角点在表面尺度空间的行为分析与检测研究.pdf

重庆大学硕士论文 中文摘要 摘 要 图像的局部特征在保留图像重要信息的同时，又有效地减少了图像处理的数 据量，极大地提高了运算速度。因此特征提取成为模式识别与计算机视觉等图像 处理相关领域的基础性研究内容。在众多图像特征中，角点不仅具有最少的数据 量，而且稳定性极高，这使角点检测成为特征提取的重要分支。然而目前的角点 检测算法更多的是在实验层面得到解释，缺乏系统的数学理论论证。基于此，本 文在轮廓尺度空间中研究角点的演化行为，为角点描述提供一种有效的表达方式。 本文的研究工作如下： ① 将二阶微分算子 Laplacian 应用到轮廓曲线上，利用角点为曲线上的不光 滑点这一性质，定义曲线Laplacian 变换的2-范数为角点响应(简称为Laplacian 角 点响应) ，指出该角点响应与流行的曲率角点响应能够导出相同的角点位置，定义 具有一致性。 ② 在不同尺度下通过与 Gaussian 函数卷积来演化轮廓生成轮廓的 Gaussian 尺度空间，并定义演化轮廓的 Laplacian 角点响应为角点的 LoG (Laplacian of Gaussian)响应。之后系统地分析了LoG 角点的行为特征，以解析形式描述了单角 点模型与双角点模型在尺度空间中的形态。 ③ 首先根据LoG 角点行为理论提出LoG 角点检测算法，然后通过LoG 算子 的逼近形式DoG (Difference of Gaussian)算子构造DoG 角点检测算法。最后与经典 的CSS (Curvature Scale Space)角点检测算法进行对比，实验结果表明LoG 与DoG 算法具有更好的角点检测性能，以及更强的对噪声的鲁棒性。 关键词：图像轮廓，角点响应，尺度空间，角点行为，角点检测 I 重庆大学硕士论文 英文摘要 ABSTRACT Image local features retain important information, which reduce the data quantity of image processing effectively, and improve the operation speed greatly. Thus, feature extraction has become the basic research of the related areas of image processing such as pattern recognition and computer vision. Among the many image features, not only do the corners have the least amount of data, but also they are quite stable, which makes corner detection as an important branch of feature extraction. However, most of the corner detection algorithms are merely implemented in the experimental level, lacking of mathematical demonstration. Based on above, this paper will investigate the evolution behavior of corners in the contour scale space, which will provide an excellent corner description. Specifically, t