在图像配准中的应用想法.docx

在图像配准中，数字图像的角点一般被选为特征点，它是图像中轮廓线上曲率的局部极大值点，是数字图像中非常重要的特征[31]。 有两种算法用于数字图像中角点的检测：一是基于图像灰点的算法，这种角点检测算法主要是通过计算在局部范围内的图像灰度和梯度变化极大值点来作为角点；另一个是基于图像边缘的算法，这种角点检测算法要先检测图像的边缘，再将边缘方向有突变的那些点选取作为检测出的角点。计算曲率以及梯度的算法时这类角点检测需要用的，因为它不用检测图像边缘，计算时间就有所缩短，因而被广泛用于实际操作中。 数字图像中角点为重要图像特征，作为配准特征在图像配准中常被使用。为了对角点特征了解的更多，本节重点介绍几种常用的角点检测算法[32]： 式中，det?表示矩阵的行列式；trace?表示矩阵的迹(也就是矩阵对角线元素的和)；k?代表常数，通常为?0.04。角点就是CRF?处于局部极大值的点。 下面就是详细操作步骤： ①针对灰度图像I中的每一个像素，对其?x?方向以及?y?方向分别计算一阶导数，还要将两个一阶导数相乘。计算时采取的具体计算法和卷积类似，使用的模板分别为: 在图像 I 上不断移动，在移动至每一位置都进行模板对应中心像素梯度值的计算，从而得到处于两个方向上的两幅梯度图像。然后再将每个像素所对应得两个方向上的梯度相乘，第三幅图像就形成了，三幅图像中的每一像素分别表示Ix，Iy和IxIy。 ②分别对通过步骤①计算所得的三幅图像进行标准差为σ的高斯滤波。具体来说就是对这三幅图像分别运用高斯模板进行卷积。 将原始图像上的角点响应函数值计算出来。计算法有以下两种： 其一为经典的?Harris?算法。式(3-16)代表CRF定义： 此时，角点和CRF?的局部极小值点相对应。因为经典的?Harris?算法其角点响应函数要求公式中?k?值必须要确定，因此本算法中的角点响应函数采用的是Nobel?的。 ③图像中有很多局部极值点，角点的数目的提取要通过CRF门限限制的设置来进行。 下面分析Harris角点检测算法的性能： 1) 在图像中Harris?角点具有各向同性的特点，图像即使旋转，检测角点不会受到影响； 2)?Harris?角点检测算法中对图像一阶导数有要求，因此光强对检测角点无影响； 3) 当比例发生变换，Harris?算子不能使得角点检测重复性有所保证，当转换图像比例时，因为角点处愈发平滑，因此边缘的结果更易得出。 此时，角点和CRF?的局部极小值点相对应。因为经典的?Harris?算法其角点响应函数要求公式中?k?值必须要确定，因此本算法中的角点响应函数采用的是Nobel?的。 ③图像中有很多局部极值点，角点的数目的提取要通过CRF门限限制的设置来进行。 下面分析Harris角点检测算法的性能： 1) 在图像中Harris?角点具有各向同性的特点，图像即使旋转，检测角点不会受到影响； 2)?Harris?角点检测算法中对图像一阶导数有要求，因此光强对检测角点无影响； 3) 当比例发生变换，Harris?算子不能使得角点检测重复性有所保证，当转换图像比例时，因为角点处愈发平滑，因此边缘的结果更易得出。 1997年，牛津大学的?S.M.?Smith?和?J.M.?Brady?等人研究出了SUSAN?角点检测算法。这种算法直接操作图像中的灰度值作，运用的的最小核值相似区（Smallest Univalue Segment?Assimilating Nucleus，SUSAN）是位于低层次处理上的。具有定位准确并不必进行梯度计算、而且抗噪能力还很强大等方面的优势。 SUSAN?角点检测算法搜索图像运用了一个圆形模板。将模板中心像素核的灰度值和模板内其他像素灰度值的差值计算出来，当差值比设定阈值小时，表示这个像素和模板中心核灰度值相似，把此类灰度值相似的像素集合起来构成核值相似区（Univalue Segment?Assimilating Nucleus， USAN）。 模板内的像素点属于不属于?USAN?区的判定公式如下： ?判别函数的计算运用上式，就是和门限位置极为接近，的值也不会受到像素灰度值微小变化的干扰。不管是理论上还是实验中指数的最佳值都是6。 ????SUSAN?角点检测算法的最后步骤是找出角点，根据初始角点响应局部最大值的计算，即进行非最大抑制处理，将角点位置找出。 ????SUSAN?角点检测算法必须运用梯度计算，使得算法效率有所保证，而且还有积分特性以及较强的抗噪能力等优势，即使图像旋转也能保持不变性，不过公式中阈值t与g的确定较难，弱边缘上的角点检测难度较大。 ?Beaudet角点检测算法是Beaudet于1978 年研究出的。这种角点检测算法是以图像灰度为基础的，角点测度通过图像灰度面?Hessian?行列式的计算而进行。角点