基于改進(jìn)邊緣檢測(cè)算子的圖像特征點(diǎn)提取算法

郭 峰 ，王道平，韓 溟

(第二炮兵工程學(xué)院電工電子技術(shù)教研室，陜西西安 710025)

目前，關(guān)于興趣點(diǎn)并沒(méi)有統(tǒng)一的定義[1-3]，如:兩條或兩條以上邊緣相交的點(diǎn);邊緣上具有局部最大曲率并且曲率大于一定閾值的點(diǎn);圖像中梯度值和梯度變化都很大的點(diǎn);各個(gè)方向亮度變化均足夠大的點(diǎn)。正是因?yàn)閷?duì)于興趣點(diǎn)有不同的理解和定義，才造成了興趣點(diǎn)檢測(cè)算法的多樣性[4]。典型的幾種興趣點(diǎn)有SUSAN興趣點(diǎn)檢測(cè)算法、CSS興趣點(diǎn)檢測(cè)算法、PCD興趣點(diǎn)檢測(cè)算法等。

1 SUSAN興趣點(diǎn)檢測(cè)算法

SUSAN[5](Smallest Univalue Segment Assimilating Nucleus)算法由Smith和Brady于1996年提出。算法是基于同核分割USAN概念提出來(lái)的。同核分割USAN(Univalue Segment Assim-ilating Nucleus)是指在一個(gè)圓形區(qū)域內(nèi)，與圓心像素的灰度值相同的像素組成的區(qū)域。該算法假設(shè)在一個(gè)相對(duì)小的圓形區(qū)域內(nèi)屬于同一目標(biāo)的像素具有相對(duì)統(tǒng)一的灰度，算法統(tǒng)計(jì)USAN區(qū)域的像素的個(gè)數(shù)，當(dāng)USAN區(qū)域的像素個(gè)數(shù)為局部最小值并滿足某種約束時(shí)，相應(yīng)掩模的中心判為興趣點(diǎn)。SUSAN可以用于直線和邊緣的檢測(cè)。圖1顯示了一個(gè)在白色背景下黑色的長(zhǎng)方形，圖中a，b，c，d，e共5個(gè)位置分別是5個(gè)圓形的模板在圖像中不同位置，窗口的中心被稱為“核”。窗口中所有具有與核相同或相似灰度的像素，把這些像素構(gòu)成的區(qū)域稱為USAN。

由圖1可以看出，USAN區(qū)域包含了重要的圖形結(jié)構(gòu)信息，在灰度平坦的區(qū)域內(nèi)，USAN區(qū)域取得最大值，越靠近邊緣，USAN區(qū)域越小。

圖1 簡(jiǎn)單圖像中的4個(gè)圓形模型

采用一個(gè)包含37個(gè)像素的圓形模板，半徑為3.4個(gè)像素，如圖2所示。

為檢測(cè)興趣點(diǎn)，需要將模板內(nèi)每個(gè)像素的灰度與模板中心的灰度進(jìn)行比較。依據(jù)式(1)判斷掩模范圍內(nèi)某像素同掩模核像素的灰度值是否相同

圖2 37個(gè)像素的SUSAN圓形模板

依據(jù)式(3)計(jì)算興趣點(diǎn)測(cè)度

其中，g是預(yù)先設(shè)定的幾何閾值。

2 改進(jìn)的SUSAN興趣點(diǎn)提取算法

由對(duì)SUSAN原理的介紹，可以看出SUSAN算法是一種錯(cuò)誤率低、定位精確而且快速的算法。在SUSAN算法中，有兩個(gè)閥值比較重要，即幾何閥值g和灰度差閥值t。閾值t主要影響算法檢測(cè)到的興趣點(diǎn)的數(shù)量，對(duì)于算法檢測(cè)到的興趣點(diǎn)的質(zhì)量不會(huì)造成影響，這是因?yàn)樵撻撝禌Q定的是USAN區(qū)域內(nèi)像素灰度值的變化范圍，該閾值的減小能夠捕獲圖像上更加細(xì)微的變化，從而使得檢測(cè)到的興趣點(diǎn)的數(shù)量增加。通常情況下可以依據(jù)圖像的對(duì)比度、噪聲和需要的興趣點(diǎn)的數(shù)量來(lái)確定該閾值的大小。在大多數(shù)情況下，該閾值可以取25，在需要處理低對(duì)比度圖像時(shí)可以讓該閾值自適應(yīng)的變化。閾g主要影響算法檢測(cè)到的興趣點(diǎn)的質(zhì)量，雖然對(duì)于興趣點(diǎn)的數(shù)量也會(huì)產(chǎn)生一定的影響。該閾值決定了興趣點(diǎn)的形狀，減小該閾值將使得檢測(cè)的興趣點(diǎn)的形狀更加尖銳，通常情況下g=nmax/2，其中nmax表示掩模內(nèi) USAN區(qū)域的最大可能面積。因此，如果對(duì)于灰度細(xì)節(jié)比較豐富的圖像，對(duì)整幅圖像使用統(tǒng)一的灰度閥值，檢測(cè)效果會(huì)不很理想。這里，給出一種對(duì)t值自適應(yīng)的提取方法。

在文獻(xiàn)[6]中提出了t迭代自適應(yīng)方法，該方法能夠較好地提取出對(duì)比度較小圖像圖形的角點(diǎn)。但比傳統(tǒng)算法運(yùn)算時(shí)間長(zhǎng)且復(fù)雜?？s短運(yùn)算時(shí)間可以通過(guò)減少迭代次數(shù)和減少每次的計(jì)算量。而減少迭代次數(shù)，對(duì)于算法中初值的選擇非常重要。對(duì)于每個(gè)像素的SUSAN模板，通過(guò)計(jì)算模板內(nèi)每個(gè)像素與中心像素的灰度差得到模板的灰度差直方圖，然后根據(jù)灰度差直方圖通過(guò)迭代法確定該模板的閥值t，使得對(duì)于不同的對(duì)比度的圖像都能夠自適應(yīng)的計(jì)算每個(gè)模板內(nèi)適合的t值。

首先計(jì)算模板中若干個(gè)最大灰度值之和與若干個(gè)最小灰度值之和的差值，再乘系數(shù)，作為初值t0，如式(4)所示

式中，Iimax和Iimin分別代表圖像中最大的i個(gè)灰度值和最小的i個(gè)灰度值，n一般取5～10。然后根據(jù)迭代初值將灰度差直方圖分成兩部分，由式(5)計(jì)算下一個(gè)迭代值ti

式中，m為模板中像素點(diǎn)和中心像素點(diǎn)的灰度;k(m)為模板中具有該灰度差值的點(diǎn)的數(shù)量;CImax為灰度差值的最大值。每進(jìn)行一次迭代后進(jìn)行判斷，若ε可任意小，那么停止迭代，取ti作為最后的SUSAN模板的灰度差閥值[7]。由于每個(gè)模板的t是根據(jù)模板內(nèi)的灰度差值確定，因此能夠很好地檢測(cè)到不同灰度對(duì)比度下的灰度變化，使得USAN區(qū)域的判斷更加準(zhǔn)確。

改進(jìn)后的SUSAN興趣點(diǎn)檢測(cè)算法的具體步驟如下:

(1)選取適當(dāng)形式的掩模。在實(shí)際的應(yīng)用中，通常圖2所示的圓形掩模。

(2)計(jì)算模板內(nèi)像素點(diǎn)與模板中心的灰度差值，得到迭代初始值t0。

(3)根據(jù)t0由式(5)計(jì)算最佳灰度差值t。

(4)根據(jù)計(jì)算得到的t由式(1)和式(2)計(jì)算該點(diǎn)SUSAN區(qū)域的大小。

(5)根據(jù)式(3)計(jì)算興趣點(diǎn)測(cè)度。

(6)根據(jù)USAN區(qū)域的結(jié)構(gòu)特征剔出偽興趣點(diǎn)。

(7)通過(guò)非最大化抑制提取興趣點(diǎn)。

3 試驗(yàn)結(jié)果

試驗(yàn)采用一幅遙感圖像，其特點(diǎn)為地貌邊緣比較模糊[4]。所采用的算法在 Windows環(huán)境下使用Matlab7.0編寫(xiě)程序?qū)崿F(xiàn)[8-10]。將文中算法與典型SUSAN興趣點(diǎn)檢測(cè)算法進(jìn)行運(yùn)算時(shí)間、有效率、命中率進(jìn)行比較。圖3為手動(dòng)興趣點(diǎn)檢測(cè)結(jié)果，圖4為本算法興趣點(diǎn)檢測(cè)結(jié)果。

原始圖上手動(dòng)興趣點(diǎn)的數(shù)目為80[4]，本算法檢測(cè)的興趣點(diǎn)為219，包含典型興趣點(diǎn)的數(shù)目為42，有效率為19.2%，興趣點(diǎn)命中率為52.5%。算法的運(yùn)算時(shí)間為3.512 s，比典型算法運(yùn)算時(shí)間略長(zhǎng)。試驗(yàn)結(jié)果證明了算法的有效性，在算法的時(shí)間比典型的SUSAN算子有所增加，如何解決這個(gè)問(wèn)題有待進(jìn)一步研究。此改進(jìn)的算法可用于場(chǎng)景比較復(fù)雜，灰度層次豐富圖像的興趣點(diǎn)檢測(cè)場(chǎng)合，可在一定程度上保證興趣點(diǎn)提取的正確率。

4 結(jié)束語(yǔ)

利用點(diǎn)特征在今后仍將是進(jìn)行圖像分析和處理的主要手段之一。在分析了典型SUSAN興趣點(diǎn)檢測(cè)算法的基礎(chǔ)上，給出了一種閥值t設(shè)定自適應(yīng)的算法。首先通過(guò)最大灰度值與最小灰度值計(jì)算出t的初值，其次通過(guò)迭代的方法計(jì)算出最終的閥值。給出了檢測(cè)興趣點(diǎn)的步驟，指出了應(yīng)用的場(chǎng)合。

[1]侯寶生.一種基于數(shù)學(xué)形態(tài)學(xué)的圖像邊緣檢測(cè)方法[J].現(xiàn)代電子技術(shù)，2010，33(4):93-96.

[2]羅忠亮.基于該進(jìn)的SUSAN算子的圖像邊緣檢測(cè)算法[J].重慶工學(xué)院學(xué)報(bào)，2009，23(5):102-104.

[3]何云亮.基于Matlab的遙感圖像邊緣檢測(cè)算子的實(shí)驗(yàn)比較分析[J].計(jì)算機(jī)技術(shù)與自動(dòng)化，2010，29(2):70-73.

[4]袁海軍.基于特征庫(kù)的遙感圖像自動(dòng)配準(zhǔn)研究[D].西安:西安電子科技大學(xué)，2007.

[5]SMITH S M，BRADY J M.SUSAN-a new approach to low level image processing [J].International Journal of Computer Vision，1997，23(1):45-47.

[6]劉博.一種基于自適應(yīng)閥值的SUSAN角點(diǎn)提取方法[J].紅外技術(shù)，2007，28(6):331-333.

[7]PEREZ M M，DENNIS T J.An adaptive implementation of SUSAN method for image edge and feature detection[C].Internation Conference on SUSAN，1997，2:394-397.

[8]溫紅艷，周建中.遙感圖像拼接算法改進(jìn)[J].電光與控制，2009，16(12):34-37.

[9]張文君.基于特征庫(kù)于模糊技術(shù)的遙感圖像分類研究[D].成都:西南交通大學(xué)，2007.

[10]趙輝.基于點(diǎn)特征的圖像配準(zhǔn)算法研究[D].濟(jì)南:山東大學(xué)，2006.