一种自适应阈值的角点检测算法.docVIP

一种自适应阈值的角点检测算法 摘nbsp; 要 nbsp;针对SUSAN算子只采用固定阈值和定位不够精确的问题，本文利用角点像素与其所在的角之间具有连通性的特点，给出了一种角点精确定位的改进方法，并采用了自适应阈值，在图像中每个像素的 SUSAN 模板内单独计算阈值 t，使其在各种不同的对比度下仍能正确提取出角点。实验结果证明了该方法的有效性。 nbsp;nbsp;nbsp; 关键词nbsp; SUSAN 算法；角点提取；自适应阈值；图像连通性 nbsp; 1nbsp; 引言 nbsp;nbsp;nbsp; 角点是图像上曲率足够高、并且位于图像中不同亮度区域交界处的点。由于角点包含了很多的图像中的信息，因此，角点在图像匹配、运动物体的跟踪以及目标识别等方面有着广泛的应用。如何快速准确的提取出图像中的角点成为了一个关键的问题。 nbsp;nbsp;nbsp; SUSAN算法是由英国牛津大学的Brady首先提出的，它是一种直接利用图像灰度有效地进行边缘、角点检测的低层次图像处理算法。它具有方法简单，抗噪能力强和处理速度快等特点。本文首先介绍SUSAN角点提取的原理，然后分析了该算法的缺点，提出SUSAN模板中自适应阈值的选取的方法，并利用角点像素与其所在的角之间具有连通性的特点，给出了一种角点精确定位的改进方法。 2nbsp; SUSAN算法的基本原理[1] nbsp;nbsp;nbsp; 图1显示了一个在白色背景下的黑色的长方形，图中a，b，c，d，e五个位置分别是五个圆形的模板在图像中不同的位置，窗口的中心被称之为“核”。窗口中所有具有与核相同或相似灰度的像素，把这些像素构成的区域称为USAN ( Univalue Segment Assimilating Nucleus)。由图1可以看出，当核像素处在图像中的灰度一致区域时，USAN的面积会达到最大（超过一半），当核处在直边缘处约为最大值的一半，当核处在角点处更小，约为最大值的四分之一。因此，利用USAN面积的上述变化性质可检测边缘或角点。 nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp; 图1 nbsp;SUSAN模板在图像中的几种位置nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp; nbsp;nbsp;nbsp; 本文所使用的是一个包含37个像素的圆形模板，半径为3.4个像素，如图2。为了提取出边缘，需要将模板内每个像素的灰度与模板中心的灰度进行比较，式(1)为相似比较函数： nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp; （1） nbsp;nbsp;nbsp; 式中：（x,y） 和（x0,y0） 分别是模板中心点和模板中其它点的坐标，c（x0,y0;x,y） 为比较的结果，f(x,y) 为该点的亮度值，t为灰度差阈值，一般取25。USUAN区域的大小可以由式(2)给出： nbsp;nbsp;nbsp; 然后，由式(3)可以得到图像的初始角点响应，取响应的局部最大值作为角点。式中g为几何阈值。在用SUSAN算法进行边缘提取的时候通常取 ，在进行角点提取的时候，通常取 。一般而言，对于g不需要通过调整就能取得较好的效果。 nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp; （2） nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp;nbsp; （3） nbsp;nbsp;nbsp; 由式(3)得到的角点初始响应符合 SUSAN 原理，即 USAN 区域越小，初始角点响应越大，这样便对图像中的角点信息进行了增强。 图2nbsp; 包括37个像素的SUSAN圆形模板 3nbsp; 改进的 SUSAN 角点提取算法 nbsp;nbsp;nbsp; 对SUSAN算法进行改进的实现，主要考虑到两方面：对于不同对比度和噪声情况的图像，SUSAN算法中阈值t的选取不同，因此门限的取值不应该依赖于人为的干涉，而应根据不同