图像特征检测 沈阳理工大学数字图像处理课程设计.doc

摘 要 图像处理是一门很有价值的学科，在科学技术不断发展的今天它的技术已趋于成熟。同时图像之间的处理， 在实际应用中也显的越来越重要。本课程设计的主要任务是实现对数字图像的频谱特性的分析，观察结果，并进行结果分析。本课程设计的系统开发平台为MATLAB，程序运行平台为Windows98/2000/XP 在图像理解、图像匹配、三维重建及模式识别等领域中，特征点的检测具有十分重要的意义。特征点在保留图像中物体的重要特征信息的同时有效地减少了信息的数据量，使得对图像处理时运算量大大减少。特征点的的定义有多种不同的表述，如图像中灰度值和像素剧烈变化的点、图像边界上具有较高曲率的点等。对于特征点的定义决定了特征点的特性，同时也决定了所检测出的特征点的检测所采用的方法。 SUSAN(Smallest Univalue Segment Assimilating Nucleus)算法是上世纪九十年代中期提出的一种边角点检测算法，该算法是一种基于图像局部灰度特征，利用一个圆形的模板对图像进行扫描，比较模板内部的点与模板中心点的灰度值，如果灰度差值小于一定的阈值，就认为该点与中心点的灰度相同，否则就认为该点与中心点有明显的差异。统计模板内部与中心点灰度相同的点的个数，与一个全局阈值进行比较，判断该点是否属于角点，从而实现对图像特征点的检测。 本文采用matlab语言实现了SUSAN特征点监测并利用模拟图像和真实图像对算法进行了验证，实验表明SUSAN特征点检测算法能有效提取图像中的特征点。与传统的角点检测算法相比，SUSAN算法是一种基于图像灰度比较的算法，不涉及梯度的计算。具有速度快、抗干扰能力强等特点。 关键字： SUSAN算法；边缘检测；角点检测；matlab 目 录 1课程设计目的 1 2课程设计要求 2 3特征点检测的原理及方法 3 3.1 SUSAN算法基本原理 3 3.2 SUSAN算法的实现 6 3.2.1读入图像 6 3.2.2 SUSAN算法显示边缘图 6 4.matlab程序代码 7 5.算法的应用 12 6.算法的评价 14 6.1算法的改进 14 6.2参数对角点的影响 14 6.2.1去除真角点附近的伪角点 14 6.2.2边缘轮廓上的伪角点处理 15 6.3 Harris与SUSAN算法的比较 15 6.3.1 Harris基本原理 15 6.3.2实验分析变化 17 6.4 Harris与SUSAN小结 18 结论 19 参考文献 20 1课程设计目的 （1）学习并了解 Matlab软件的实用，并了解Matlab在数字图像中的应用。学会编写Matlab程序并调试、运行。 （2）了解图像的检测运算在数字图像处理中的初步应用。 （3）体会图像特征检测过程和处理前后图像的变化。 2课程设计要求 （1）了解Matlab软件的实用，在Matlab环境下学会用软件对图像进行处理，并获得预期的结果。 （2）了解图像特征检测的原理和作用。 （3）对比处理后的图像与原图像，得出处理后的结论。 3特征点检测的原理及方法 3.1 SUSAN算法基本原理 SUSAN算法是由Simth SM和Brady JM首先提出的一种低层次图像处理小核值相似区的方法SUSAN（Small Univalue Segment Assimilating Nucleus)即小核值相似区。该算法直接利用像素的灰度进行角点检测。而不考虑曲率等复杂的角点特征。SUSAN检测算子的基本原理是通过统计某一像素局部区域内与该像素等灰度值近似的的点的个数，实现角点检测。 该算法一般利用一个37像素的圆形模板来实现的，如图2.1所示。图2.2中圆形模板e的圆心称为核心，假如模板中的某些像素的亮度与核心相同或相似，就定义这些像素组成的区域为USAN（核值相似区）区域。图2.3显示出了不同位置的USAN区域面积大小。USAN区域包含了图像结构的以下信息：在a位置，核心点在角点上，USAN面积达到最小:在b位置，核心点在边缘线上时，USAN区域面积接近最大值的一半；在 c、d位置，核心点处于黑色矩形区域之内，USAN区域面积接近最大值。因此，可以根据USAN区的面积大小检测出角点。 图3.1 包含37个像素的圆形模板 图3.2 简单图像中的四个圆形模板 图3.3 不同位置USAN区域面积的大小 具体检测时，是用圆形模板扫描整个图像，比较模板内每一像素与中心像素的灰度值。并给定阈值来判别该像素是否属于USAN区域，式2.1是SUSAN算法的原始相似比较函数。式2.2是在实际应用中比较常用的相似比较函数 ：