基于角点特征提取算法比较研究.docVIP

基于角点特征提取算法比较研究 　　【中图分类号】R391【文献标识码】A【文章编号】1672-3783（2014）01-0332-01 医学图像配准是当前各个领域的研究热点，是指对不同时间、不同角度或不同影像设备获取的图像序列进行空间变换，使得多幅图像在几何上可以一一对应。图像配准的分类方法有很多种，最常用的是根据确定配准控制点（RCP）的方法不同和图像配准中利用的图像信息的不同分类，将图像配准分为：基于图像灰度的配准、基于变换域的配准以及基于特征的配准。 　　目前研究的比较多的是基于特征的图像配准，究其原因是这种算法具有计算量小、稳健性强、适应性广的特点。基于特征的图像配准方法，首先是对图像提取特征，然后将所提取的明显特征利用一定的匹配准则进行配准。该类方法由于先要提取特征，速度相对较慢，但与其他方法相比在精度上有较大的提高。 　　1 特征选择 　　特征是基准图像和待配准图像之间建立映射关系的基础，正确合理的选择图像特征，可以降低特征空间的复杂性和提高特征匹配算法的准确性。选取特征时必须注意，选取的特征是基准图像和待配准图像所共有的，并且要求所选取的特征应尽可能的分布均匀，尽可能多的用于图像配准。不同的图像所含的特征也是多种多样的，现在常用的基于特征的图像提取算法分为类如图1： 　　点特征是构成图像的最基本特征，相对于其他图像特征，点特征包含的信息量少，图像配准的速度相对较快；并且点特征的信息随位置移动变化相对明显，图像配准的精度较高；另外一个优点就是点特征较容易进行降噪处理。点特征的这些优点，决定了对它的研究和应用都比较广泛，常见的点特征有高曲率点、角点、以及多分辨率多尺度空间极值点，本文对角点点特征进行了详细研究。 　　2 常用角点提取算子 　　角点（corner），没有具体定义，普遍认为角点是指两条或更多边缘的交叉点；或者角点是一阶导数（即灰度的梯度）的局部最大值所对应的像素点。基于图像灰度的角点提取算法原理简单，易于实现。最近几年，常用的特征点提取算子有：Harris算子、SUSAN算子、Moravec算子、Forstner算子以及SIFT算子等[1]。 　　本文对???用最为广泛的Harris算子、SUSAN算子从原理、提取效果等方面进行比较研究。 　　⑴ Harris算子 　　Harris角点检测法也叫Plessey角点检测法，是1988年由C.Harris和J. Stephens在Moravec算子基础上提出来的。基本思想是先计算模板沿任意方向位移时的灰度变化情况，然后运用图像灰度的一阶导数来估算自相关矩阵，当某一像素点的自相关矩阵的特征值都非常大时，则认为该点为角点。Harris角点检测算法可分为以下几步完成： ①读入图像，计算图像每个像素点在x和y方向上的一阶导数，以及两者的乘积，得到矩阵M中4个元素的值。在MATLAB程序中分别通过x，y方向的梯度算子滤波来实现。 ②对第一步所得的图像进行高斯滤波，即使用高斯模板对图像进行图像卷积，得到新的矩阵M。 ③计算原始图像矩阵上对应的每个像素点的兴趣值R。 ④设定阈值T，选取局部极值点。 　　⑵ SUSAN算子 　　SUSAN算法，是由英国牛津大学的S.M.Smith，J.M.Brady首先提出来的[2]，全称是Smallest Univalue Segment Assimilating Nucleus。基本依据是：图像中同一特征局域的内部特征值一致或相近。检测角点时，通过移动圆形模板在图像上进行像素灰度匹配，如果模板内的像素灰度值与模板圆心位置的像素灰度值相比，小于给定的门限值，则认为该点与圆心点是同值的，这些同值点组成的区域称为USAN区域。平坦区域像素点的USAN面积最大，边缘点次之，角点处最小。 SUSAN算子检测算法实现步骤： ①选定圆形模板，其内圆心所对应的像素成为核，将核遍历扫描图像中的每个像元。 ②利用公式，计算相似度，得到USAN。 ③计算角点响应值。 ④利用非最大值抑制，找出角点集。 　　3角点提取算子提取结果比较 　　一个好的角点提取算子必须满足以下提取准则：适应性好--即鲁棒性较好，要求提取到的角点在几何畸变、辐射畸变以及噪声影响下具有独特性、不变性和稳定性。准确性高--提取到的角点的位置尽可能接近正确的角点位置；速度快--角点提取算子要想满足实时计算的要求，必须具有足够高的速度。对Harris，SUSAN算法从以上三个方面进行比较。适应性借鉴文献[3]提出的重复率标准。重复率定义为两幅图像中重复点的数量和检测出的总点数之比。 　　其中，Nrepeat是两幅图像中重复点的个数；N1，N2表示从两幅图像提取的特征点数。实验过程中通过计算机间接模拟图像各种变形，如旋转、缩放、以及噪声影响，得到的结果如表1.