多通道奇Gabor梯度相关矩阵角点检测算法.docVIP

多通道奇Gabor梯度相关矩阵角点检测算法 　　摘要：为了抑制边缘轮廓平滑导致角点定位精度的下降，提出多通道奇Gabor梯度相关矩阵的角点检测算法该算法是在Gabor滤波器的基础上，利用8个通道的奇Gabor滤波器对输入图像进行变换；然后利用每个像素与其相邻像素的Gabor梯度相关性构造自相关矩阵，若像素点的自相关矩阵对应的归一化特征值的和是局部极大值，则标记为角点实验显示，与Harris算法、曲率尺度空间（CSS）算法等经典算法相比，该算法的平均正确检测率提高了约1774%，平均定位误差降低了约18.15%结果表明，所提出的算法具有更好的检测性能，并获得了较高的角点检测率及较好的定位精度 关键词：边缘轮廓平滑；定位精度；角点检测；哈里斯算法；曲率尺度空间算法 中图分类号： TP391.41 文献标志码：A 0引言 角点是指图像中灰度值变化剧烈的点，包括物体轮廓上曲率变化最大的点、多条直线的交点、单调背景上的孤立点等[1]角点检测由于拥有较高的信息量且角点数量相对较少，在图像匹配、目标跟踪与识别及三维重建与运动估计等领域都具有重要的意义角点检测算法一般分为基于边缘、基于灰度和基于模板三类 基于边缘的角点检测算法是通过计算图像边缘曲率的大小来检测角点Pedrosa等[2]提出了基于边缘曲率的各向异性扩散角点检测算法，通过对窗口内边缘像素点曲率值进行扩散滤波确定角点响应，窗口的设置会影响角点的检测Mokhtarian等[3]通过引入尺度空间理论，提出了曲率尺度空间（Curvature Scale Space，CSS）角点检测算法，采用从高尺度到低尺度对候选角点进行跟踪的方法检测角点CSS算法存在两方面的问题：1）较大的尺度容易导致伪角点和遗漏真实的角点；2）全局阈值较难选择He等[4]、张小洪等[5]、以及孙君顶等[6]分别在CSS算法的基础上进行了改进，并取得了较好的检测效果刘亚威等[7]提出了一种基于边缘轮廓线的Log角点检测算法，用边缘点的Log变换范数作为角点响应，具有高效稳定的特点张恒等[8]在分析了Gabor小波的特征和传统梯度算子缺陷的基础上，提出了一种基于加权Gabor梯度的新型多尺度角点检测算法（Multiscale Weighted Gabor Gradient， MWGG），该算法也存在大尺度导致的定位误差增大的问题章为川等[9]提出各向异性高斯方向导数自相关矩阵的角点检测算法（Anisotropic Gaussian directional Derivatives Autocorrelation matrix， AGDA），抑制了图像边缘上的局部变化 基于灰度的角点检测算法是通过计算每个像素点及其周围点的灰度变化情况来检测角点Harris等[10]提出了一种突破Moravec算子局限性的角点检测方法，即Harris角点检测算法此算法利用图像的梯度计算每个像素点的自相关矩阵，定义了一种和自相关矩阵特征值有关的角点响应算子，从而较为方便地检测出图像中的角点Li等[11]提出了基于改进小波变换的Harris角点检测算法，用多尺度分辨率分析，改善了Harris算法单一尺度的不足 基于模板的角点检测算法是通过模板与每个图像子窗口的相似性来判断出图像中是否存在与模板相对应的角点Smith等[12]提出了 最小核值相似区（Small Univalve Segment Assimilation Nucleus，SUSAN） 算法，其基本原理是基于一个窗口区域“USAN”，根据检测点与检测点的局部区域灰度值的变化程度进行判断此类算法复杂度不高，但对一些复杂图像检测的精度不高，会出现不少伪角点 Gabor变换属于加窗傅里叶变换，是短时Fourier变换中当窗函数取为高斯函数时的一种特殊情况Gabor变换实际上还是对二维图像求卷积，提取图像的特征分量，Gabor函数可以在频域不同尺度、不同方向上提取相关的特征Gabor 滤波器的频率和方向类似于人类的视觉系统，所以可应用于特征提取、指纹识别、虹膜识别、人脸识别、纹理分析等[13]本文在分析了奇Gabor滤波器优异的边缘检测性能的基础上，提出了多通道奇Gabor梯度相关矩阵的角点检测（Multichannel Odd Gabor grAdient，MOGA）算法该算法在角点检测性、定位准确性等方面比Harris算法、CSS算法等有明显提升 1.2二维奇Gabor滤波器的边缘特性 2.2本文算法的具体实现 边缘像素点是否为角点，不仅和该像素信息有关，而且与其周围的相关像素都有关联，通常用Canny边缘检测器检测边缘Harris算法指出，像素点是角点还是边缘点，可以通过局部自相关矩阵的特征值来判断：