《数字图像中SUSAN特征点检测算法的实现》由会员分享，可在线阅读，更多相关《数字图像中SUSAN特征点检测算法的实现（38页珍藏版）》请在金锄头文库上搜索。
1、数字图像中SUSAN特征点检测算法的实现 摘 要在图像理解图像匹配三维重建及模式识别等领域中特征点的检测具有十分重要的意义特征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特征点的的定义有多种不同的表述如图像中灰度值和像素剧烈变化的点图像边界上具有较高曲率的点等对于特征点的定义决定了特征点的特性同时也决定了所检测出的特征点的检测所采用的方法SUSAN Smallest Univalue Segment Assimilating Nucleus 算法是上世纪九十年代中期提出的一种边角点检测算法该算法是一种基于图像局部灰度特征利用一个圆形的模板对图像进
2、行扫描比较模板内部的点与模板中心点的灰度值如果灰度差值小于一定的阈值就认为该点与中心点的灰度相同否则就认为该点与中心点有明显的差异统计模板内部与中心点灰度相同的点的个数与一个全局阈值进行比较判断该点是否属于角点从而实现对图像特征点的检测本文采用matlab语言实现了SUSAN特征点监测并利用模拟图像和真实图像对算法进行了验证实验表明SUSAN特征点检测算法能有效提取图像中的特征点与传统的角点检测算法相比SUSAN算法是一种基于图像灰度比较的算法不涉及梯度的计算具有速度快抗干扰能力强等特点关键字 SUSAN算法 边缘检测 角点检测 matlabAbstract In image understa
3、ndingimage matchingreconstruction and pattern recognition the feature point detection is of great significanceFeature points of objects while retaining the important features of the image information while effectively reducing the amount of data information making the image processing operations is
4、greatly reducedFeature points there are different definitions of expression if the image has a gray value and dramatic changes in the point image pixel on the boundary of high curvature pointsFor the definition of the feature points of the feature points of the characteristics of the decision but al
5、so determines the feature points detected in the detection method used SUSAN Smallest Univalue Segment Assimilating Nucleus algorithm is the mid nineties of last century a corner detection algorithm which is based on local gray level image features using a circular template to scan the image compare
6、template within the template center point and the gray value if the gray level difference is less than a certain threshold to that point and the center of the gray level of the same otherwise the point that there are significant differences with the centerStatistics center gray inside and the same t
7、emplate the number of dots with a global threshold value for comparison to determine whether the corner point enabling the detection of image features In this paper matlab language of the SUSAN feature point detection and the simulated images and real images validate the algorithm experiments show t
8、hat SUSAN feature point detection algorithm can extract the image feature pointsWith the traditional corner detection algorithm in comparison SUSAN algorithm is a comparison of the algorithm based on image gray do not involve the calculation of gradientHigh speed anti-interference ability and other
9、characteristics Keywords SUSAN corner detection algorithm for edge detection matlab 1 绪论111研究目的112角点检测的意义113特征点检测研究现状2131基于灰度图像的角点检测2132基于二值图像的角点检测5133基于轮廓曲线的角点检测缘614角点检测技术小结82 特征点检测的原理及方法1021 SUSAN算法基本原理1022 SUSAN算法的实现13221读入图像13222 SUSAN算法显示边缘图14223检测的角点15224显示角点1723算法的应用173 算法的评析2131算法的改进2132参数对角
10、点的影响21321去除真角点附近的伪角点21312边缘轮廓上的伪角点处理2333 Harris与SUSAN算法的比较25331 Harris基本原理25332实验分析变化2734 Harris与SUSAN小结284 总结与展望3041总结3042展望30致谢31参考文献32附录341 绪论11研究目的目前SUSAN特征点检测已经检测在许多领域中得到了广泛的应用在三维场景重建运动估计目标跟踪目标识别图像配准与匹配等计算机视觉领域起着非常重要的作用图像配准就是建立两幅图像之间的对应关系确定相应几何变换参数对两幅图像中的一幅进行几何变换的过程通常图像配准是先采用人工的方法从两个图像上找出各自的对应点
11、然后再进行配准参数的计算利用SUSAN算子提取两幅图像的角点通过粗匹配和细匹配两个步骤可得到匹配角点对车辆行驶道路上的前方车辆检测是汽车辅助驾驶研究中的关键技术目前各个国家都在积极进行该领域的研究提出了许多算法和实施手段如基于立体视觉的车辆检测基于激光雷达的车辆检测及基于神经网络训练的方法等其中立体视觉法的缺点在于其计算量比较大算法比较复杂而且对双目摄像机进行 匹配和标定仍然是个技术难题激光雷达深度信息探测准确但探测范围小获取信息不充足神经网络训练方法具有较高的鲁棒性但选取训练样本数据和精确定位车辆位置比较困难SUSAN检测算法在噪声图像上很容易获得精确的图像边缘通过上面的分析我们可以看到SU
12、SAN特征点检测算法在许多领域中都起到了非常重要的作用因此对SUSAN特征点检测算法的研究也就极为重要12角点检测的意义角点目前为止还没有明确的数学定义角点可以是两条线的交叉处也可以是位于相邻的两个主要方向不同的事物上的点角点的提取在图像匹配轮廓提取模式识别等方面具有重要意义角点兴趣点特征在文献中的使用是相互间可替换的这是个令人困惑的问题角点是图像很重要的特征对图像图形的理解和分析有很重要的作用角点在保留图像图形重要特征的同时可以有效地减少信息的数据量使其信息的含量很高有效地提高了计算的速度有利于图像的可靠匹配使得实时处理成为可能本文就是利用SUSAN算法来进行图像边缘及角点的提取基于图像边缘
13、的方法首先要对图像进行分割和边缘提取其角点提取的准确性很大程 度上依赖于图像分割以及边缘提取的精度基于图像灰度的方法主要考虑像素点邻域内的灰度变化通过计算点的曲率以及梯度来提取角点目前这种方法有着广泛的应用本文采用基于图像灰度的SUSAN算法提取角点13特征点检测研究现状目前的角点检测算法可归纳为3类基于灰度图像的角点检测基于二值图像的角点检测基于轮廓曲线的角点检测基于灰度图像的角点检测又可分为基于梯度基于模板和基于模板梯度组合3类方法其中基于模板的方法主要考虑像素领域点的灰度变化即图像亮度的变化将与邻点亮度对比足够大的点定义为角点常见的基于模板的角点检测算法有Kitchen-Rosenfel
14、d角点检测算法Harris角点检测算法KLT角点检测算法及SUSAN角点检测算法和其他角点检测算法相比SUSAN角点检测算法具有算法简单位置准确抗噪声能力强等特点在图像边缘提取角点提取方面得到广泛的应用131基于灰度图像的角点检测 基于梯度的方法基于梯度的方法是通过计算边缘的曲率来判断角点的存在性角点计算数值的大小不仅与边缘强度有关而且与边缘方向的变化率有关该方法对噪声比基于模板的角点检测方法对噪声更为敏感LKchen和ARosedfeld给出了具体的角点检测算子K通过检测K在图像某一领域的极大值来达到提取角点的的该算子为 11它表现为水平面截线上某点的曲率与该点的最大梯度的乘积但田原和梁德群
15、等人指出在最大梯度方向上并不是极大值点而是呈现单调变化的所以在某一个邻域内曲率和该点的最大梯度乘积的极大值并不会出现在角点上因此通过计算基于梯度的算法来确定的角点是不合理的 考虑到角点作为一种重要的信号特征属于图像的细节按照Witkin尺度空间理论该角点应该在较大的尺度空间存在基于小波多尺度分析的角点检测通过提出不同尺度上角点的对应关系准则由大尺度跟踪到小尺度上精确的角点位置设定提取角点的最大尺度梯度阈值和曲率值对图像进行小波变换得到各个尺度上的小波分量利用各个尺度上的小波分量在相应的尺度上提取角点记录这些角点的位置从最大的尺度k开始按照前面所确定的原则寻找较小尺度上的对应角点直到最小的尺度为止清除最小尺度上与上一尺度不对应的点得到最终角点结果针对文献的错误就对某一尺度上的角点检测算法文献指出角点不仅是水平面截线上的曲率极值点也是该点在最大梯度方向上其最大梯度的模达到极大值是满足两个条件的点集的交集基于模板的方法主要考虑像素邻域点的灰度变化即图像亮度的变化将与邻点亮度对比足够大的点定义为角点 较早的直接基于灰度图像角点检测是文献提出的KitchenRosenfeld算法通模板窗口局部梯度幅值和梯度方向的变换率来计算角点度量值 12
