首頁 >
				文章中心 >
				
				正文
			
          
		
          
		
		
          
			
          
				
				
				
          
					
          
						
          改進SUSAN角點檢測算法
          
						
						
						
						
						
          
						
						
					
          					
					 
           
          前言：本站為你精心整理了改進SUSAN角點檢測算法范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。
           
          改進SUSAN角點檢測算法
           
          摘要提出了一種改進的susan角點檢測算法，在原有的SUSAN算子的基礎上，針對原算子需要人為的提供閾值的不便，提出了一種自動閾值的檢測方法。同時，在角點檢測完成后，根據角點的形狀特點，進一步的對角點進行了判斷，提高了角點的識別效果。
           
          關鍵詞角點檢測；SUSAN算法；角點形狀；自適應閾值
           
          0引言
           
          SUSAN算法是1997年英國牛津大學的Smith等人提出的一種處理灰度圖像的方法。探測算子的基本原理是：與每一圖像點相關的局部區域具有相同的亮度。下面介紹SUSAN角點檢測準則。
           
          1SUSAN算子
           
          將位于圓形窗口模板中心等待檢測的象素點稱為核心點。假設圖像中無紋理存在，稱與核心點具有一樣的灰度值的區域為USAN（UnivalueSegmentAssimiltingNucleus）。圖(1)給出了USAN的三種典型形狀：
           
          (a)核心點在USAN內(b)核心點是邊緣點(c)核心點是角點
           
          圖(1)
           
          由圖(1)可以清楚的看到，當核心點位于USAN區域內時，USAN區域面積最大；當核心點位于邊緣時，USAN區域相當于整個領域面積的一半；當核心點的USAN區域最小時，核心點是角點。利用這個原理，Smith等人提出了最小核心值相似區域(SUSAN，SmallestUnivalueSegmentAssimilatingNucleus)的角點檢測算法。
           
          SUSAN算子使用的是圓形模板進行角點檢測，一般使用的模板的半徑為3~4個像素，如圖(2)所示。
           
          圖(2)SUSAN圓形模板
           
          將模板中的各點亮度與核心點的亮度利用下面的函數進行比較，
           
          (1)
           
          在上式中為圖像中像素的灰度值，t為灰度差別的閾值，為模板中心的像素，為其他的像素，C為比較函數。模板中所有的像素都用這個函數進行比較，然后計算出函數C的和值n。
           
          (2)
           
          和值n就是USAN(univaluesegmentassimilatingnucleus)區域的像素個數，就是USAN區域的面積，然后把這個面積和幾何閾值進行比較，得到最后的響應函數：
           
          (3)
           
          上式中，R為響應函數，g為閾值，通常在探測角點時取值為1/2模板的像素個數，當采用7×7的模板時，g=37×1/2。
           
          2SUSAN算子的改進算法
           
          通常在實際的應用中，對于比較函數我們通常采用下面的比較函數：
           
          (4)
           
          采用這個函數可以使比較函數具有更好的穩定性，當圖像中的像素亮度值有很小的變化后，對于c的取值不會產生很大的影響。
           
          灰度差別閾值t能夠體現出算法檢測到的角點的最小對比度，同時該值也是忽略噪聲的最大值。它的大小決定了在不同的對比度圖像中提取特征值的多少，因此，對于不同的對比度和噪聲的圖像，取值t應該不同，從而達到最好的提取效果。
           
          本文提出了一種灰度差別閾值的自適應提取算法，其提取公式如下：
           
          (5)
           
          上式中，l為采用大律法計算圖像的閾值，Ii為圖像的灰度值。
           
          3角點的進一步篩選
           
          角點的形狀大致可以分為以下幾種：L型，T型，Y型，X型等等，如圖(3)所示。
           
          L型T型Y型X型
           
          圖(3)角點的形狀
           
          定義如圖(4)所示的模板，如果中心點在a、b、c、d的四個方向上只有一個方向灰度值變化不大，那么該點則肯定不是角點，應該排除在外。應用這個原理，對上面找出的角點進行進一步的篩選，可以提高角點的準確性。可以利用式(6)進行篩選。
           
          圖(4)角點篩選模板
           
          (6)
           
          上式中，I表示圖像中像素的灰度值，t為閾值。由于本例是采用Matlab進行的檢測試驗，因此圖像的原點定義在圖像的左上角。通過試驗證明，采用該方法，可以進一步的提高角點的檢測精度。
           
          參考文獻
           
          1SMITHSM，BRADYM．SUSAN——Anewapproachtolowlevelimageprocessing[J]．InternationalJaurnalofComputerVision，1997，23(1)：4578
           
          2SHENF，WNAGH．Realtimegraylevelcomerdetector[J]．PatternRectionitionLetters，2002，23(8)：1—6
           
          3MORAVECHP．Towardsautomaticvisualobstacleavoidance[A]．ProceedingofInternationalJointConferenceonArtificialIntelligence[C]．Cambrige，Britain，1997
           
          4何凱[D].角點特征提取及匹配方法研究.碩士.河海大學，2005.6.1
           
          5楊莉，張弘，李玉山[J].一種快速自適應RSUSAN角點檢測算法.計算機科學,2004(5):198-200
           
          6邵澤明,朱劍英,王化明[J].基于SUSAN算法的分層快速角點檢測.華南理工大學學報（自然科學版）,2006(7):65-58
           
          7D.Hanselman,B.Littlefield.精通Matlab6[M]北京：清華大學出版社，2002.6
           
          8姚敏等.數字圖像處理[M].北京：機械工業出版社，2006.1