基于SUSAN原理的黃河模型角點檢測*

李賀林，趙建軍

(河南大學先進控制與智能信息處理研究所，河南開封475001)

角點特征是圖像的重要特征，可以定義為:兩條或多條邊界的鏈接點。在各種圖像特征中，角點具有旋轉不變和不隨光照條件變化改變而變化的優(yōu)點。用角點作為特征點，不但減少了參與計算的數(shù)據(jù)量，而且又不丟失圖像的灰度信息［1］。利用角點特征進行匹配可以大大提高匹配的速度［2］。角點作為輸入可應用3D建模，尤其在實時處理中有很高的應用價值。在實體黃河模型的實驗中，河深的測量是其中重要的一個方面，深度測量實現(xiàn)的關鍵技術在于特征提取和特征匹配，對黃河模型來說，要測量河面到測量點的距離，第一步就是要在河面上提取體特征和特征匹配;因此，河面的邊緣特征提取成了研究的重點。而角點又是邊緣的特殊點，邊緣檢測是圖像處理的最基本內容，是提取特征和特征匹配的第一步，為后續(xù)的物體識別與三維重建提供了重要信息。為此，我們在岸上或是水里放置方形的標示物，用距離河岸一定距離并在同一直線上的兩攝像機拍攝左右兩張圖片。為了測量水深，就要測量河岸或水面到攝像機的距離，為此我們把標示物上的角點作為特征點來檢測和匹配，就能實現(xiàn)測量目的。經(jīng)典的檢測方法如Robert，Sobel，Canny等方法，都是對原始圖像中像素的小鄰域構造檢測算子，進行微分運算，求得梯度最大值或二階導數(shù)的過零點，最后選取適當?shù)拈撝祦硖崛　Ｋ惴ㄉ婕疤荻鹊倪\算，因此均存在對噪聲敏感，計算量復雜等缺點。在實踐中，發(fā)現(xiàn)SUSAN算法只基于對周邊像素的灰度比較，完全不涉及梯度運算，對局部噪聲不敏感;具有算法簡單，定位準確，抗噪能力強等特點。適于含噪圖像邊緣和角點檢測，所以本文選擇了SUSAN算法來提取黃河模型的角點信息。

1SUSAN算法

1.1 SUSAN特征檢測基本原理

SUSAN算法是由Smith和Brady首先提出的［3］。其算法的基本依據(jù)是圖像中同一特征區(qū)域的內部特征(通常指灰度值)是一致或相近的。在介紹SUSAN方法前首先介紹USAN區(qū)域定義。

如圖1所示，用一個圓形模板在圖像上移動，若模板內像素灰度與模板中心像素(稱為核)灰度的差值小于一定閾值，就認為該點與核具有相同或相近的灰度。由滿足這樣條件的像素組成的區(qū)域稱為吸收核值相似區(qū)USAN。圖像中平坦區(qū)域像素點USAN面積最大，邊緣點次之，角點處最小。其中角點越尖，USAN區(qū)域面積越小?？梢钥闯霎攬A形模板完全處在圖像或背景中時，USAN區(qū)域面積最大(如圖1中的1和2);當模板移向圖像邊緣時，USAN區(qū)域逐漸變小(如圖1中4);當模板中心處于邊緣時，USAN區(qū)域很小(如圖1中的3);當模板的中心位于角點時，USAN區(qū)域最小(如圖1中的5)。通過計算圖像中每一個像素的USAN值，設定一個USAN閾值，查找小于閾值的像素點，即可確定角點。

圖1 SUSAN特征檢測原理

1.2SUSAN 算法

對整幅圖像中的所有像素，用圓形模板進行掃描，比較模板內每一像素與中心像素的灰度值，通過與給定的閾值比較，來判別該像素是否屬于USAN區(qū)域，如下式:

式(1)中c(x，y)為模板內屬于USAN區(qū)域的像素的判別函數(shù);I(x0，y0)是模板中心像素(核)的灰度值;I(x，y)為模板內其任意像素的灰度值;t是灰度差門限。圖像中每一點的USAN區(qū)域大小可用下式表示:

得到每個像素的USAN值以后，再與預先設定的門限進行比較，當n(x，y)＜g時，可以認為所檢測到的像素位置(x，y)是一個角點。下式來產(chǎn)生角點初始響應:

由式(3)得到的角點初始響應值大小符合SUSAN原理，即SUSAN區(qū)越小，初始角點響應就越大.而且為產(chǎn)生各向同性的角點響應。

2 改進的SUSAN算法

2.1 比較函數(shù)和自適應閾值t的選取方法

為了更為精確地檢測，在實際應用中通常對式(1)采用下面更穩(wěn)定、更有效的相似比較函數(shù):

理論和試驗證明，指數(shù)取6時，錯誤的否定和錯誤的肯定的概率最?。?］。門限t表示所能檢測邊緣的最小對比度，也是能忽略噪聲的最大容限。它主要決定了能夠提取的特征數(shù)量。t越小，從對比度越低的圖像中提取角點特征越清晰，而且提取的特征也越多。因此對于不同對比度和噪聲情況的圖像，應取不同的t值。然而一個好的算法，門限的取值不應該依賴于人為的干涉，而應根據(jù)不同條件自動給出最優(yōu)值。通過對圖像灰度值和對比度進行分析，提出不同圖像對比度下t的自適應取值方法。即

式中，Iimax，Iimin分別代表圖像中最大的i個灰度值和最小的i個灰度值。經(jīng)實驗驗證，角點檢測時，t為ΔI的(ΔI=Iimax－Iimin在目標和背景均勻情況下，ΔI為圖像的絕對對比度)20%左右時，能夠較好地提取不同對比度下的邊緣特征，m一般取圖像中總像素的千分之一。

2.2 幾何閾值g的選取方法

在傳統(tǒng)的SUSAN算法中，幾何閾值g是一個上限閾值。只要當前點的USAN面積小于g，就將當前點檢測為角點。這樣的閾值，會將孤立的噪聲點檢測為角點，因為一個孤立噪聲點的USAN面積為零。也會將一些細長線段上的多個點當作角點檢測出來，因為這些點的USAN區(qū)域都比較小。有些過于尖銳的三角區(qū)域，易受干擾，有時候并不是感興趣的點，也易被檢測。

為了解決這個問題，考慮一種采用上下限的幾何閾值。將式(3)的響應函數(shù)改為:

其中g2是幾何閾值的上限，閾值g2決定了角點的USAN區(qū)域的最大值，g2過大時，角點附近的像素可能作為角被提取出來;過小則會漏檢部分角點。當UNSAN區(qū)域小于此門限時，才認為當前點是角點，與式(3)中的g作用一致。實驗證明，角點提取時g=1nmax/2時［5］(nmax為模板的最大USAN值)，可以較好地提取出角點，g1是幾何閾值的下限，只有當USAN區(qū)域大于此閾值時，才認為當前點是角點，否則，當作噪聲丟棄。通過下門限g1的設置，可以非常簡單有效地把像素點數(shù)小于g1的噪聲去除。門限t的選取確定了所能檢測角點的最小對比度和能忽略噪聲的最大容限。

SUSAN算法的大致流程圖如圖2所示。

圖2 改進SUSAN算法流程圖

3 仿真實驗

SUSAN原則中的模板采用近似圓，以使檢測達到各向同性。模板較小時，如果門限選取不恰當，可能會發(fā)生角點漏檢的情況。模板也不宜取得太大，否則會增大運算量。通常可取7×7像素模板。本文采用半徑為R=3.4的近似圓形模板，即37像素模版。

圖3(1)原始圖像(2)原SUSAN算法(3)改進SUSAN算法

我們用matlab7.0作為實驗平臺進行了仿真實驗。經(jīng)過仿真驗證，設定原來的SUSAN算法的幾何閾值g=20，改進的算法g1=7，g2=20這樣是比較合適的。小噪聲和細小線段上的點被剔除，角點提取清晰，細致，定位精確。傳統(tǒng)的canny算法和本文改進的SUSAN算法對黃河模型圖像提取角點后作對比，從提取的圖上可以很直觀地看出(見圖3)，和原SUSAN算法比較，改進的SUSAN算法提取角點，定位精確，消除了一些虛假角點，不必要的噪聲被剔除。這對下一步立體匹配創(chuàng)造了條件。

4 結論

上述改進的SUSAN角點提取算法，一是用自適應灰度差閾值和上下限幾何閾值替代經(jīng)典算法中的閾值，避免了將孤立噪聲點和細線段上的點被誤檢測為角點的情況;去噪性能好，計算量小，定位準確。二是通過增加邊緣像素的對比度，從而使圖像邊界細致，區(qū)分度高。此效果優(yōu)于原算法，但幾何閾值的選取方法，需要具體的實驗驗證，運行的時間較長一些。所以如何提高運算的效率將是下一步需要進行的工作。

［1］SHEN F，WNAG H.Real Time Gray Level Corner Detector［J］.Pattern Rection it ion Letters，2002，23(8):1－6.

［2］Harris C，Stephens M.A Combined Corner and Edge Detector［C］.Proc.4th Alvey Vision Conf，1988.

［3］SMITH S M，BRADY J M.SUSAN-A New Approach to Low Level Image Processing［J］.Journal of Computer Vision，1997，23(1):45 －78.

［4］魏光杏，吳錫生.新型邊緣檢測法［J］.計算機工程與設計，2007，28(4):882 －883，887.

［5］翁木云，何明一.圖像綜合特征及其在圖像檢測與匹配中的應用［J］.中國圖像圖形學報，2007，12(1):121－126.