中的应用。图像配准首先使用本文算法提 取出图像的特征点，然后选取角点为中心的7 7 的窗口作为模板进行角点匹配，匹 配系数达到最大值的点对即为匹配点对，匹配时要求从参考图像和待配准图像进行 双向搜索匹配，两个方向的匹配系数都达到最大时则该点对满足匹配关系，最后再 结合改进的r a n s a c 算法去除伪匹配点，求出图像间的变换关系。本文给出的配 准算法和基于h a r r i s 的配准方法进行了比较分析。 第七章结束语。通过对以上内容的分析和研究得出了有益的结论，并指出了下 一阶段研究的方向。 7 重庆邮电大学硕士论文 第二章图像角点检测的特点和分类 第二章图像角点检测的特点和分类 2 1 图像角点检测的特点 在现实生活中，我们能看到各种不同的角点，很直白的来说，角点就是物体 的边界拐点在图像中显示的位置点所在的位置。我们能根据生活的体验，因此物 体的角点位置能很快的被定位。一幅图像中的角点包含着图像中的众多的信息特 征，并且通过对图像的角点的分析和研究知道，图像的角点的个数相对于图像像 元总数要少很多，又因为角点信息包含了图像中较多的形状特征，因此，角点信 息对于我们掌握图像里物体的大致形状特征很有用。因为角点具有以下的性质： 角点不受光照条件的影响，具有旋转不改变的性质等等，并且一般图像中的物体 的角点信息只包含了图像里较少的像元点，角点检测在不丢失图像里总的数据信 息的条件下，它简化了图像中要进行处理的数据总量，所以角点检测在实际应用 中具有很高的实用价值，近些年来众多的学者和研究人员不断地进行着深入的研 究工作【1 7 1 。 但是，直到今天在计算机视觉研究中的角点，还没有一个较为完善各方都一 直认同的角点的定义。众多的学者在角点研究中往往根据角点的不同定义，就提 出了不同的角点的检测算法，因此也相继获得了角点检测不同的结果。到现在为 止，关于角点的定义准则主要存在以下几种： 角点是一阶导数的灰度和梯度所对应的最大值的点的位置； 角点位置的灰度变化率的值是最大的； 角点位置所对应的一阶导数最大，二阶导数为零； 角点是物体边缘变化不连续的点的位置； 角点是两条以上物体边缘的交点。 由于角点的不同定义，演变出了众多不同的角点检测的方法。h f r e e m a n 等人 利用图像中水平轴和相邻两像素点的前臂间的夹角变化的信息作为判断角点的依 据【1 8 1 。a r o s e n f e l d 等人角点定义为曲线上某像素点的前后臂夹角的余弦值测算出 该像素点的曲率值来，其局部曲率值最大的点就为角点【3 引。m o r a v e c 等人提出角点 的定义就是各个方向上灰度变化较大的点】。 目前图像角点检测的方法主要分为以下两种：基于图像边缘的角点检测方法 和基于图像灰度的角点检测方法。 8 重庆邮电大学硕士论文第二章图像角点检测的特点和分类 基于图像边缘的角点检测方法，其算法的主要思想是：角点的定义为两条以 上图像边缘的交点，这种算法角点检测的好坏取决于前期对图像分割和边缘提取 的好坏。如果前期图像在提取边缘时，边缘发生了中断，那么就不能很好的提取 出边缘来，也就不能很好的提取出物体的角点来。因此，这种算法对前期图像的 分割和边缘提取要求特别高，在现在的角点检测方法中应用也越来越少了。 基于图像灰度的角点检测方法，其算法的主要思想是：角点的定义为在图像 的局部范围里梯度和灰度值变化较为剧烈的极大值的点，这种算法是通过计算曲 率和梯度的变化值来判断出角点。该算法由于不需要对前期图像的分割和边缘的 提取，所以在工程应用和研究中较广泛。 2 2 角点性能评价准则 直到现在，虽然角点还没有一个统一规范的数学的定义，但是，无论用哪种 角点的数学定义和检测算法，判断检测角点的好坏一般都要考虑以下几个方面的 因素 5 】f 2 7 】f 4 0 】： 可靠性准则：在无噪声的干扰情况下，图像中最小的角点都不应该被忽略掉。 换句话说，我们称该角点检测算法是完全可靠性的，就是当改变角点检测算法里 的可变参数时，检测得到的角点数量上可以不同，但是质量上是不会发生变化的。 稳定性准则：该准则对算法提出了一定的要求，那就是必须具有一定的对噪 声不敏感。当有一定的噪声干扰存在时，对一幅图像中的不同序列图像，对这两 帧图像中使用已有的算法进行角点检测时，检测得到角点的位置不应移动。但是 由于许多因素都会影响成像，在同一幅图像中的序列图像，每个像元灰度值都会 发生一定的变化，所以对这两帧图像使用同一算法进行角点检测时，并不能完全 保证检测到的角点的位置和数目都不会发生变化，那么这算法是“绝对”稳定是 不可能的【4 0 l 。 准确性准则：这要求算法检测得到角点的位置要与实际角点的位置足够的相 近。 速度性准则：换句话说，就是要满足实时性要求，因为在一些工程应用中， 对于检测算法的执行时间有特别高的要求，所以必须尽量的缩短算法的运行时间， 从而才能很好的提高它的实用价值。 9 重庆邮电大学硕士论文第二章图像角点检测的特点和分类 2 3 角点形状分类 图像中物体的角点包含了较多的信息，但是我们总是忽略掉了很多有用的信 息，只关注到了角点位置特征的信息。根据图像中角点的形状信息，我们可以大 致把角点归纳为以下的几种类型，如图2 1 所示。根据角点形成的形状，可以大致 把角点分为边缘型、“x 型、“y 型 、“l 型、“t 型 等等【l7 1 。 因此，我们如果能很好地利用角点的形状特征，那么就能很好地解决一些实 际问题。例如在进行图像匹配时，充分利用角点的位置信息和形状特征在进行匹 配中能起到预想不到的良好效果。因为一些角点检测方法在检测角点时，对一些 特殊的角点并不能很好地检测出来。因此，这就要求我们在研究角点检测算法时， 充分利用角点的形状特征信息，对已有不足的算法进行改进，能够更好地适应实 际应用的需要。关于角点形状的分析和研究，对于无论那种角点提取方法，是基 于边缘的角点检测方法或者是基于灰度的角点检测方法都会对角点的提取有很大 的帮助。 正是由于角点的形状特征的丰富性，我们对角点的检测方法才能不断地改善 和提高。本文提出的基于弧的思想的角点检测方法，也是基于对角点的形状特征 研究而提出的改进方法。 霸圈帮酲 边缘型 x 型y 型x 型 匮暖嚣 t 型l 型t 型 图2 1 角点形状 i o 重庆邮电大学硕士论奎一 笙三童鬯堡鱼盛笙型箜堑盛塑坌耋 _ - _ - _ - _ _ _ 一一一 一 2 4 本章小结 本章主要介绍了角点检测算法的特点，角点的定义，检测的性能评价准则， 角点的形状特征。并且，根据角点形状的分析和研究，提出可以在形状上对角点 的检测方法不断地改善和提高。 重庆邮电大学硕士论文 第三章传统角点检测算法研究 第三章传统角点检测算法研究 3 1 基于边缘提取的角点检测算法 基于边缘检测的角点检测方法把角点定义为一种特殊边界点，也是图像中两 条以上边界的交点。因此该算法可以由以下定义提取出角点： 利用形态学里的膨胀与腐蚀算法对边界点进行遍历凹点和凸点，从而最终 找到角点。 利用亚象素边界检测算子先检出物体边界，再用聚类法拟合成直线，那么 图像的角点就是任意两条拟合成的直线的交点。 先提取出物体的边界，然后用链码表示其边界，再把每个边界点的曲率值 计算出来，那么角点就是局部曲率值最大的点。 先利用多边形表示其边界，然后遍历多边形线与线的交点，其交点就是图 像的角点。 这种算法对前期图像的分割和边缘提取要求特别高。如果前期图像在提取边 缘时，边缘发生了中断，那么就不能很好的提取出边缘来，也就不能很好的提取 出物体的角点来。 3 1 1c s s 角点检测算法 c s s 角点检测是由r s u o m e l a 和em o k h t a r i a n 提出。 该算法的一般步骤： 先把图像的边缘利用c a n n y 边缘检测算子从原始图像中提取出来。 然后把边缘轮廓从边缘图像中提取出来，填充其边缘轮廓中有缺口的地 方，并遍历t 交叉点，把它记为t 角点。 在大尺度仃下，计算其边缘的曲率值，若曲率值大于预先设定好的阀值t ， 那么该点标记为候选角点。 跟踪候选角点n d , 尺度，为了能使角点准确定位。 对t 角点与计算曲率值得到的候选角点做比较，然后去掉相距较近的点。 该算法存在的不足主要有三点：算法是对全局噪声敏感的。因为对角点 的检测是在大尺度下完成的，因此并没有利用多尺度来进行角点检测。当大尺 1 2 重庆邮电大学硕士论文第三章传统角点检测算法研究 度仃比较大时，该算法并不能检测出真实角点来。该算法的优点就是能较好的检 测出角点来，并有一定的抗噪声的能力。 3 1 2a c s s 角点检测算法 a c s s 角点检测是由n h c y u n g 和x c h e 提出。 该算法的一般步骤： 先把二值边缘轮廓利用c a n n y 边缘检测算子从原始图像中提取出来。 然后把边缘轮廓从二值边缘里提取出来，填充其边缘轮廓中有缺口的地 方，并遍历t 交叉点，把它记为t 角点。 在小尺度仃下，计算其边缘的曲率值，把曲率值为局部极大值的点记为候 选角点。 把候选角点做一比较，用其局部阀值来去掉圆角点。 利用其随相邻的候选角点改变的动态支撑区域，先假设出候选角点的角 度，然后利用它去掉由边缘细节和噪声引起的不正确的角点。 把剩下的候选角点与t 交叉点做比较，然后去掉相距较近点。 该算法存在的不足主要是：引入了较多的阀值参数，在计算角点时，必须预 先设定多个参数，这样对计算的复杂度就提高了，效率就相应的降低了。优点是 该算法能较好的检测出角点来，并有一定的抗噪声的能力。 3 2 基于图像灰度的角点检测算法 由于基于边缘的角点检测方法在提取角点时，对前期图像的分割和边缘提取 要求特别高，并对噪声比较敏感，所以演变出了基于灰度的角点检测方法。该算 法是凭借角点本身的特点来进行角点的检测，并不取决于物体的局部特征来判断。 3 2 1m o r a v e c 角点检测 m o r a v e c 角点检测方法定义“角点测度 为角点在各个方向上灰度都有比较大 变化，利用它检测出的候选角点，再进行阀值处理和非极大值抑制后得到最终角 点1 2 2 1 。 m o r a v e c 算法的主要思想是：先从图像中的各像元沿水平、垂直、对角线、反 对角线四个方向上算出平均亮度变化值来，然后把角点响应函数定义为平均灰度 重庆邮电大学硕士论文 第三章传统角点检测算法研究 变化最小值，再把角点响应函数在局部范围内有最大的点定义为角点。 该算法的一般步骤如下： 先以像元( c ，) 为中心的y n 窗口中，如图3 1 中5x5 窗口为例，求出像元 沿水平、垂直、对角线、反对角线四个方向上相邻像元亮度差的平方和来，然后 取最小的值为该像元的角点响应函数，即像素点的兴趣值来。 ：芝k厂v)2wi= k 蛳一乳蛳) w 2 ：k - ig 帅+ ，一鼠削肿) 2 吧：兰k 厂m ) z吧= k v + ，一g m ，) w 4 ：k - ig 蛳一，一g c + 州，卜。) 2w 4 = g 蛳一，一g 州“。) 式( 3 1 ) 其中，k = i n t ( n 2 ) 。兴趣值为：形，= m i n w l ，w 2 ，w 3 ，w 4 ) 式( 3 2 ) 把角点响应函数即兴趣值大于预先设定好的阀值的点作为候选角点。阀值 的选取原则为：以候选角点里应包含所要的特征点，并且还要不包含较多的非特 征点。 进行候选角点抑制局部非最大，提取出最终的角点来。在一定窗口中，例 如5 5 ，7 7 ，9 x 9 像素，把候选角点中的角点响应函数值最大的保留，非最大 者去除，兴趣值对应的像元就是一个特征点。 、， 、， 、 ， 、 c 图3 1m o r a v e 地算子 m o r a v e c 算子的优点是算法计算简单，角点检测速度快。但也有其不足，那就 是对强边界敏感，会把在边缘处的一些点误认为是角点，因为其响应是自相关函 数的最小值，并不是它的差值；而且该算法只利用了水平、垂直、对角线、反对 角线四个方向上的局部相关性，因此响应是各向异性的【2 l 】。 1 4 重庆邮电大学硕士论文第三章传统角点检测算法研究 3 2 2k i t c h e n 和r e s e n f e l d 角点检测 k i t c h e n 和r e s e n f e l d t 3 鄙角点检测方法把角点响应函数考虑为边界方向变化和 梯度的乘积，因此角点响应函数表示为： 伽f = ( - l y m ) = 盟铲 棚， 如果角点响应函数大于预先设定的阀值，并为局部极大值的点被认为是角点。 该算子存在的不足如下： 会将某一方向上曲率较大的边缘点误认为是角点； 该算子检测角点不具有抗噪声性能； 检测得到的角点与真实角点的位置不是很吻合，因此定位性能不是很好； 在序列图像中，检测相同的角点不能检测得出，所以算法稳定性不高。 3 2 3s u s a n 角点提取方法 s u s a n 算法是一种灰度图像的角点检测算法，它的主要思想是在圆形模板内 基于u s a n 面积的测算。 s u s a n 算法选用一个3 7 像元的圆形模板。将位于待检测圆形模板中心的点叫 做核心，核心点的邻域被划分成两个区域：灰度值相同或者相似于核心点像元灰 度值的区域( u n i v a l u es e g m e n ta s s i m i l a t i n gn u c l e u s ，u s a