數(shù)字圖像處理課程設(shè)計

1、<p><b>　　摘 要</b></p><p>　　圖像處理是一門很有價值的學(xué)科，在科學(xué)技術(shù)不斷發(fā)展的今天它的技術(shù)已趨于成熟。同時圖像之間的處理， 在實(shí)際應(yīng)用中也顯的越來越重要。本課程設(shè)計的主要任務(wù)是實(shí)現(xiàn)對數(shù)字圖像的頻譜特性的分析，觀察結(jié)果，并進(jìn)行結(jié)果分析。本課程設(shè)計的系統(tǒng)開發(fā)平臺為MATLAB，程序運(yùn)行平臺為Windows98/2000/XP</p><p

2、>　　在圖像理解、圖像匹配、三維重建及模式識別等領(lǐng)域中，特征點(diǎn)的檢測具有十分重要的意義。特征點(diǎn)在保留圖像中物體的重要特征信息的同時有效地減少了信息的數(shù)據(jù)量，使得對圖像處理時運(yùn)算量大大減少。特征點(diǎn)的的定義有多種不同的表述，如圖像中灰度值和像素劇烈變化的點(diǎn)、圖像邊界上具有較高曲率的點(diǎn)等。對于特征點(diǎn)的定義決定了特征點(diǎn)的特性，同時也決定了所檢測出的特征點(diǎn)的檢測所采用的方法。</p><p>　　SUSAN(Smal

3、lest Univalue Segment Assimilating Nucleus)算法是上世紀(jì)九十年代中期提出的一種邊角點(diǎn)檢測算法，該算法是一種基于圖像局部灰度特征，利用一個圓形的模板對圖像進(jìn)行掃描，比較模板內(nèi)部的點(diǎn)與模板中心點(diǎn)的灰度值，如果灰度差值小于一定的閾值，就認(rèn)為該點(diǎn)與中心點(diǎn)的灰度相同，否則就認(rèn)為該點(diǎn)與中心點(diǎn)有明顯的差異。統(tǒng)計模板內(nèi)部與中心點(diǎn)灰度相同的點(diǎn)的個數(shù)，與一個全局閾值進(jìn)行比較，判斷該點(diǎn)是否屬于角點(diǎn)，從而實(shí)現(xiàn)對圖像特征

4、點(diǎn)的檢測。</p><p>　　本文采用matlab語言實(shí)現(xiàn)了SUSAN特征點(diǎn)監(jiān)測并利用模擬圖像和真實(shí)圖像對算法進(jìn)行了驗(yàn)證，實(shí)驗(yàn)表明SUSAN特征點(diǎn)檢測算法能有效提取圖像中的特征點(diǎn)。與傳統(tǒng)的角點(diǎn)檢測算法相比，SUSAN算法是一種基于圖像灰度比較的算法，不涉及梯度的計算。具有速度快、抗干擾能力強(qiáng)等特點(diǎn)。</p><p>　　關(guān)鍵字： SUSAN算法；邊緣檢測；角點(diǎn)檢測；matlab</

5、p><p><b>　　目 錄</b></p><p><b>　　1課程設(shè)計目的1</b></p><p><b>　　2課程設(shè)計要求2</b></p><p>　　3特征點(diǎn)檢測的原理及方法3</p><p>　　3.1 SUSAN算法基本原理3&

6、lt;/p><p>　　3.2 SUSAN算法的實(shí)現(xiàn)6</p><p>　　3.2.1讀入圖像6</p><p>　　3.2.2 SUSAN算法顯示邊緣圖6</p><p>　　4.matlab程序代碼7</p><p>　　5.算法的應(yīng)用12</p><p>　　6.算法的評價14&l

7、t;/p><p>　　6.1算法的改進(jìn)14</p><p>　　6.2參數(shù)對角點(diǎn)的影響14</p><p>　　6.2.1去除真角點(diǎn)附近的偽角點(diǎn)14</p><p>　　6.2.2邊緣輪廓上的偽角點(diǎn)處理15</p><p>　　6.3 Harris與SUSAN算法的比較15</p><p>

8、;　　6.3.1 Harris基本原理15</p><p>　　6.3.2實(shí)驗(yàn)分析變化17</p><p>　　6.4 Harris與SUSAN小結(jié)18</p><p><b>　　結(jié)論19</b></p><p><b>　　參考文獻(xiàn)20</b></p><p>

9、<b>　　1課程設(shè)計目的</b></p><p>　?。?）學(xué)習(xí)并了解 Matlab軟件的實(shí)用，并了解Matlab在數(shù)字圖像中的應(yīng)用。學(xué)會編寫Matlab程序并調(diào)試、運(yùn)行。</p><p>　?。?）了解圖像的檢測運(yùn)算在數(shù)字圖像處理中的初步應(yīng)用。</p><p>　?。?）體會圖像特征檢測過程和處理前后圖像的變化。</p>&l

10、t;p><b>　　2課程設(shè)計要求</b></p><p>　?。?）了解Matlab軟件的實(shí)用，在Matlab環(huán)境下學(xué)會用軟件對圖像進(jìn)行處理，并獲得預(yù)期的結(jié)果。</p><p>　　（2）了解圖像特征檢測的原理和作用。</p><p>　　（3）對比處理后的圖像與原圖像，得出處理后的結(jié)論。</p><p>　　3

11、特征點(diǎn)檢測的原理及方法</p><p>　　3.1 SUSAN算法基本原理</p><p>　　SUSAN算法是由Simth SM和Brady JM首先提出的一種低層次圖像處理小核值相似區(qū)的方法SUSAN（Small Univalue Segment Assimilating Nucleus)即小核值相似區(qū)。該算法直接利用像素的灰度進(jìn)行角點(diǎn)檢測。而不考慮曲率等復(fù)雜的角點(diǎn)特征。SUSAN檢測

12、算子的基本原理是通過統(tǒng)計某一像素局部區(qū)域內(nèi)與該像素等灰度值近似的的點(diǎn)的個數(shù)，實(shí)現(xiàn)角點(diǎn)檢測。</p><p>　　該算法一般利用一個37像素的圓形模板來實(shí)現(xiàn)的，如圖2.1所示。圖2.2中圓形模板e的圓心稱為核心，假如模板中的某些像素的亮度與核心相同或相似，就定義這些像素組成的區(qū)域?yàn)閁SAN（核值相似區(qū)）區(qū)域。圖2.3顯示出了不同位置的USAN區(qū)域面積大小。USAN區(qū)域包含了圖像結(jié)構(gòu)的以下信息：在a位置，核心點(diǎn)在角點(diǎn)

13、上，USAN面積達(dá)到最小:在b位置，核心點(diǎn)在邊緣線上時，USAN區(qū)域面積接近最大值的一半；在 c、d位置，核心點(diǎn)處于黑色矩形區(qū)域之內(nèi)，USAN區(qū)域面積接近最大值。因此，可以根據(jù)USAN區(qū)的面積大小檢測出角點(diǎn)。</p><p>　　圖3.1 包含37個像素的圓形模板</p><p>　　圖3.2 簡單圖像中的四個圓形模板</p><p>　　圖3.3 不同位置USAN

14、區(qū)域面積的大小</p><p>　　具體檢測時，是用圓形模板掃描整個圖像，比較模板內(nèi)每一像素與中心像素的灰度值。并給定閾值來判別該像素是否屬于USAN區(qū)域，式2.1是SUSAN算法的原始相似比較函數(shù)。式2.2是在實(shí)際應(yīng)用中比較常用的相似比較函數(shù) ： </p><p><b>　?。?.1） </b></p><p><b>　?。?

15、.2） </b></p><p>　　用于計算以每個像素點(diǎn)為核心的USAN區(qū)的像素個數(shù)；是模板中心像素(核)的灰度值；為模板內(nèi)其他任意像素的灰度值；t是區(qū)分特征目標(biāo)與的一個重要閾值，一般取25。</p><p>　　圖像中某一點(diǎn)USAN區(qū)域大小可由下式2.3表示：</p><p><b>　?。?.3）</b></p>

16、<p>　　式中，是以為圓心的模板。</p><p>　　在得到每個像素的USAN區(qū)域后。再由下式2.4角點(diǎn)響應(yīng)函數(shù)(Corner- Response Function，CRF )產(chǎn)生角點(diǎn)初始響應(yīng)：</p><p>　?。?.4） </p><p>　　式中，g是抑制噪聲的幾何閾值 ，它決定了輸出角點(diǎn)的USAN區(qū)域的

17、最大值。同時它還決定了所檢測到的角點(diǎn)的尖銳程度。g取得越小，所檢測到的角點(diǎn)越尖銳。用這種原理，取不同的幾何門限，不但能檢測角點(diǎn)．還可以檢測交點(diǎn)、邊緣等特征。</p><p>　　SUSAN算子計算簡單，不需要用導(dǎo)數(shù)求邊緣強(qiáng)度及方向梯度，增強(qiáng)了抗噪能力；且計算時間明顯減少，易于硬件實(shí)現(xiàn)。然而SUSAN算法并不能完全消除孤立噪聲點(diǎn)及由于模糊導(dǎo)致而致立體匹配誤差率較高。SUSAN算法流程圖如圖4.4所示。</p&

18、gt;<p>　　圖3.4 SUSAN算法流程圖</p><p>　　3.2 SUSAN算法的實(shí)現(xiàn) </p><p><b>　　3.2.1讀入圖像</b></p><p>　　關(guān)閉所有窗口(程序運(yùn)行產(chǎn)生的，不包括命令窗，editor窗和幫助窗），清除所有工作空間中的變量，讀入圖像并顯示原始圖像。</p><p

19、>　　3.2.2 SUSAN算法顯示邊緣圖</p><p>　　構(gòu)造半徑為3個像素的圓型模板，遍歷圖像的每一個點(diǎn)。當(dāng)像素位于模板內(nèi)時，根據(jù)公式（10）求c 和n（n的最大值為37），</p><p>　?。?.5） </p><p>　　其中，為掩模核在圖像中的坐標(biāo)，(x,y)為掩模區(qū)域其它點(diǎn)的坐標(biāo)。、I(x,y)分別為點(diǎn)和的灰度值。閾值決定了兩個點(diǎn)相

20、似的最大差異。C為輸出的結(jié)果。其中：為USAN中象素個數(shù)，它給出了USAN值。將與某固定閾值相比較，得到SUSAN算法對圖像角點(diǎn)的響應(yīng)函數(shù)（2.5）：其中，（為的最大值），恰好是理想邊緣的USAN區(qū)大小，而對于實(shí)際有噪聲影響的圖像，邊緣的USAN區(qū)一般都大于。并以n為基礎(chǔ)創(chuàng)建一個新的窗口figure（2）并顯示結(jié)果為圖像的邊緣。</p><p>　　4.matlab程序代碼</p><p>

21、;　　clc,clear;</p><p>　　harris_result=[];</p><p>　　%----保存圖像所有信息、讀取圖像-----</p><p>　　FileInfo=imfinfo(' F:\0.jpg');</p><p>　　Image=imread(' F:\0.jpg');<

22、;/p><p>　　%-----轉(zhuǎn)換為灰度值圖像---------</p><p>　　if(strcmp('truecolor',FileInfo.ColorType)==1)</p><p>　　Image=im2uint8(rgb2gray(Image));</p><p><b>　　end</b>&

23、lt;/p><p>　　%------------------計算圖像的方向?qū)?shù)------------------</p><p>　　%-----橫向Prewitt差分模板</p><p>　　dx=[-1 0 1;</p><p><b>　　-1 0 1;</b></p><p><b&

24、gt;　　-1 0 1];</b></p><p>　　Ix2=filter2(dx,Image).^2;</p><p>　　Iy2=filter2(dx',Image).^2;</p><p>　　Ixy=filter2(dx,Image).*filter2(dx',Image);</p><p>　　%---

25、-----------------計算局部自相關(guān)矩陣----------------</p><p>　　%----生成9*9的高斯窗口（窗口越大，探測到的角點(diǎn)越少）</p><p>　　h=fspecial('gaussian',9,2);</p><p>　　A=filter2(h,Ix2);</p><p>　　B=fi

26、lter2(h,Iy2);</p><p>　　C=filter2(h,Ixy);</p><p>　　%---------------矩陣Corner用來保存候選角點(diǎn)位置------------</p><p>　　nrow=size(Image,1);</p><p>　　ncol=size(Image,2);</p>&l

27、t;p>　　Corner=zeros(nrow,ncol);</p><p>　　%-----------------相似性篩選------時間優(yōu)化------------</p><p>　　%-----參數(shù)t：點(diǎn)(i,j)八鄰域的“相似度參數(shù)”，中心點(diǎn)與鄰域其他八個點(diǎn)的像素值之差在</p><p>　　%------------(-t,+t)之間，則確認(rèn)他

28、們?yōu)橄嗨泣c(diǎn)</p><p><b>　　t=20;</b></p><p>　　boundary=8; %---去除邊界上boundary個像素</p><p>　　for i=boundary:1:nrow-boundary+1</p><p>　　for j=boundary:1:ncol-boundary+1<

29、;/p><p>　　nlike=0; %----相似點(diǎn)的個數(shù)</p><p>　　if Image(i-1,j-1)-Image(i,j)>-t&&Image(i-1,j-1)-Image(i,j)<t</p><p>　　nlike=nlike+1;</p><p><b>　　end</b>&

30、lt;/p><p>　　if Image(i-1,j)-Image(i,j)>-t&&Image(i-1,j)-Image(i,j)<t</p><p>　　nlike=nlike+1;</p><p><b>　　end</b></p><p>　　if Image(i-1,j+1)-Image

31、(i,j)>-t&&Image(i-1,j+1)-Image(i,j)<t</p><p>　　nlike=nlike+1;</p><p><b>　　end</b></p><p>　　if Image(i,j-1)-Image(i,j)>-t&&Image(i,j-1)-Image(i,j

32、)<t</p><p>　　nlike=nlike+1;</p><p><b>　　end</b></p><p>　　if Image(i,j+1)-Image(i,j)>-t&&Image(i,j+1)-Image(i,j)<t</p><p>　　nlike=nlike+1;&l

33、t;/p><p><b>　　end</b></p><p>　　if Image(i+1,j-1)-Image(i,j)>-t&&Image(i+1,j-1)-Image(i,j)<t</p><p>　　nlike=nlike+1;</p><p><b>　　end</b&g

34、t;</p><p>　　if Image(i+1,j)-Image(i,j)>-t&&Image(i+1,j)-Image(i,j)<t</p><p>　　nlike=nlike+1;</p><p><b>　　end</b></p><p>　　if Image(i+1,j+1)-Im

35、age(i,j)>-t&&Image(i+1,j+1)-Image(i,j)<t</p><p>　　nlike=nlike+1;</p><p><b>　　end</b></p><p>　　if nlike>=2&&nlike<=6</p><p>　　Cor

36、ner(i,j)=1;</p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　%-----------計算角點(diǎn)響應(yīng)函數(shù)值---corness = det(u) - k*trace(

37、u)^2-------</p><p>　　CRF=zeros(nrow,ncol);</p><p>　　CRFmax=0; %----圖像中角點(diǎn)響應(yīng)函數(shù)的最大值，作閾值用</p><p><b>　　k=0.05;</b></p><p>　　for i=boundary:1:nrow-boundary+1<

38、;/p><p>　　for j=boundary:1:ncol-boundary+1</p><p>　　if Corner(i,j)==1</p><p>　　M=[A(i,j) C(i,j);</p><p>　　C(i,j) B(i,j)];</p><p>　　CRF(i,j)=det(M)-k*(trace(M)

39、)^2;</p><p>　　if CRF(i,j)>CRFmax</p><p>　　CRFmax=CRF(i,j);</p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b&g

40、t;</p><p><b>　　end</b></p><p>　　%--------判定當(dāng)前位置是否為角點(diǎn)------------</p><p>　　count=0;%----角點(diǎn)個數(shù)</p><p><b>　　t=0.01;</b></p><p>　　for i=

41、boundary:1:nrow-boundary+1</p><p>　　for j=boundary:1:ncol-boundary+1</p><p>　　if Corner(i,j)==1</p><p>　　if CRF(i,j)>t*CRFmax&&CRF(i,j)>CRF(i-1,j-1)...</p><

42、p>　　&&CRF(i,j)>CRF(i-1,j)&&CRF(i,j)>CRF(i-1,j+1)...</p><p>　　&&CRF(i,j)>CRF(i,j-1)&&CRF(i,j)>CRF(i,j+1)...</p><p>　　&&CRF(i,j)>CRF(i+1,j

43、-1)&&CRF(i,j)>CRF(i+1,j)...</p><p>　　&&CRF(i,j)>CRF(i+1,j+1)</p><p>　　count=count+1;</p><p><b>　　else</b></p><p>　　Corner(i,j)=0;</

44、p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　figure,imshow(Image);&

45、lt;/p><p><b>　　hold on;</b></p><p>　　for i=boundary:1:nrow-boundary+1</p><p>　　for j=boundary:1:ncol-boundary+1</p><p>　　column_ave=0;</p><p>　　ro

46、w_ave=0;</p><p><b>　　k=0;</b></p><p>　　if Corner(i,j)==1</p><p>　　for x=i-3:1:i+3</p><p>　　for y=j-3:1:j+3</p><p>　　if Corner(x,y)==1</p>

47、<p>　　row_ave=row_ave+x;</p><p>　　column_ave=column_ave+y;</p><p><b>　　k=k+1;</b></p><p><b>　　end</b></p><p><b>　　end</b><

48、/p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　if k>0</b></p><p>　　harris_result=[harris_result;round(row_ave/k) round(column_a

49、ve/k)];</p><p>　　plot(column_ave/k,row_ave/k,'b.');</p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></p>&

50、lt;p><b>　　5.算法的應(yīng)用</b></p><p>　　為了更好地驗(yàn)證本文中所提出算法的有效性，利用復(fù)雜模擬圖像和真實(shí)圖像對算法進(jìn)行了檢測。輸入真實(shí)的樓房圖像如圖6.1所示：</p><p><b>　　圖5.1 原始圖</b></p><p>　　提取了角點(diǎn)后的圖如5.2所示：</p>&l

51、t;p>　　圖5.2 提取了角點(diǎn)后的圖像</p><p>　　因?yàn)楦鱾€圖形的角點(diǎn)離其他圖形很近，且在一張圖內(nèi)，各個角點(diǎn)相距較遠(yuǎn)，所以使用較大的抑制窗口，如果兩個真角點(diǎn)在同一個抑制窗口內(nèi)就會有一個不剔除。實(shí)驗(yàn)結(jié)果表明本算法可以有效提取圖像中好的角點(diǎn)，并使角點(diǎn)均勻的分布在圖像上。</p><p><b>　　6.算法的評價</b></p><p&

52、gt;<b>　　6.1算法的改進(jìn)</b></p><p>　　本文通過在灰度圖像上尋找SUSAN算子的極值提取特征點(diǎn)，使用matlab語言編程實(shí)現(xiàn)了SUSAN特征點(diǎn)檢測算法，首先構(gòu)造一個圓形模板遍歷整個圖像利用相似比較函數(shù)得出的結(jié)果與閾值t進(jìn)行比，然后計算出USAN區(qū)域的大小n與閾值g比較得到角點(diǎn)的相應(yīng)函數(shù)，與原來的SUSAN算法相比，為了得到正確的角點(diǎn)對檢測出的角點(diǎn)群利用非極大值抑制函數(shù)

53、(NMS)方法篩選出具有局部最大角點(diǎn)響應(yīng)值的候選點(diǎn)，并把它們確認(rèn)為最終的角點(diǎn)檢測結(jié)果。NMS法的范圍選定在以被檢測點(diǎn)為中心的方形鄰域內(nèi)，最大值抑制使偽角點(diǎn)大大減少。</p><p>　　6.2參數(shù)對角點(diǎn)的影響</p><p>　　在運(yùn)用SUSAN 研究發(fā)現(xiàn)，在使用基本SUSA算法提取角點(diǎn)時經(jīng)常會提取到兩種不相關(guān)的點(diǎn)，一種是真角點(diǎn)附近的點(diǎn)，另外一種是邊緣輪廓上的點(diǎn)，這些點(diǎn)成為偽角點(diǎn)被一起提取

54、出來。針對兩種偽角點(diǎn)的產(chǎn)生原因分別提出兩種簡潔的方法進(jìn)行處理，達(dá)到較好的效果。</p><p>　　6.2.1去除真角點(diǎn)附近的偽角點(diǎn)</p><p>　　算法對圖像進(jìn)行處理時，很難對一些曲率較高的角點(diǎn)進(jìn)行單像素精度的提取這是因?yàn)楫?dāng)進(jìn)行USAN區(qū)域面積與門限值g的對比時，一些曲率較大的角點(diǎn)，其周圍一些邊緣點(diǎn)或內(nèi)部點(diǎn)同樣滿足USAN面積小于g的條件因此，在角點(diǎn)提取時這些點(diǎn)同時被提取出來并成為偽

55、角點(diǎn)。原則上可以令g取較小的值而避免這些偽角點(diǎn)的出現(xiàn)，但這樣同時造成對曲率較大的角點(diǎn)提取失敗的結(jié)果。</p><p>　　在SUSAN算法中，可以根據(jù)不同的情況，即根據(jù)圖像邊緣的形狀，以及目標(biāo)和背景的灰度對比度，選擇合適的門限t和g。</p><p>　　6.2.2邊緣輪廓上的偽角點(diǎn)處理</p><p>　　有時候在提取角點(diǎn)時發(fā)現(xiàn)一些邊緣上經(jīng)常會產(chǎn)生大量的偽角點(diǎn)。這

56、主要是因?yàn)閳A形模板面積過小而導(dǎo)致閾值g的選取過于粗糙，而若對所有像素都采用大模板進(jìn)行覆蓋處理，則必將大大降低處理速度。因此，在進(jìn)行一輪小的模板提取角點(diǎn)后，針對邊緣上的偽角點(diǎn)進(jìn)行第二輪的角點(diǎn)提取。主要算法思路是選取更大的模板(例如11×11的模板)對第一輪檢測到的所有角點(diǎn)進(jìn)行覆蓋，同時選擇合適的閾值g剔除不滿足閾值要求的偽角點(diǎn)。</p><p>　　6.3 Harris與SUSAN算法的比較</p&

57、gt;<p>　　和SUSAN算法一樣，Harris算法也是基于灰度圖像特征點(diǎn)檢測的算法suansan算法原理在第二章已論述過不再贅述，下面介紹Harris基本原理。</p><p>　　6.3.1 Harris基本原理</p><p>　　Harris角點(diǎn)檢測算法是由Chris Harris和MikeStephens 在1988年提出該算法是在Moravec算法的基礎(chǔ)上發(fā)展

58、起來的Moravec算法是研究圖像中一個局部窗口在不同方向進(jìn)行少量的偏移后考察窗口內(nèi)圖像亮度值的平均變化需要考慮下面三種情況：</p><p>　　(1) 如果窗口內(nèi)區(qū)域圖像的亮度值恒定那么所有不同方向的偏移幾乎不 發(fā)生變化。</p><p>　　(2) 如果窗口跨越一條邊那么沿著這條邊的偏移。幾乎不發(fā)生變化 但是與邊垂直的偏移會發(fā)生很大的。</p><p>　

59、　(3) 如果窗口包含一個孤立的點(diǎn)或者角點(diǎn)那么所有不同方向的偏移會發(fā)生很大的變化。</p><p>　　下面介紹Moravec算法以及Harris算法在其基礎(chǔ)上做出的一些改進(jìn)</p><p>　　（1）計算像素點(diǎn)的自相關(guān)值的時候只考慮了像素點(diǎn)的8個方向Harris等通過區(qū)域變化擴(kuò)展將一些灰度強(qiáng)度變化比較小的體現(xiàn)出來 如式（11）所示：</p><p>　?。?.1）

60、 這里一階導(dǎo)數(shù)可以近似為：</p><p><b>　?。?.2）</b></p><p>　　因此灰度強(qiáng)度變化比較小的情況可以寫成：</p><p><b>　　（6.3）</b></p><p><b>　　其中</b></p><p><b&

61、gt;　　(6.4）</b></p><p>　?。?）Moravec算法沒有對圖片進(jìn)行降噪處理所以對噪聲比較敏感Harris算法使用平移的圓形窗口對圖像進(jìn)行預(yù)處理來降噪這里使用了高斯窗口：</p><p>　?。?.5）（3）Moravec算法對邊緣響應(yīng)比較敏感解決方法灰度變化比較小時</p><p>　　可以精確寫為，式中M為：</p>

62、<p><b>　?。?.6）</b></p><p>　　為了避免求M的特征值使用TrM和Det（M）：</p><p><b>　?。?.7）</b></p><p>　　定義角點(diǎn)響應(yīng)函數(shù)(CRF)為：</p><p><b>　　（6.8）</b></p

63、><p>　　上式中角點(diǎn)響應(yīng)函數(shù)R在角點(diǎn)的區(qū)域是正值在邊界的區(qū)域是負(fù)值不變化的區(qū)域是很小的值在圖像角點(diǎn)檢測的過程中如果R值大于某個給定的閾值則這個點(diǎn)為角點(diǎn)。</p><p>　　總體來說Harris算法是一種非常有效的角點(diǎn)檢測算法優(yōu)點(diǎn)主要表現(xiàn)在以下兩個方面：</p><p>　　(1) 提取的角點(diǎn)比較穩(wěn)定只要不是在大尺度狀態(tài)下提取的角點(diǎn)Harris算法提取出來的角點(diǎn)是比

64、較穩(wěn)定的。</p><p>　　(2) Harris 算法提取的角點(diǎn)比較均勻合理根據(jù)實(shí)驗(yàn)可以得出在紋理信息比較豐富的區(qū)域Harris算法可以提取出比較多的有用的角點(diǎn)而在紋理信息比較少的區(qū)域提取的角點(diǎn)則比較少。</p><p>　　6.3.2實(shí)驗(yàn)分析變化</p><p>　　通過某計算機(jī)立體視覺系統(tǒng)分別獲取模型汽車的單幅影像與立體影像對，在matlab7.8平臺上編程

65、實(shí)現(xiàn)對SUSAN、Harris算子的點(diǎn)特征提取，并采用基于匹配支持度的松弛匹配算法對立體影像對進(jìn)行匹配比較。</p><p>　　對于單幅影像，由于Harris算子點(diǎn)特征提取操作是通過確定圖像中所能提取的最大可能的特征點(diǎn)數(shù)目來選擇值最大的若干象素點(diǎn)作為特征點(diǎn)，因此，當(dāng)采用Harris算子提取同一目標(biāo)物影像中的特征點(diǎn)時，可設(shè)置不同數(shù)目的來觀察提取特征點(diǎn)的分布和數(shù)量。 </p><p>　　

66、隨著的不同，提取出特征點(diǎn)的數(shù)量和分布在相應(yīng)不斷調(diào)整。在SUSAN算子特征提取中，包括掩模核與掩模區(qū)域中其它點(diǎn)灰度值最大差異的閾值，SUSAN算法對影像特征點(diǎn)響應(yīng)的閾值，排除影像孤立噪聲點(diǎn)干擾的閾值等多組閾值參數(shù)。相比之下，采用Harris算子提取影像中的特征點(diǎn)，其閾值參數(shù)的選擇就要簡單的多，只需選擇確定影像中所能提取的最大可能的特征點(diǎn)數(shù)目，并可以此作為調(diào)整特征點(diǎn)分布的參考。 </p><p>　　當(dāng)對大小為24

67、00×1600象元的航空影像分別采用上述兩種算子進(jìn)行點(diǎn)特征提取時，整幅影像中SUSAN算子有些房屋角點(diǎn)未能提取出，而Harris算子提出了幾乎所有角點(diǎn)特征。但SUSAN算子提取所用時間較Harris算子少近10倍。</p><p>　　6.4 Harris與SUSAN小結(jié)</p><p>　　Harris算子是計算機(jī)視覺界使用較為廣泛的一種點(diǎn)特征提取算子，SUSAN算子是國際上新

68、近推出并已得到廣泛應(yīng)用的保持結(jié)構(gòu)算子。與傳統(tǒng)點(diǎn)特征算子比較，前者具有簡單、穩(wěn)定、易于實(shí)現(xiàn)的特點(diǎn)。由上述點(diǎn)特征提取與隨后的立體影像匹配結(jié)果分析可得出：利用Harris算子不需設(shè)置閾值，整個過程的自動化程度高，可以根據(jù)匹配結(jié)果，定量調(diào)整提取的特征點(diǎn)數(shù)。同時它抗干擾強(qiáng)、精度高。SUSAN算子提取特征點(diǎn)分布合理，較適合提取圖像邊緣上的拐點(diǎn)，由于它不需對圖像求導(dǎo)數(shù)，所以也有較強(qiáng)的抗噪聲能力，利用SUSAN算法提取圖像拐點(diǎn)，閾值的選取是關(guān)鍵。它沒有

69、自適應(yīng)算法，也不象Harris算法可根據(jù)需要提出一定數(shù)目的特征點(diǎn)。但該算法編程容易，易于硬件實(shí)現(xiàn)。為克服影像灰度值分布不均對提取SUSAN算子角點(diǎn)的影響，可對影像采取二值化（或多值化）分割，以進(jìn)一步改進(jìn)提取效果。</p><p><b>　　結(jié)論 </b></p><p>　　本文用matlab語言實(shí)現(xiàn)了SUSAN角點(diǎn)算法，并著重分析了基本的SUSA算法在提取角點(diǎn)時出

70、現(xiàn)多余的偽角點(diǎn)，并討論了真角點(diǎn)附近及邊緣輪廓上的偽角點(diǎn)的處理方法。經(jīng)實(shí)驗(yàn)證明，采用改進(jìn)的算法后，角點(diǎn)提取精度有較明顯的提高。對各種類型的角點(diǎn)都能能獲得較好的結(jié)果。但是SUSAN角點(diǎn)檢測存在不足有：</p><p>　?、俨捎霉潭ㄩ撝挡贿m合一般的情況，需要只有閾值g自適應(yīng)，閾值t只能手動修改 </p><p>　　②圖像中的噪聲對所提取的特征有較大影響，實(shí)驗(yàn)表明此算法可靠性稍差。</

71、p><p>　　角點(diǎn)檢測算法的設(shè)計與實(shí)現(xiàn)涉及多方面的理論、方法和技術(shù)，本算法還有許多新的問題需要解決，需要在實(shí)際應(yīng)用中不斷的積累和完善，在以下幾個方面還需要做進(jìn)一步的完善和開發(fā)：</p><p>　　能智能選取閾值t及檢測模版的大小，減少參數(shù)輸入的個數(shù)。</p><p>　　能判斷角點(diǎn)的好壞，去除大量無用的偽角點(diǎn)。有效的減少噪點(diǎn)。能在復(fù)雜的圖像中有效剔除噪點(diǎn)。</

72、p><p>　　通過這次的課程設(shè)計，我深深的感受到了自身的不足。進(jìn)行課程設(shè)計不但需要多方面的知識，同時還要考驗(yàn)一個人的獨(dú)立動腦能力和動手能力，這在課本上學(xué)不到的。另外，這還要求我們具有一定的自學(xué)能力，在面對多次錯誤時要能冷靜，并且還要有堅定的意志力。在這次課程設(shè)計中，我得到的不僅僅是知識的補(bǔ)充，更多的是問題分析能力的提高，雖然只有短短一周時間，卻給了我比平常更多的磨練，也讓我在鞏固書本知識的同時學(xué)到了更多的東西。在這

73、次的課程設(shè)計中，我看到了理論與實(shí)際相結(jié)合的重要性，同樣，我還感受到了將理論實(shí)現(xiàn)于現(xiàn)實(shí)的重大喜悅，當(dāng)代碼最終成功運(yùn)行并出現(xiàn)正確的仿真結(jié)果時，那種巨大的成就感是無法用言語來形容的。雖然本次課程設(shè)計已經(jīng)結(jié)束了，但是我不會忘記從中收到的感受與啟發(fā)，相信在以后的學(xué)習(xí)中，我將更加認(rèn)真努力，爭取從知識以及動手能力方面都能更上一層樓！最后，向我的實(shí)驗(yàn)老師致以最真摯的謝意!</p><p><b>　　參考文獻(xiàn)</

74、b></p><p>　　[1]田原，梁德群，吳更石.直接基于灰度圖像的多尺度角點(diǎn)檢測方法[J]信號處理，1998，14(7-11):6-9.</p><p>　　[2]楊莉，初秀琴，李玉山.最小亮度變化角點(diǎn)自適應(yīng)檢測算法研究[J].西安電子科技大學(xué)學(xué)報，2003，30(4):530-533.</p><p>　　[3]費(fèi)旭東，荊仁杰.基于知識的快速角點(diǎn)提取[

75、J].計算機(jī)學(xué)報，1994，17(1):30-36.</p><p>　　[4]G Giraudon，R Derich.On Corner and Vertex Detection[J].Com-puter Vision and Pattern Recognition，1991，3(6):650-655.</p><p>　　[5]肖茜，魯宏偉.基于高斯平滑的自適應(yīng)角點(diǎn)檢測[J].計算機(jī)輔

76、助設(shè)計與圖形學(xué)學(xué)報，2003，15(11):1358-1</p><p>　　[6]王展，黃埔堪，萬建偉.基于多尺度小波變換的二維圖像角點(diǎn)檢測技術(shù)[J].國防科技大學(xué)學(xué)報，1999，21(2):46-49.</p><p>　　[7]馮麗輝.DCS、FCS、CIPS的集成與應(yīng)用[J].工業(yè)儀表與自動化裝置，200- 2(2)，7-12．</p><p>　　[8]戚