《一种基于 SUSAN 的综合改进的角点检测算法.doc》由会员分享，可在线阅读，更多相关《一种基于 SUSAN 的综合改进的角点检测算法.doc（6页珍藏版）》请在三一办公上搜索。
1、精品论文一种基于 SUSAN 的综合改进的角点检测算法潘炜，景晓军，孙松林 北京邮电大学电信通信系，北京(100876) E-mail: panbangzhu摘 要：角点是数字图像中重要的几何特征之一，角点的准确提取对于图像匹配、目标识别 等领域具有重要意义。本文首先深入讨论了 SUSAN（Smallest Univalve Segment Assimilating Nucleus）算法的结构和优缺点，然后在原有算法的基础上加入了角点预检测机制和优化过 滤机制，通过引入自适应性阈值和检测窗，有效地剔出伪角点；引入方型过滤窗找出局部范 围内最强的初始角响应，减少了噪声带来的干扰。改进后的算法能够
2、快速地在存在一定加性 噪声干扰的条件下检测出图像含有的真正角点。仿真实验证明了本文方法的有效性。 关键词：角点检测，Susan，预检测，优化过滤中图分类号：TP3191.引 言 角点是图像的重要特征之一，通常定义图像中曲率足够高并且位于图像中不同亮度区域交界处的点为角点。因为具有旋转不变和不随光照条件改变而变化等优点，角点在图像理解、图像匹配、目标识别、光流计算、三维场景重建和运动估计等领域中具有十分重要的意义。 角点在保留图像中物体的重要特征信息的同时有效地减少了信息的数据量，使得对图像处理 时运算量大大减少。近年来各方学者已经提出了很多关于提取角点的算法，目前主要分为两类方法：基于图 像边
3、缘的方法1和基于图像灰度的方法。基于图像边缘的方法首先对其进行图像分割，提取 边界构成链码，然后找出边界上转折较大的点作为角点这种方法在算法和处理步骤上过于 复杂且对边缘提取算法的依赖性较大。而基于图像灰度的方法则避开了上述这些缺陷也可 分为两类：基于图像导数的Plessey2算法，优点是可靠性高，缺点是由于求导计算复杂， 速度较慢；基于图像灰度对比关系的MIC算法3、SUSAN4算法，优点是计算简单，有较好 的抗噪性能。SUSAN算法利用计算基于核心点的USAN面积大小，并以此作为初始角点响应而后搜索 所有初始响应中的局部最值，其对应的点被标记为角点。SUSAN算法简洁，定位准确，无须 梯度
4、运算，但是分析发现，这种算法也存在一些局限，例如下文提到的容易无法区分角点和 边界点，可能将噪声误检为角点等。本文从这些局限入手，综合前人提出的改进意见，提出 了新的综合改进算法并做了相应的实验论证。2.Susan算法原理由Smith提出的SUSAN角点检测算法是基于USAN角点检测准则的。该准则将位于图形窗口 模板中心等待检测的像素点称为核心点。算法假设图像为非纹理，在扫描模板内（通常采用 圆形模板），核心点的邻域被划分为两个区域：亮度值等于(相似于)核心点亮度的区域即核 值相似区(Univalue Segment Assimilating Nucleus)和亮度值不相似于核心点亮度的区域。
5、 对于任一像素点，这2个区域的划分大致可以分为6种情况，如图1所示。由此，可将角点判 定的准则定义为：图像中具有足够小的USAN面积的像素点。- 6 -图1 6种常见的USAN区域划分为了精确计算图像中每个像素的USAN面积，模板需要在图像上滑动，并且在每个位置上 比较模板内各像素的亮度与模板核的亮度。具体的相似比较函数如下：1, if I (r ) - I (r0 ) t c(r, r0 ) = （1）0, if I (r ) - I (r0 ) t式中， c(r, r0 ) 即是以 r0 为核心的圆模板内的任意像素r是否属于USAN的判别值， I (r) 表示 核心点邻域内像素r的灰度值，
6、 I (r0 ) 表示核心点 r0 的灰度值，t为灰度差阈值，一般取25。 通常对于式（1），还可以采用一种更稳定和抗噪声的形式3：- ( I ( r )- I ( r0 ) )6c(r, r0 ) = et（2）但是经过大量实验，证明式（2）更适合应 用于SUSAN算法检测边缘时用的相似比较函数， 故对于用于检测角点的SUSAN算法，本文还是采 取式（1）的形式。每个像素点的USAN区域的大小最终可由式（3）给出：n(r0 ) = rc ( r0 )c(r, r0 )（3）图2 常用的37像素模板窗体然后，根据式（4）可得该像素点的初始角 响应，式中的g表示为几何阈值，一般1取值为n(r0
7、)（本文采用37像素圆形模2Max版，如图2所示，故g取值为18） g - n(r0 ), if n(r0 ) T 82 (I (r) - I (ri )式(5)中的 i =1 为模板中心最内圈 3*3 方格窗的标准差，l 为调节系数。当默8认阈值 t 大于T 时，表明当前中心点附近对比度较低或者图像较精细，此时可将 t 设为T 。 调节系数 l 可由多次迭带实验后取效果较好的经验值，实验证明，这种具有自适应性的核心区阈值自动调整法可更好地提取角点。3.2 角点预检测在 SUSAN 算法中总是对所有像素不加区别地逐一判断是否为角点，这样既无法缩减算 法的运行时间，也无法剔出一些由噪声或者由图像
8、本身特征引入的“伪”角点。事实上，模 板中心点区域附近的像素经过一系列简单的判断之后就可判别该中心点是 否是潜在的角点。因此本文在算法中引入角点匹配模板的方法，通过对 37 像素圆形模板中心点附近 3*3 方窗（如图 3 所示）内部的像素点进行预检测， 除去大量的噪声点，边缘点和背景点，然后仅对少量的候选点进行精细判别，图 3 3*3 方窗 不仅提高了算法的效率也改善了角点检测精度。模板核心点周围具有近似灰度值的像素个数决定了该核心点是否为候选角点。从图 3 方形窗的结构和角点的定义易知，只有当 3*3 方形预检测窗内属于 USAN 的像素个数 a（此 时判别 USAN 区域时采用上文所提出的
9、自适应阈值），满足 2 a 5 时，中心点才可能为 候选角点。（当 a =1 时，中心点为噪声点或者一条线的端点，不构成角点；当 5 a 8 时， 中心点更可能为边缘点或内部点）。当然，即使 a 落在区间2，5内，也并不能直接确认此 时中心点就是候选角点之一。下面我们分情况对 a 的取值情况作进一步的深入分析：（1） a =2这种情况下基本只有一种可能，即 2 个属于 USAN 的点与中心点构成一个 45 度左右的 锐角，由于我们对图像中物体的角点更感兴趣，所以对图中线条的折点（如图 4b 所示）所 含的情况在此算法中一般不予考虑。这种情况的验证比较简单，只需要使用如图 4a 那样的 三角形模
10、板经过上下和左右翻转后分别去匹配，可得当 a =2 时，共有 8 种角点匹配模板出 现，即以中心点开始顺时针每 45 度构成一个三角形作为一种匹配模板。（2） a =3这时稍微复杂一些，存在 2 大类可能的情况，如图 4c,d所示,其中c类型涵盖了“L”型 角点7，d类型涵盖了“Y”型角点7. 根据对称性质，c类型所示的角点模板共有左上、右上、 左下、右下四种可能，d类型所示的角点匹配模板同样也有上、下、左、右四种可能，只须 以中心点为轴，按顺时针顺序每转 90 度即得。二种类型相加，可知当 a =3 时，共有 8 种不 同的角点匹配模板。（3） a =4最后一种情况最为复杂，综合分析后得出此
11、时存在 3 大类可能的情况，如图 4e,f,g所示， 其中f类型涵盖了“X”型角点7，g类型涵盖了“T”型角点7。同样根据对称性质，f与g类 型的角点匹配模板同有上、下、左、右四种可能，而e类型经过对称翻转则含有 8 种可能， 三种类型相加，可知当 a =4 时，共有 12 种不同情况的角点匹配模板。a.b.c.d.e.f.g.图 4 方形预检测窗可能存在的各种角点匹配模板3.3 方型窗优化过滤计算完每个像素点的初始角点响应之后，在最终决定角点位置之前，通常都会对所有候 选角点进行区域内非极大值抑制（如式（7）所示），即搜索以候选角点为中心，半径为 2 的方形窗体，检测这个方形窗体中的各个像素
12、的初始角点响应值是否均小于候选角点的初始角点响应值，如若不是，则此候选角点应归为“伪”角点。$ g d (g0 , g) R(g0 ), then g0是伪角点(7)式（7）中 d (g0 , g) 表示像素点 g0 的邻域，该邻域通常为半径为 2 的方形窗，R(g) 表示像素g 的初始角点响应值。 本文为了进一步加强算法的抗噪和抗“伪”性能，在区域非极大值抑制之后又加入一步上限/下限值抑制，如式（8）所示：if R(r ) upper _ value , then r是伪角点(8)实验证明，式（8）中的上限值取值(13,15)，下限制取值于(4,5)，会有比较好的抑制噪 声和排除“伪”角点的
13、效果。3.3 改进算法流程表述（1）求取自适应阈值；（2）在 3*3 窗体内进行角点预检测；（3）计算所有潜在角点的 USAN 值和初始角点响应值；（4）局部非最大值抑制和初始角点响应值上限/下限抑制；（5）取得角点集合4.实验结果与结论按照上述算法，笔者使用 C#语言编程分别实现了原始 SUSAN 算法和改进后的 SUSAN算法。并用仿真程序对不同高斯加性噪声环境下的同一幅图像进行了对比实验，结果如下：图 5 SUSAN 算法检测带有加性噪声的图像图 6 本文算法检测带有加性噪声的图像从实验结果可以看出，本文算法在噪声环境下，有明显抑制噪声和由此带来的“伪”角 点的影响，并且由于本文算法在真
14、正计算 USAN 值之前先进行了预测，故减小了一部分计 算量，加快了算法的速度。但是，在实验过程中，由于数字的图像的复杂性和各类噪声的混合型，仍然发现了本文 算法的局限性，例如在椒盐噪声下，效果较差；自适应阈值的提取方法并不适应于所有图像 等等。进一步提高抗噪能力，探索新的自适应阈值的求法和角点预检测机制将是未来的研究 方向。参考文献1 李俊平，周振环提取图像边界角点的新方法J微电子学与计算机，2006，23（11）：1881902 Harris C,StephensA combined corner and edge detectorCMatthews M M. Proceedings of
15、 the 4th AlveyVision ConferenceManchester: the University of Sheffield Printing Unit,1988:1471513 Trajkovic M, Hedley MFast corner detectionJImage and Vision Computing,1998,18:75874 Smith S, Brady MA new approach to low level image processingJInternational Journal of ComputerVision,1997,23(1):45785
16、陈乐，吕文阁，丁少华角点检测技术研究进展J自动化技术与应用，2005，22（4）:2582606 Petez M M,Dennis T JAn adaptive implementation of the SUSAN method for image edge and feature detectionAProceedings of International Conference on Image ProcessingC,Santa Barbara,1997,2:394-3977 席志红，刘利彬，许新利SUSAN 角点检测算法改进J应用技术，2006，33（9）:2931A Comprehe
17、nsive Improved Corner Detection AlgorithmBased On SUSANPan Wei, Jing Xiaojun, Sun SonglinSchool of Telecommunication Engineering, Beijing University of Posts and Telecommunications, Beijing (100876)AbstractCorner is one of the most important characteristics of geometry in a digital image. Corner ext
18、raction is of great significance for accurate image matching, target identification and other fields.This article first in-depth discusses on the structure and its strengths and weaknesses of SUSAN (Smallest Univalve Segment Assimilating Nucleus) algorithm, then add new mechanism based on origin alg
19、orithm for corner candidates pre-testing and optimization of the post-filter. Through these new mechanisms, the new algorithm could effectively rule out pseudo-corner and reduce the impact of additive noise. The simulation results show the effectiveness of the method.Keywords: corner detection, SUSAN, Pre-detection, filtration optimization
