一種自適應(yīng)閾值的角點檢測算法

1、一種自適應(yīng)閾值的角點檢測算法     摘  要  針對SUSAN算子只采用固定閾值和定位不夠精確的問題，本文利用角點像素與其所在的角之間具有連通性的特點，給出了一種角點精確定位的改進方法，并采用了自適應(yīng)閾值，在圖像中每個像素的 SUSAN 模板內(nèi)單獨計算閾值 t，使其在各種不同的對比度下仍能正確提取出角點。實驗結(jié)果證明了該方法的有效性。     關(guān)鍵詞  SUSAN 算法；角點提??；自適應(yīng)閾值；圖像連通性  1  引言    角點是圖像上曲率足夠

2、高、并且位于圖像中不同亮度區(qū)域交界處的點。由于角點包含了很多的圖像中的信息，因此，角點在圖像匹配、運動物體的跟蹤以及目標(biāo)識別等方面有著廣泛的應(yīng)用。如何快速準(zhǔn)確的提取出圖像中的角點成為了一個關(guān)鍵的問題。     SUSAN算法是由英國牛津大學(xué)的Brady首先提出的，它是一種直接利用圖像灰度有效地進行邊緣、角點檢測的低層次圖像處理算法。它具有方法簡單，抗噪能力強和處理速度快等特點。本文首先介紹SUSAN角點提取的原理，然后分析了該算法的缺點，提出SUSAN模板中自適應(yīng)閾值的選取的方法，并利用角點像素與其所在的角之間具有連通性的特點，給出了一種角點精確定位的改進方法。

3、2  SUSAN算法的基本原理1    圖1顯示了一個在白色背景下的黑色的長方形，圖中a，b，c，d，e五個位置分別是五個圓形的模板在圖像中不同的位置，窗口的中心被稱之為“核”。窗口中所有具有與核相同或相似灰度的像素，把這些像素構(gòu)成的區(qū)域稱為USAN ( Univalue Segment Assimilating Nucleus)。由圖1可以看出，當(dāng)核像素處在圖像中的灰度一致區(qū)域時，USAN的面積會達到最大（超過一半），當(dāng)核處在直邊緣處約為最大值的一半，當(dāng)核處在角點處更小，約為最大值的四分之一。因此，利用USAN面積的上述變化性質(zhì)可檢測邊緣或角點。 &#

4、160;                             圖1  SUSAN模板在圖像中的幾種位置                 

5、              本文所使用的是一個包含37個像素的圓形模板，半徑為3.4個像素，如圖2。為了提取出邊緣，需要將模板內(nèi)每個像素的灰度與模板中心的灰度進行比較，式(1)為相似比較函數(shù)：           （1）     式中：（x,y） 和（x0,y0） 分別是模板中心點和模板中其它點的坐標(biāo)，c（x0,y0;x,y） 為比較的結(jié)果，f(x

6、,y) 為該點的亮度值，t為灰度差閾值，一般取25。USUAN區(qū)域的大小可以由式(2)給出：     然后，由式(3)可以得到圖像的初始角點響應(yīng)，取響應(yīng)的局部最大值作為角點。式中g(shù)為幾何閾值。在用SUSAN算法進行邊緣提取的時候通常取 ，在進行角點提取的時候，通常取 。一般而言，對于g不需要通過調(diào)整就能取得較好的效果。              （2）         

7、;              （3）     由式(3)得到的角點初始響應(yīng)符合 SUSAN 原理，即 USAN 區(qū)域越小，初始角點響應(yīng)越大，這樣便對圖像中的角點信息進行了增強。 圖2  包括37個像素的SUSAN圓形模板 3  改進的 SUSAN 角點提取算法    對SUSAN算法進行改進的實現(xiàn)，主要考慮到兩方面：對于不同對比度和噪聲情況的圖像，SUSAN算法中閾值t的選取不同，因此門

8、限的取值不應(yīng)該依賴于人為的干涉，而應(yīng)根據(jù)不同條件自動給出最優(yōu)值，即自適應(yīng)選取閾值t ；針對在角點檢測時定位不夠精確，容易出現(xiàn)角點偏移和錯誤判斷的情況，采用圖像連通性的概念解決問題。 3.1  自適應(yīng)閾值t的選取    在SUSAN算法中，對于對比度較好的圖像，閾值t的選取要很大；對于對比度較小或要得到圖像更多細(xì)節(jié)信息的情況，閾值t的選取就要較小才能滿足要求。本文通過對像素灰度值進行分析，提出不同圖像對比度下t的自適應(yīng)取值方法。     對于每個像素的SUSAN模板，通過計算模板內(nèi)每個像素與中心像素的灰度差得到該模板的灰度差直

9、方圖，然后根據(jù)灰度差直方圖通過迭代法確定該模板的閾值t，使得根據(jù)不同條件自動給出最優(yōu)值t 2。        第一步是確定初始值To。計算模板中每點與中心點的灰度差閾值，然后取灰度差值的均值為迭代初始值To，如式(4)：                 （4）     第二步是計算出迭代值 。根據(jù)迭代初值將灰度差直方圖分為兩部分，由式(5)計算下一

10、個迭代值 ：        （5）     式(5)中m為模板中像素點和中心像素點的灰度差值，h(m)為模板中具有該灰度差值的點的數(shù)量，Cmax 為灰度差值的最大值。每次迭代后進行判斷，若一 Ti+1-Ti=0，那么停止迭代，取Ti+1作為最后的SUSAN模板的灰度差閾值。       3.2  對虛假點的篩選    通過SUSAN算法檢測出來的點不都是角點，還包括一些離角點很近的點以及由噪聲引起的USAN

11、區(qū)域分散的假特征點。本文將在這方面做一些工作，不僅對錯誤匹配的角點判斷，而且對其進行更進一步的精確化的操作，將錯誤匹配的點移至精確定位處。     綜合以上分析，本文打算采用的一個方法：根據(jù)圖像連通性的概念3，我們可以認(rèn)為，如果圖像中的某一點是角點，那么可以發(fā)現(xiàn)，在以它為核點所計算的灰度差窗口中，該角點與其所在的角區(qū)域必定存在某種意義上的連通性。也就是說，在核點的8-鄰域中，必定是有與其值相同的連續(xù)點存在的。     這樣，我們可以通過對核點的8-鄰域中的點按一定的順序編號（順時針或者逆時針），判斷是否有連續(xù)值的點，來確定核點是不是真

12、正的角點。通過計算灰度差計算，可以得到下圖：     圖3   經(jīng)過灰度差計算的窗口     在以（x0,y0） 為核心區(qū)域的3×3 的窗口內(nèi)。按順時針的順序計算 中值為1的連續(xù)像素的個數(shù)n。若 2n5 則認(rèn)為核點是正確的角點，若n<2，則可迅速判斷核心點為假特征點，可以篩除。篩除虛假的核點后，完成角點進一步的精確定位。對窗口中以核點為中心的 m×m大小的區(qū)域（m=l-2，l為窗口直徑）內(nèi)除核點以外的其他所有值為1的點的8-鄰域中n的值。使得 2n5的點即為準(zhǔn)確的角點位

13、置，將其取為角點，篩除核點。若沒有符合條件的點，則只篩除核點。     改進后的SUSAN角點提取算法的具體步驟如下：     （1）計算模板內(nèi)像素點與模板中心的灰度差值，得到迭代初始值To。     （2）通過計算得到的迭代值t，然后計算該點SUSAN區(qū)域的大小。     （3）用SUSAN算子進行初步檢測，對于一個已經(jīng)被SUSAN判定為角點的點，在本算法中作為候選點角點，繼續(xù)做下面的分析。     計算候選核點的n值。   

14、;  若 2n5，則認(rèn)為候選核點就是角點。若 n<2，則對窗口中以核點為中心的 m×m大小的區(qū)域（m=l-2，l為窗口直徑）內(nèi)除核點以外的其他所有值為1的點的8-鄰域中n的值。使得 2n5的點即為準(zhǔn)確的角點位置，將其取為角點，篩除核點。若沒有符合條件的點，則只篩除核點。    重復(fù)3，直到所有候選點都被分析過。    4  實驗結(jié)果    用改進算法所實現(xiàn)的角點檢測，在SUSAN角點檢測的基礎(chǔ)上，可以實現(xiàn)自動取閾值t，并且可以對原有的點進行篩選，排除虛假點，對

15、不夠精確的點實現(xiàn)自動尋找精確定位。     實驗比較的結(jié)果如下圖，可見使用了改進的算子后，角點檢測的位置比原圖像更靠近角點的真實位置，所以新的算子對大部分的角點都可以得到很好的響應(yīng)，不過算法也有一些不足之處，在某些角點上也存在被多次檢測的現(xiàn)象，在以后的工作中需要進一步解決。      實驗原圖                    改進前 SUSAN算子    &#