Harris与SUSAN原理及实验结果分析.docVIP

Harris与SUSAN角点检测算法原理与实验结果分析 —.Harris算法原理 Harris角点检测算法的基本原理是取以R标像素点为中心的一个小窗U ,计算窗U沿任 何方向移动后的灰度变化，并用解析形式表达。设以像素/X(x，y)为巾心的小窗口在X方向上 移动u，y方向上移动V，Harris给出了灰度变化度量的解析表达式： = E %.)?(’机，-’m，) + V芸 + 小/2 + v2))2 (1 ? 1) 艽中，为窗口内的灰度变化度量；％、.为窗口函数，一般定义为 I为图像灰度函数，略去无勿小项有： Exy 二［vv.、.［“2(/.)2 + v2(，,)2 +2?v//、］ = /U2 + 2C?v+ fiv2 (1.2) 将￡~.化为二次型有： (1.3)U (1.3) M为实对称矩阵:通过对角化处理得到:R—1Ex x =[u v]M M为实对称矩阵: 通过对角化处理得到: R—1 (1.4) (1.5) 其中，R为旋转因子，对角化处理后并不改变以u，v为坐标参数的空间曲面的形状，其 特征值反应了两个主轴方向的罔像表曲率。当两个特征值均较小时，表明FI标点附近区域 为“T?坦区域”；特征值一大一小吋，表明特征点位于“边缘”上；只奋当两个特征值均比 较大吋，沿任何方向的移动均将导致灰度的剧烈变化。Harris的角点响应函数(CRF)表达忒 由此而得到： (1.6)C/?F(x, y) = det(A/)- k(trace(M ))2 (1.6) 其中：det(M)表示矩阵M的行列式，trace(M)表示矩阵的迹。当鬥杬像素点的CRF值大于 给定的阈位时，该像素点即为角点。 二.SUSAN算法原理 该算法直接利用像素的灰度进彳j角点检测，而不考虑曲率等复杂的角点特征。SUSAN检 测算子的基本原理足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?-?般利用一个37像素的圆形模板来实现的，卜阉所示。阁1中圆形模板e的圆 心称为核心，假如模板屮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显示出了不同位置的USAN区域血积人小。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，核心点在边缘线上吋，USAN区域凼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区域面积接近最人值。W此，可以根据USAN区的曲积人小检 测出角点。 模版的边界a/ b 模版的边界 a/ b 阁2不同位置USAN区域面积的大小 具体检测吋，足川圆形模板扫描整个图像，比较模板内每一像素与屮心像素的灰度恆。 并给定阈位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是在实际应用屮比较常用的相似比较函数： (2.1)广―、|1 /(r)-/(r0)|Z (2.1) C(rr°)= io if /(r)-/(r0)|r c （ r，厂0 ） = e （2.2） 用于计兑以每个像素点为核心的USAN区的像素个数；/（G）是模板中心像素（核）的灰 度值；/（r）为模板内K他任意像素的灰度值；t是区分特征H标与的一个重要阈值。 图像中某一点USAN区域大小可由下式2.3表示： nW = nW = X c(F，Fo) 戸e c(f0 ) (23) 式屮，CR）是以为岡心的模板。 在得到特个像素的USAN区域后。再山卜‘式2.4角点响应函数（Comer- Response Function, CRF）产生角点初始响应: 咐）g -啦） 咐） g -啦） 0其他 (尸0)＜《 (2.4) 式屮，g足抑制噪声的儿何阈值，它决定了输出角点的USAN区域的最人值。同吋它 还决定了所检测到的角点的尖锐程度。g取得越小，所检测到的角点越尖锐。川这种原理， 取不M的几何门限，不但能检测角点.还町以检测交点、边缘等特征。 三.实验结果及分析 1采用Harris算法进行角点检测。 1.1实验第?一幅图oril的原始图像如图3.1所示及角点检测；的图像如图3.2所示 图3.1 图3.2 1.2实验第二幅阁ori2的原始阁像如阁3.3所示及角点检测后的阁像如阁3.4所示 图3.4 阁中的红色十字表示的是检测出来的角点，第一幅阁北?检测出了 130个角点，第二副阁 共检测出了 38()个角点。 Harris算子足-?种有效的点特征提取算子，其优点总结起来有：①计算简单:Harris算子 屮只用到灰度的一阶差分以及滤波，操作简单。②提収的点特征均匀而且合理:Harris算子对 图像中的每个点都计算艽兴趣值，然后在邻域中选择敁优点。实验表明，在纹理信息丰富的区 域，Harris算子可以