一种改进的SUSAN角档你检测算法.docVIP

一种改进的SUSAN角点检测算法 摘 要 提出了一种改进的SUSAN角点检测算法，在原有的SUSAN算子的基础上，针对原算子需要人为的提供阈值的不便，提出了一种自动阈值的检测方法。同时，在角点检测完成后，根据角点的形状特点，进一步的对角点进行了判断，提高了角点的识别效果。 关键词 角点检测；SUSAN算法；角点形状；自适应阈值0 引言 SUSAN算法是1997年英国牛津大学的Smith等人提出的一种处理灰度图像的方法。探测算子的基本原理是：与每一图像点相关的局部区域具有相同的亮度。下面介绍SUSAN角点检测准则。1 SUSAN算子 将位于圆形窗口模板中心等待检测的象素点称为核心点。假设图像中无纹理存在，称与核心点具有一样的灰度值的区域为USAN（Univalue Segment Assimilting Nucleus）。图(1)给出了USAN的三种典型形状： (a)核心点在USAN内 (b)核心点是边缘点 (c)核心点是角点图(1) 由图(1)可以清楚的看到，当核心点位于USAN区域内时，USAN区域面积最大；当核心点位于边缘时，USAN区域相当于整个领域面积的一半；当核心点的USAN区域最小时，核心点是角点。利用这个原理，Smith等人提出了最小核心值相似区域(SUSAN，Smallest Univalue Segment Assimilating Nucleus )的角点检测算法。 SUSAN算子使用的是圆形模板进行角点检测，一般使用的模板的半径为3~4个像素，如图(2)所示。图(2) SUSAN圆形模板 将模板中的各点亮度与核心点的亮度利用下面的函数进行比较， (1) 在上式中 为图像中像素 的灰度值， t为灰度差别的阈值， 为模板中心的像素， 为其他的像素， C为比较函数。模板中所有的像素都用这个函数进行比较，然后计算出函数C的和值n。 (2) 和值n就是USAN(univalue segment assimilating nucleus)区域的像素个数，就是USAN区域的面积，然后把这个面积和几何阈值进行比较，得到最后的响应函数： (3) 上式中，R为响应函数，g为阈值，通常在探测角点时取值为1/2模板的像素个数，当采用7×7的模板时，g=37×1/2。2 SUSAN算子的改进算法 通常在实际的应用中，对于比较函数 我们通常采用下面的比较函数： (4) 采用这个函数可以使比较函数具有更好的稳定性，当图像中的像素亮度值有很小的变化后，对于c 的取值不会产生很大的影响。 灰度差别阈值t能够体现出算法检测到的角点的最小对比度，同时该值也是忽略噪声的最大值。它的大小决定了在不同的对比度图像中提取特征值的多少，因此，对于不同的对比度和噪声的图像，取值t应该不同，从而达到最好的提取效果。本文提出了一种灰度差别阈值的自适应提取算法，其提取公式如下： (5) 上式中，l为采用大律法计算图像的阈值，Ii为图像的灰度值。3 角点的进一步筛选 角点的形状大致可以分为以下几种：L型，T型，Y型，X型等等，如图(3)所示。 L型 T型 Y型 X型图(3) 角点的形状 定义如图(4)所示的模板，如果中心点 在a、b、c、d的四个方向上只有一个方向灰度值变化不大，那么该点则肯定不是角点，应该排除在外。应用这个原理，对上面找出的角点进行进一步的筛选，可以提高角点的准确性。可以利用式(6)进行筛选。图(4) 角点筛选模板 (6) 上式中，I 表示图像中像素的灰度值， t为阈值。由于本例是采用Matlab进行的检测试验，因此图像的原点定义在图像的左上角。通过试验证明，采用该方法，可以进一步的提高角点的检测精度。参考文献1 SMITH S M，BRADY M ．SUSAN——A new approach to low level image processing[J]．International Jaurnal of Computer Vision，1997，23(1)：45782 SHEN F，WNAG H．Real time gray level comer detector[J]．Pattern Rectionition Letters，2002，23(8)：1—63 MORAVEC H P．Towards automatic visual obstacle avoidance[A]．Proceeding of International Joint Conference on Artificial Intelligence[C]．Cambrige，Britain，19974 何 凯[D].角点特征提取及匹配方法研究.硕士.河海大学，2005.6.15 杨莉，张弘， 李玉山[J].一种快速自适应RSUSAN角点检测算法.计算机科学,