一種改進(jìn)的SUSAN角點(diǎn)檢測(cè)算法

鄭昊 林玉娥

摘要：角點(diǎn)是用來(lái)表示圖像的重要特征，角點(diǎn)檢測(cè)經(jīng)常是復(fù)雜圖像計(jì)算的第一步，所以對(duì)角點(diǎn)檢測(cè)準(zhǔn)確性的要求非常高。因此，提出一種改進(jìn)的SUSAN角點(diǎn)檢測(cè)算法，在進(jìn)行Canny邊緣檢測(cè)后，對(duì)檢測(cè)到的邊緣像素點(diǎn)進(jìn)行SUSAN角點(diǎn)檢測(cè)，再使用歐氏距離使檢測(cè)的角點(diǎn)更加準(zhǔn)確。實(shí)驗(yàn)證明，基于Canny邊緣檢測(cè)的SUSAN角點(diǎn)檢測(cè)算法相比經(jīng)典的Harris角點(diǎn)檢測(cè)算法與SUSAN角點(diǎn)檢測(cè)算法在準(zhǔn)確率上有了明顯的提升。

關(guān)鍵詞：角點(diǎn)檢測(cè);Canny邊緣檢測(cè);SUSAN角點(diǎn)檢測(cè)

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）22-0040-03

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

角點(diǎn)可以保留圖像重要特征，也可以減少信息的數(shù)據(jù)量，提高計(jì)算速度，有利于圖像的實(shí)時(shí)匹配。角點(diǎn)在運(yùn)動(dòng)估計(jì)、目標(biāo)跟蹤、目標(biāo)識(shí)別、圖像配準(zhǔn)與匹配等領(lǐng)域都有很好的應(yīng)用。角點(diǎn)檢測(cè)算法目前主要分成3類：基于灰度圖像的角點(diǎn)檢測(cè)、基于輪廓曲線的角點(diǎn)檢測(cè)、基于二值圖像的角點(diǎn)檢測(cè)。

Moravec于1977年提出了Moravec算法，該算法利用方形窗口檢測(cè)圖片中的每個(gè)像素，通過(guò)比較方形窗口的相關(guān)性檢測(cè)角點(diǎn);H arris在Moravec算法的基礎(chǔ)上進(jìn)行了改進(jìn)[2]，首先使用高斯濾波器對(duì)待檢測(cè)圖片進(jìn)行平滑，接著通過(guò)構(gòu)建自相關(guān)矩陣來(lái)獲取角點(diǎn)。但是H arris只對(duì)L型角點(diǎn)有著較好的檢測(cè)率，對(duì)其他類型角點(diǎn)的檢測(cè)能力一般;張海燕等人將多尺度的概念和圖像分塊方法引入Harris算法中[10]，提高了對(duì)圖像角點(diǎn)的檢測(cè)性能;陳白帆等人在Harris算法中引入了尺度空間理論[11]]，解決了單一尺度Harris角點(diǎn)檢測(cè)存在的丟失角點(diǎn)信息、角點(diǎn)位置不準(zhǔn)確和由于噪聲影響導(dǎo)致提取到偽角點(diǎn)等問題，該方法保持了Harris算法在光照條件下的穩(wěn)定性的同時(shí)可以檢測(cè)出多尺度下的角點(diǎn);王冠群等人則將多尺度空間應(yīng)用在SUSAN角點(diǎn)檢測(cè)算法中[12]，同時(shí)使用了自適應(yīng)閾值，既可以獲得多尺度角點(diǎn)，也改善了使用單一閾值帶來(lái)的誤檢點(diǎn)和漏檢點(diǎn)。

基于邊緣的角點(diǎn)檢測(cè)算法只利用了圖像的邊緣輪廓信息進(jìn)行角點(diǎn)檢測(cè)，圖像的灰度信息卻被忽略了，而基于灰度的角點(diǎn)檢測(cè)算法則大多只使用了圖像的灰度信息。SUSAN算法是一種基于灰度的角點(diǎn)檢測(cè)算法，它的角點(diǎn)檢測(cè)能力較強(qiáng)，但是它的誤檢率也較高，因此本文提出一種既利用到邊緣輪廓信息又利用到灰度信息的Canny-SUSAN算法，該算法在邊緣像素點(diǎn)上進(jìn)行SUSAN角點(diǎn)檢測(cè)，比于原SUSAN算法縮短了運(yùn)算時(shí)間。經(jīng)過(guò)實(shí)驗(yàn)，本文算法相比于Harris算法和SUSAN算法在準(zhǔn)確率上有了較大的提升。

1 Canny邊緣檢測(cè)

JOHN CANNY于1986年首次提出了Canny 邊緣檢測(cè)算法。Canny邊緣檢測(cè)算法有以下5個(gè)步驟：1）使用高斯濾波器平滑待測(cè)圖像。2）計(jì)算待檢測(cè)圖像中各像素點(diǎn)的梯度強(qiáng)度和方向。3）將邊緣檢測(cè)帶來(lái)的雜散響應(yīng)用非極大值抑制消除。4）使用高低閾值對(duì)檢測(cè)到的邊緣進(jìn)行劃分。5）將弱邊緣進(jìn)行抑制。

（1）將待測(cè)圖像用高斯濾波器進(jìn)行平滑

由于部分梯度幅值較大的噪聲點(diǎn)也容易被邊緣檢測(cè)算子誤檢為角點(diǎn)，因此為了減少噪聲對(duì)邊緣檢測(cè)結(jié)果的影響，應(yīng)將噪聲點(diǎn)濾除。使用待檢測(cè)圖像與高斯濾波器進(jìn)行卷積運(yùn)算，以減少邊緣檢測(cè)器上梯度幅值較大的噪聲的影響。高斯濾波器的公式如下：

其中盯為高斯濾波器參數(shù)，控制著平滑程度;f（x，y）為待測(cè)圖像中各點(diǎn)的灰度值。

（2）計(jì)算梯度幅值和方向

Canny邊緣檢測(cè)算法的中心思想是找到一幅圖像中灰度變化率最大（即梯度方向）的位置，變化率越大越可能是邊緣，而變化率的大小是由梯度幅值體現(xiàn)的。Canny邊緣檢測(cè)算法可以使用四個(gè)算子來(lái)檢測(cè)圖像中的水平、垂直和對(duì)角邊緣（如Rob-erts，Prewitt，Sobel等）。經(jīng)過(guò)高斯濾波平滑后的圖像梯度的幅值和梯度方向可以由Sobel算子來(lái)獲得。

其中Gx由水平方向的Sobel算子與經(jīng)過(guò)高斯濾波后的圖像卷積得到;GY由豎直方向的Sobel算子與經(jīng)過(guò)高斯濾波后的圖像卷積得到。

（3）對(duì)幅值圖像進(jìn)行非極大值抑制

（4）雙閾值檢測(cè)

在對(duì)幅值圖像進(jìn)行非極大值抑制處理之后，仍然存在部分受噪聲和顏色變化影響的邊緣像素。這些雜散響應(yīng)可以通過(guò)設(shè)置高低閩值來(lái)解決。

（5）抑制弱邊緣像素點(diǎn)

由于從正確邊緣提取的弱邊緣像素會(huì)連接強(qiáng)邊緣像素，而由雜散響應(yīng)引起的弱邊緣像素則不會(huì)，如果一個(gè)弱邊緣像素的8一領(lǐng)域像素中有一個(gè)為強(qiáng)邊緣像素，則可將該弱邊緣像素定為邊緣像素。

2 SUSAN角點(diǎn)檢測(cè)算子

SUSAN算子由Smith等人于1997年提出。該算子采用如圖1所示的圓形模板在圖像上移動(dòng)，將模板內(nèi)像素點(diǎn)的灰度值與模板中心的灰度值做差，若該灰度差小于一個(gè)閾值，則判定像素點(diǎn)與模板中心處于同一區(qū)域，將該區(qū)域稱為核值相似區(qū)USAN（Univalue-Segment-Assimilating-Nucleus）， SUSAN算子由核值相似區(qū)的面積來(lái)判斷核位置的像素是否為角點(diǎn)。

比如在圖2中，USAN值最大的為e，該圓形模板處于目標(biāo)的背景中;其次為bcd，此時(shí)圓形模板靠近邊緣的位置;而最小的為a，圓形模板位于角點(diǎn)的位置。用于判斷像素點(diǎn)是否屬于USAN區(qū)的公式為：

其中，g為抑制噪聲的幾何閾值。在獲得初始角點(diǎn)響應(yīng)值之后，初始角點(diǎn)響應(yīng)值越大的點(diǎn)越有可能是角點(diǎn)，將其與其8一鄰域內(nèi)的像素點(diǎn)的角點(diǎn)響應(yīng)值進(jìn)行比較，若它是最大的.則可以確定它是一個(gè)角點(diǎn)。

3 改進(jìn)的Canny-SUSAN角點(diǎn)檢測(cè)

由于基于邊緣的角點(diǎn)檢測(cè)算法只利用了圖像的邊緣輪廓信息進(jìn)行角點(diǎn)檢測(cè)，卻沒有利用到圖像的灰度信息，而基于灰度的角點(diǎn)檢測(cè)算法則大多只考慮到圖像的灰度信息，所以這兩種類型的算法都存在一定的局限性。又由于角點(diǎn)處于圖像中各個(gè)邊緣的交匯處，必定處于某個(gè)邊緣上，因此提出一種Can-ny-SUSAN角點(diǎn)檢測(cè)算法，首先對(duì)輸入的待測(cè)圖片使用Canny邊緣檢測(cè)算法進(jìn)行邊緣檢測(cè)，將獲取到的邊緣像素的坐標(biāo)記錄到數(shù)組中。接著對(duì)該數(shù)組中坐標(biāo)對(duì)應(yīng)的像素點(diǎn)使用SUSAN算法進(jìn)行角點(diǎn)檢測(cè)，得到初始角點(diǎn)集合，由于初始角點(diǎn)集合中仍存在一部分冗余點(diǎn)與誤檢點(diǎn)，所以最后還需要對(duì)檢測(cè)到的初始角點(diǎn)進(jìn)行歐氏距離計(jì)算，去除不精確的冗余角點(diǎn)以及誤檢點(diǎn)得到準(zhǔn)確角點(diǎn)。本算法既利用了待測(cè)圖片的邊緣輪廓信息，又利用了待測(cè)圖片的灰度信息，在縮小了范圍的邊緣像素點(diǎn)中進(jìn)行角點(diǎn)檢測(cè)，有效減少了漏檢點(diǎn)和誤檢點(diǎn)，提升了角點(diǎn)檢測(cè)的準(zhǔn)確率。同時(shí)，由于SUSAN算法是針對(duì)待測(cè)圖片的全部像素點(diǎn)進(jìn)行檢測(cè)的，計(jì)算量比較大，而本文算法只對(duì)邊緣像素點(diǎn)進(jìn)行角點(diǎn)檢測(cè)，從而大大減少了檢測(cè)時(shí)間。下面是Canny-SUSAN角點(diǎn)檢測(cè)算法的具體步驟：

1）利用Canny邊緣檢測(cè)器檢測(cè)輸入圖片的邊緣映射;

2）提取步驟1）獲得的邊緣映射;

3）利用SUSAN角點(diǎn)檢測(cè)算法對(duì)圖片邊緣上的每個(gè)像素進(jìn)行角點(diǎn)檢測(cè);

4）計(jì)算邊緣上每個(gè)像素點(diǎn)的角點(diǎn)測(cè)度;

5）邊緣上的每個(gè)點(diǎn)和其8一鄰域內(nèi)的點(diǎn)的角點(diǎn)測(cè)度進(jìn)行比較，精確確定角點(diǎn);

6）將確定的每個(gè)角點(diǎn)和其他角點(diǎn)進(jìn)行歐氏距離的測(cè)量，將歐氏距離小于閾值n的劃為一個(gè)集合，將集合中的點(diǎn)像素的行和列求均值后作為最終角點(diǎn)的位置。

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文方法在角點(diǎn)檢測(cè)準(zhǔn)確率上的改進(jìn)，選取特征點(diǎn)明顯的棋盤圖片進(jìn)行角點(diǎn)檢測(cè)實(shí)驗(yàn)。實(shí)驗(yàn)使用Harris算法、SUSAN算法與Canny-SUSAN算法分別對(duì)棋盤圖片和順時(shí)針旋轉(zhuǎn)45。后的棋盤圖像進(jìn)行角點(diǎn)檢測(cè)。在SUSAN算法和Canny-SUSAN算法閾值的選取上，經(jīng)過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)閾值t選擇40時(shí)，獲得的正確點(diǎn)數(shù)偏多，冗余點(diǎn)和誤檢點(diǎn)偏少;閾值g仍然選擇2/3max（usan）。以下所有仿真實(shí)驗(yàn)中，SUSAN算法與本文算法皆按照以上參數(shù)設(shè)定，Harris角點(diǎn)檢測(cè)器的參數(shù)為其默認(rèn)設(shè)置。

根據(jù)圖4和表1的檢測(cè)結(jié)果可知，對(duì)于圖3（a），SUSAN算子和本文方法檢測(cè)到的正確角點(diǎn)比Harris算子多，本文方法檢測(cè)到的正確角點(diǎn)比SUSAN算子檢測(cè)到的正確角點(diǎn)略少，說(shuō)明本文方法與SUSAN算子檢測(cè)能力相當(dāng)。而使用本文方法進(jìn)行角點(diǎn)檢測(cè)的準(zhǔn)確率比Harris算子高出26.29%，比SUSAN算子高出19.71%。上述數(shù)據(jù)表明，本文方法比Haaris算子和SUSAN算子具有更高的準(zhǔn)確率。

根據(jù)圖5和表2的檢測(cè)結(jié)果可知，對(duì)于圖3（b），Harris算法、SUSAN算法與本文算法檢測(cè)到的正確角點(diǎn)個(gè)數(shù)大致相當(dāng)。但是本文方法檢測(cè)角點(diǎn)的準(zhǔn)確率比Harris算子高出21.71%，比SUSAN算子高出15.56%。這表明本文方法對(duì)于發(fā)生旋轉(zhuǎn)變換后的待測(cè)圖片仍具有良好的檢測(cè)性能。

5 結(jié)論

針對(duì)SUSAN角點(diǎn)檢測(cè)算法檢測(cè)的角點(diǎn)中冗余點(diǎn)和誤檢點(diǎn)較多的問題，本文提出了一種基于Canny邊緣檢測(cè)的SUSAN角點(diǎn)檢測(cè)算法，首先對(duì)圖片進(jìn)行邊緣檢測(cè)，再對(duì)檢測(cè)到的邊緣點(diǎn)進(jìn)行角點(diǎn)檢測(cè)，最后對(duì)檢測(cè)到的角點(diǎn)進(jìn)行二次篩選，確定最終角點(diǎn)。傳統(tǒng)的角點(diǎn)檢測(cè)算法往往只是基于邊緣輪廓或者基于灰度的，本算法結(jié)合了兩種方法，既利用了邊緣輪廓也利用了灰度信息，只對(duì)邊緣像素點(diǎn)進(jìn)行角點(diǎn)檢測(cè)也減少了算法所需要的時(shí)間，再用歐氏距離過(guò)濾掉一部分偽角點(diǎn)，提高了角點(diǎn)檢測(cè)的準(zhǔn)確率。從對(duì)原始圖片和旋轉(zhuǎn)圖片的檢測(cè)結(jié)果來(lái)看，本文算法的角點(diǎn)檢測(cè)準(zhǔn)確率均優(yōu)于H arris算法和SUSAN算法。但是，由本文方法檢測(cè)到的正確角點(diǎn)數(shù)目不夠充足，下一步將針對(duì)這一點(diǎn)進(jìn)行改進(jìn)。

參考文獻(xiàn)：

[1] Li J，Allinson N M.A comprehensive review of current local fea-tures for computer vision[J].Neurocomputing，2008，71（10/11/12）：1771-1787.

[2] Harris C，Stephens M.A combined corner and edge detector[C]//Procedings of the Alvey Vision Conference 1988. Manchester.Alvey Vision Club， 1988： 147-151.

[3]章毓晉.圖象工程一上冊(cè)一圖象處理和分析[M].北京：清華大學(xué)出版社，1999.

[4] Canny J.A computational approach to edge detection[J].IEEETransactions on Pattern Analysis and Machine Intelligence，1986，PAMl- 8（6）：679-698.

[5] Schmid C，Mohr R，Bauckhage C Evaluation of interesting pointdetectors [J]. International Journal of Computer Vision， 2000，37（2）：151-172.

[6]張海燕，李元媛，儲(chǔ)晨昀，基于圖像分塊的多尺度H arris角點(diǎn)檢測(cè)方法[Jl.計(jì)算機(jī)應(yīng)用，201 1，31（2）：356-357.

[7]何海清，黃聲享，改進(jìn)的Harris亞像素角點(diǎn)快速定位[J].中國(guó)圖象圖形學(xué)報(bào)，2012，17（7）：853-857.

[8]鄭永斌，黃新生，豐松江.SIFT和旋轉(zhuǎn)不變LBP相結(jié)合的圖像匹配算法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2010，22（2）：286-292.

[9]章為川，程冬，朱磊.基于各向異性高斯核的多尺度角點(diǎn)檢測(cè)[J].電子測(cè)量與儀器學(xué)報(bào)，2012，26（1）：37-42.

[10]張海燕，李元媛，儲(chǔ)晨昀，基于圖像分塊的多尺度Harris角點(diǎn)檢測(cè)方法[Jl.計(jì)算機(jī)應(yīng)用，2011，31（2）：356-357.

[11]陳白帆，蔡自興.基于尺度空間理論的Harris角點(diǎn)檢測(cè)[J].中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2005，36（5）： 45-47.

[12]王冠群，馬苗，張艷寧，等.基于高斯變換的多尺度SUSAN角點(diǎn)檢測(cè)方法[J].計(jì)算機(jī)工程與應(yīng)用，2016，52（12）：184-188.

【通聯(lián)編輯：唐一東】

作者簡(jiǎn)介：鄭昊（1995-），男，安徽淮南人，碩士研究生，研究方向：圖像處理;林玉娥，安徽理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院副教授，博士，主要研究方向?yàn)槟Ｊ阶R(shí)別和圖像處理。