基于模板核灰度的Susan特征向量匹配算法*

王仁麗　代月明

(徐州工程學(xué)院信電學(xué)院　徐州　221018)

?

基于模板核灰度的Susan特征向量匹配算法*

王仁麗代月明

(徐州工程學(xué)院信電學(xué)院徐州221018)

Susan算子是一種基于灰度的特征點(diǎn)獲取方法,適用于圖像中邊緣的檢測(cè)、角點(diǎn)的檢測(cè),論文研究了圖像旋轉(zhuǎn),圖像平移和閾值大小對(duì)Susan特征點(diǎn)匹配的影響。結(jié)果表明,圖像旋轉(zhuǎn)和圖像平移對(duì)特征點(diǎn)的影響不大。當(dāng)閾值變小時(shí),匹配特征點(diǎn)的效果變佳。該方法處理圖像容易實(shí)現(xiàn),對(duì)噪聲的處理能力強(qiáng)。而且檢測(cè)目標(biāo)的速度較快,比較適合應(yīng)用于圖像特征提取中。

Susan算子; 特征向量; 特征點(diǎn)匹配

Class NumberTP301.6

1　引言

圖像特征點(diǎn)可以應(yīng)用在計(jì)算機(jī)視覺、模式識(shí)別、三維重建等多個(gè)領(lǐng)域,圖像特征點(diǎn)匹配也被廣泛應(yīng)用在圖像配準(zhǔn)、圖像拼接、圖像復(fù)原等技術(shù)中,因此,對(duì)圖像特征點(diǎn)的檢測(cè)與匹配的研究也就有著重要的意義[1～3]。

如圖1所示,將一全黑色填充的長(zhǎng)方形A布置于白色底板的背景上,其中,1、2、3、4、5、6為放置于圖像不同位置的六個(gè)圓形的模板。稱每個(gè)模板的中心為模板的“核”。模板中的所有像素點(diǎn)的灰度都與中心核的灰度相同或灰度相似,稱這些相同或相似灰度的像素所構(gòu)成的整個(gè)區(qū)域?yàn)椤癠SAN”。由圖1可以看出,USAN區(qū)域包含了與圖形結(jié)構(gòu)所相關(guān)的重要的信息,在灰度平坦的區(qū)域內(nèi),如圖1中模板1和6所示,模板中的所有像素點(diǎn)的灰度都與中心核的灰度相同,因此USAN區(qū)域取最大值。圓形模板越靠近圖形邊緣,USAN區(qū)域越小,如圖1中模板5>4>3>2。

當(dāng)模板的中心位于圖像邊緣時(shí),USAN區(qū)域?yàn)樽畲笾档囊话?如圖1中模板3,當(dāng)模板靠近角點(diǎn)時(shí),USAN區(qū)域進(jìn)一步減小為最大值的四分之一,如圖1中模板5。圖像邊緣越尖銳,得到的USAN區(qū)域越小。因此,通過對(duì)USAN區(qū)域的大小的判斷,就可以判斷得出圖像的重要信息。尋找特定圖像的邊緣點(diǎn)或角點(diǎn),就是反復(fù)搜索尋求一系列的小于一定的閾值的USAN極小點(diǎn),即搜索最小化同化核分割相同值[4～5]。

圖1　USAN模板

2　Susan算法

首先,構(gòu)造一個(gè)用于特征點(diǎn)檢測(cè)的圓形模板,圓形模板一般近似用點(diǎn)陣來(lái)表示。例如,半徑大小為3～4個(gè)像素的圓近似用37個(gè)點(diǎn)的點(diǎn)陣表示。如圖2所示,該7×7點(diǎn)陣各行的像素點(diǎn)個(gè)數(shù)依次為{3,5,7,7,7,5,3}。用于檢測(cè)的模板除了圓形以外也可以使用矩形或者菱形表示。一般情況下,大多都采用三十七點(diǎn)點(diǎn)陣的圓形模板,如圖2所示[6～9]。

圖2　Susan圓形模板

構(gòu)造了圓形模板以后,讓圓形模板通過圖像上的所有點(diǎn)。通過判斷圓形模板覆蓋區(qū)域內(nèi)點(diǎn)的灰度與模板中心“核”的灰度的相似度,求取圖像USAN值。求相似度所采用的判式如下：

(1)

(2)

將n值和一個(gè)事先設(shè)定的固定閾值g值比較,于是,可以得到Susan算子檢測(cè)圖像邊緣的響應(yīng)值R：

(3)

為了取得更好和更穩(wěn)定的結(jié)果,將式(1)改寫為

(4)

圖3為Susan算法的流程圖。

圖3　Susan算法流程圖

3　實(shí)驗(yàn)分析

圖4顯示了Susan特征點(diǎn)的基本特點(diǎn),檢測(cè)得到的角點(diǎn)多數(shù)分布于圖像的邊緣。實(shí)驗(yàn)中,通過對(duì)圖像進(jìn)行加噪處理,研究算法的抗噪性能;同時(shí)對(duì)圖像進(jìn)行了旋轉(zhuǎn)和平移,研究對(duì)特征向量匹配Susan的影響;以及閾值改變時(shí),研究對(duì)特征向量匹配Susan的影響。

3.1圖像加噪

圖5顯示了圖像加噪聲時(shí)Susan算子提取特征點(diǎn)的情況。因?yàn)镾usan算法沒有進(jìn)行微分運(yùn)算,所以這種算法抗噪性能比較好。試驗(yàn)也表明,在圖像加噪前后,檢測(cè)的特征點(diǎn)個(gè)數(shù)相差較大,說明它對(duì)噪聲比較敏感,但在多數(shù)噪聲點(diǎn)處,Susan算法并沒有將孤立的噪聲點(diǎn)當(dāng)作特征點(diǎn)檢出,說明了它具有較好的抗噪性。

圖4　Susan特征點(diǎn)

3.2Susan特征向量匹配

特征向量的生成：如圖6所示,以特征點(diǎn)為中心取17×17像素大小的鄰域,將特征點(diǎn)四鄰域方向外的4個(gè)大區(qū)域總共劃分為4×4個(gè)子區(qū)域,對(duì)每個(gè)子區(qū)域利用式(5)和式(6)計(jì)算梯度方向直方圖,最后對(duì)每個(gè)子區(qū)域各自的8個(gè)方向依次排列,這樣就構(gòu)成了該特征點(diǎn)128維的特征向量。式(5)是梯度方向模值,式(6)是梯度方向角。

圖5　噪聲對(duì)Susan提取的影響

(5)

(6)

圖6　劃分子區(qū)域

計(jì)算兩幅圖像所有特征點(diǎn)的特征向量的歐式距離,求出最小距離與次小距離的比值,滿足小于閾值條件時(shí)則認(rèn)為這兩個(gè)點(diǎn)為匹配點(diǎn),同時(shí)對(duì)最小距離也做了限制,當(dāng)滿足某一條件時(shí)才可以看作是匹配點(diǎn)。

圖7顯示了特征向量匹配法對(duì)Susan特征點(diǎn)匹配的情況。匹配結(jié)果見表1,可以看出,對(duì)圖像出現(xiàn)大角度旋轉(zhuǎn)的情況,特征向量匹配法對(duì)Susan特征點(diǎn)匹配的效果不錯(cuò)。

圖7　圖像旋轉(zhuǎn)對(duì)特征向量匹配Susan的影響

從表1中,可以看出,對(duì)圖像出現(xiàn)大角度旋轉(zhuǎn),90°～180°,誤匹配率均為0。特征向量匹配法對(duì)Susan特征點(diǎn)匹配的效果不錯(cuò)。

表1　圖像旋轉(zhuǎn)對(duì)特征向量匹配Susan的影響

3.3圖像平移

圖8顯示了圖像平移對(duì)特征向量匹配Susan特征點(diǎn)的影響。對(duì)圖(a)、(b)、(d)、(e)分別提取Susan特征點(diǎn),其中圖(b)是圖(a)向右平移得到的,圖(e)是圖(d)右移得到的。由匹配結(jié)果可知圖像平移對(duì)特征向量匹配Susan點(diǎn)的影響不大。

圖8　圖像平移對(duì)特征向量匹配Susan的影響

從表2中,可以看出,對(duì)兩組圖形分別進(jìn)行平移,誤匹配率均為0。特征向量匹配法對(duì)Susan特征點(diǎn)匹配的效果不錯(cuò)。

表2　圖像平移對(duì)特征向量匹配Susan的影響

3.4不同閾值對(duì)匹配的影響

圖9顯示了閾值變化對(duì)特征向量匹配Susan特征點(diǎn)的影響,結(jié)果在表5中給出。由表3可知,當(dāng)閾值變小時(shí),特征向量匹配Susan特征點(diǎn)的效果變佳,誤匹配的點(diǎn)消失。最后給出了匹配不正確時(shí)圖像簡(jiǎn)單拼接的結(jié)果和準(zhǔn)確匹配時(shí)圖像拼接的結(jié)果。

圖9　不同閾值對(duì)特征向量匹配Susan的影響

閾值匹配正確匹配錯(cuò)誤誤匹配率0.882250.6%0.580500

4　結(jié)語(yǔ)

實(shí)驗(yàn)數(shù)據(jù)表明,Susan特征點(diǎn)多分布于圖像的邊緣上,是一種適合檢測(cè)邊緣拐點(diǎn)的算法,Susan算法檢測(cè)到的點(diǎn)全是在圖像邊緣,沒有局部極值的概念,在一定區(qū)域內(nèi)檢測(cè)到的特征點(diǎn)會(huì)比較多,特征向量匹配法在圖像發(fā)生大角度旋轉(zhuǎn)時(shí)能夠完成非常準(zhǔn)確的匹配,Susan特征點(diǎn)有著較好的抗噪性,它具有方法簡(jiǎn)單、有效、抗噪聲能力強(qiáng)的特點(diǎn),計(jì)算速度快,適用于圖像特征提取,該算法實(shí)用和有效。

[1] 羅忠亮.基于改進(jìn)SUSAN算子的圖像邊緣檢測(cè)算法[J].重慶工學(xué)院學(xué)報(bào)(自然科學(xué)版),2009,23(5)：102-106.

LUO Zhongliang. Image Edge Detection Algorithm Based on Improved SUSAN Operator[J]. Journal of Chongqing Institute of Technology(Natural Science),2009,23(5)：102-106.

[2] 郭峰,王道平,韓溟.基于改進(jìn)邊緣檢測(cè)算子的圖像特征點(diǎn)提取算法[J].電子科技,2011,24(9)：9-11.

GUO Feng, WANG Daoping, HAN Ming. Algorithm for Image Interesting Point Detection Based On Improved SUSAN Operator[J]. Electronic Science and Technology,2011,24(9)：9-11.

[3] 趙志華,蔡健榮,趙杰文,等.SUSAN算子在蘋果圖像缺陷分割中的應(yīng)用研究[J].計(jì)算機(jī)工程,2004,30(15)：141-142,194.

ZHAO Zhihua, CAI Jianrong, ZHAO Jiewen, et al. Research of Defect Segmentation on Apple Image Using SUSAN Operation[J]. Computer Engineering,2004,30(15)：141-142,194.

[4] 曹新明,何榮譽(yù).改進(jìn)型SUSAN算子在零件視覺測(cè)量系統(tǒng)中的應(yīng)用[J].微計(jì)算機(jī)信息,2010,26(3)：108-109.

CAO Xinming, HE Rongyu. Research of components vision measurement system based on improved of SUSAN[J]. Microcomputer Information,2010,26(3)：108-109.

[5] 楊幸芳,黃玉美,李艷,等.基于改進(jìn)的SUSAN算子的棋盤格亞像素角點(diǎn)檢測(cè)算法[J].中國(guó)機(jī)械工程,2010,21(21)：2541-2545.

YANG Xingfang, HUANG Yumei, LI Yan, et al. Sub-pixel Corner Detection Algorithm of Chessboard Image Based on Improved SUSAN Operator[J]. China Mechanical Engineering,2010,21(21)：2541-2545.

[6] 賀菁,李慶華,王新賽.基于方向性SUSAN算子的圖像角點(diǎn)特征提取[J].小型微型計(jì)算機(jī)系統(tǒng),2008,29(3)：508-510.

HE Jing, LI Qinghua, WANG Xinsai. Corner Features Extraction of Image Based on Orientation SUSAN Operator[J]. Journal of Chinese Computer Systems,2008,29(3)：508-510.

[7] 曾俊,李德華.彩色圖像SUSAN邊緣檢測(cè)方法[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(15)：194-196.

ZENG Jun, LI Dehua. SUSAN Edge Detection Method for Color Image[J]. Computer Engineering and Applications,2011,47(15)：194-196.

[8] 詹曙,孫喬博,徐甲甲,等.融合SUSAN特征的醫(yī)學(xué)圖像Graph Cuts算法[J].電子測(cè)量與儀器學(xué)報(bào),2013,27(6)：509-514.

ZHAN Shu, SUN Qiaobo, XU Jiajia, et al. Graph Cuts segmentation algorithm with SUSAN feature of medical image[J]. Journal of Electronic Measurement And Instrument,2013,27(6)：509-514.

[9] 王瑞,楊潤(rùn)澤,尹曉春,等.一種改進(jìn)的SUSAN算子棋盤格角點(diǎn)亞像素檢測(cè)算法[J]. 計(jì)算機(jī)與現(xiàn)代化,2012(1):64-66.

WANG Rui, YANG Runze, YIN Xiaochun, et al. Sub-pixel Corner Detection Algorithm of Chessboard Image Based on Improved SUSAN Operator[J]. Computers and Modernization,2012(1):64-66.

[10] 徐宇貴,沈民奮,張瓊,等.自適應(yīng)SUSAN擴(kuò)散的超聲圖像去噪算法[J].電子測(cè)量與儀器學(xué)報(bào),2012,26(4)：331-337.XU Yugui, SHEN Minfen, ZHANG Qiong, et al. Adaptive Speckle Reduction Algorithm for Ultrasound Image Based on SUSAN Diffusion[J]. Journal of Electronic Measurement and Instrument,2012,26(4)：331-337.

Matching Algorithm Based on Susan Feature Vector of Gray Template

WANG RenliDAI Yueming

(Information and Electric Engineering, Xuzhou Institute of Technology, Xuzhou221018)

Susan operator is a method of obtaining feature points based on gray,and widely used to detect the image edges and corners. The effect of image rotation,image translation and threshold size on matching of Susan feature point is studied in the paper. The results show that image rotation and translation have little effect on the matching. When the threshold becomes smaller,the matching effect becomes better. This method is simple to implement,fast processing speed,high noise immunity and so on,especially suitable for image feature extraction.

Susan operator, feature vector, feature point matching

2016年4月8日,

2016年5月28日

王仁麗，女，博士，講師，研究方向：電力電子技術(shù)及其應(yīng)用。代月明，女，碩士，教授，研究方向：信號(hào)與圖像處理。

TP301.6

10.3969/j.issn.1672-9722.2016.10.040