基于角点检测的图像处理方法毕业论文(编辑修改稿)

基于角点检测的图像处理方法毕业论文(编辑修改稿)内容摘要：

角点检测的标准 准确性：在角点检测的过程中，可以减小噪声对角点检测的 影响，即使细小的角点也可以检测，即漏提取和误提取的角点越少越好。 精确性：在角点检测的过程中，提取到的角点的坐标应尽可能的准确，应尽可能的接近角点的实际位置，即提取到的角点应尽可能是角点的真实位置。 复杂性：角点检测的目的是为匹配和三维重建用的，角点检测的速度关系到后续工作的效率 ，所以，角点检测算法应简单，程序运行速度越快越好，减少人工干预，提高程序的自动化要求，满足实时性的要求。 基于模板的角点检测 基于模板的角点检测： 模板是根据需要建立的一个具有某种特性的小的 10 二维矩阵，是根据角点在图像边缘中的局部特征来建立的，反映了图像边缘局部点阵组合的特性。 该算法具有很好的抗燥能力和鲁棒性。 模板的半径越大，能够检测到得角度类型越多，定位越准确，同时计算量也越大。 角点检测原理 角点检测的原理是 :确定一个给定的 n n模板与 图像中所有 n n区域的相关性和相似性 . B retschi提供了这样一套模板 : 444454555 在理想的情况下 , 运用这套模板能够检测出所有角点 ,但是因为角点拥有大量的特征 (点度、内角度、边缘的梯度 ) , 因此我们不可能设计出大量模板来匹配所有类型的角点 . 所以 ,当用于角点检测的图像过于复杂 , 或是待检测的图像中拥有大量不同种类或形状的角点时 , 用这种基于模板的是不可行的 ,会导致所检测的角点不够全面 ,以致会影响到下一部的分析结果。 444554554 11 第四章 Harris 角点检测算法 算子特 征 Harris 算子是一种有效的点特征提取算子 ,其优点总结起来有 : ① 计算简单 :Harris 算子中只用到灰度的一阶差分以及滤波 ,操作简单。 ② 提取的点特征均匀而且合理 :Harris 算子对图像中的每个点都计算其兴趣值 ,然后在邻域中选择最优点。 ③ 稳定 :Harris 算子的计算公式中只涉及到一阶导数，因此对图像旋转、灰度变化、噪声影响和视点变换不敏感 ,它也是比较稳定的一种点特征提取算子。 Harris 算子的局限性有： ① 它对尺度很敏感，不具有尺度不变性。 ② 提取的角点是像素级的 H。 角点检测性质 旋转不变性：椭圆转过一定角度但是其形状保持不变（特征是保持不变） ； 对于图像灰度的仿射变化具有部分的不变性 ； 对于图像几何尺度变化不具有不变性 ； 随尺度变化， Harris角点检测的性能下降。 角点检测原理 Harris 角点检测原理是对于一副图像，角点于自相关函数的曲率特性有 12 关，自相关函数描述了局部局部图像灰度的变化程度。 在角点处，图像窗口的偏移将造成自相关函数（图像灰度的平均变化）的显著变化。 arris 算子是一种简单的点特征提取算子，这种算子受信号处理中 自相关函数的启发，给出与自相关函数相联系的矩阵 M。 M 阵的特征值是自相关函数的一个阶曲率，如果两个曲率值都高，那么久认为该点是特征点。 角点检测算法 Harris 算子是 是 和 在 1988 年提出的一种基于信号的点特征提取算法，也称为 Plessey 角点检测算法。 整个算法是受到信号处理中自相关函数的启发，引入与自相关函数相联系的矩阵 M。 该算法通过建立与图像 X 方向一阶导数和 Y 方向一阶导数自相关函数相联系的对称矩阵 M，求取 M 的两个特征值，而 M 阵的特 征值是自相关函数的一阶曲率，若两个曲率值都很高，则说明自相关函数呈尖顶形，表示该处为图像的角点。 对于一幅图像，角点和自相关函数的曲率特性有关。 自相关函数描述了局部图像灰度的变化 : 自相关函数如下： E(x,y)=  xyvuVYUXvu vuMxyIIw 2, , 其中矩阵 M 为的近似 Hessian矩阵，其表达式如下 :  ),(),( ),(),( yxByxC yxCyxAM ),(),( 2 yxGIyxA X  ),(),( 2 yxGIyxB Y  ),(),( yxGIyxC XY  13 Harris算子 R(x,y)定义为： Harris 角点检测只是涉及到简单的矩阵和一阶导数运算，能够根据阈值提取出局部“兴趣点”。 )()( BAMtrac e  k 通常取 ~。 当 R(x,y)超过给定的阈值，则认为该点为图像的角点。 假设 L1 和 L2 是矩阵 M 的特征值，可以表示某一点的图像灰度自相关函数的极值曲率，它们成比例关系。 若 M 的特征值 L1 和 L2 都相对较大，则证明在该店的图像灰度自相关函数的两个正 交方向上的曲率极值比较大，进一步确认该点就是角点。 具体判定方法，可以通过判断特征值 L1和 L2来确定角点的位置： 如果两个曲率值都很小，则证明局部自相关函数很平坦，检测区域为平坦区域； 如果两个曲率中一个较大，另一个较小时，则说明 E（ x,y）垂直山脊的变化很大，而沿着山脊的变化很小，此处为一个边沿，即局部自相关函数呈现山脊状； 如果两个曲率都很大，则说明局部自相关函数有一个尖峰，此处为一个角点。 SUSAN 检测算法 直接利用图像灰度相似性的比较，而不需计算梯度，具有算法简单、定位 准确、抗噪声能力强等特点。 因此，非常适于含噪图像或低对比度灰度图像的边缘检测。 无论对直线，还是曲线边缘， SUSAN 算法基本上可以检测出 14 所有的边缘，检测结果较好。 虽然实验中没有达到一个象素的精度，但这主要是因为对边缘的两侧都应用了 SUSAN 算法，对具体的实际应用，可以对背景不再应用 SUSAN 算法，这样不但可以达到细化边缘的目的，而且运算量也大大减少。 SUSAN算法 ： (1)算法描述 ； 对整幅图像中的所有象素，用圆形模板进行扫描，比较模板内每一象素与中心象素的灰度值，通过与给定的阀值比较，来判别该象素是否属于USAN 区域，如下式： C(r,r0 )=  trIrIif trIrIif )()(0 )()(1 00 (1) 式 (1)中 c(r， r0)为模板内属于 USAN 区域的象素的判别函数； I(r0)是模板中心象素 (核 )的灰度值； I(r)为模板内其他任意象素的灰度值； t 是灰度差门限。 图像中每一点的 USAN区域大小可用下式表示： n(r0 )=  )( 00 ),(rDr rrc (2) 式 (2)中 D(r0)为以 r0 为中心的圆形模板区域。 得到每个象素的 USANn(r0)以后，再与预先设定得门限 g 进行比较，当 n(r0)g 时，所检测到象素位置 r0 可以认为是一个边缘点。 (2)模板的选取 由于图像的数字化，实际上无法实现真正的圆形模板，所以都是采用近 15 似圆代替。 但是模板较小时，如果门限选取不恰当，可能会发生边缘点漏检的情况。 模板也不宜取得太大，否则会增大运算量大，通常可取 5 5 或 37象素模板 [1]。 本文实验中均采用的是 5 5的模板。 (3)门限 t， g的确定 门限 g 决定了边缘点的 USAN 区域的最 大值，即只要图像中的象素的 USAN值小于 g，该点就被判定为边缘点。 g过大时，边缘点附近的象素可能作为边缘被提取出来，过小则会漏检部分边缘点。 可以较好地提取出初始边缘点。 如果要达到单象素的精度，还需进一步剔除多余象素。 门限 t 表示所能检测边缘点的最小对比度，也是能忽略的噪声的最大容限。 t越小，可从对比度越低的。