利用点弦距离递归的图像角点检测算法

目的 传统的基于边缘轮廓的角点检测算法需要计算每一个边缘像素点的曲率,对噪声和局部变化敏感,极易造成检测结果的不稳定。针对这一问题,提出一种利用点弦距离递归的角点检测算法。方法 首先,利用Canny边缘检测器提取边缘轮廓线。其次,用3个不同尺度的高斯核对边缘线进行平滑,对每一个高斯尺度平滑后的边缘线,连接首尾端点形成一条弦,计算边缘轮廓上每个边缘像素点到弦的距离,将点弦距离最长的像素点标为候选角点,该像素点将原边缘轮廓线分成两条边缘,然后将该像素点与首尾端点连接成两条弦,重新计算点弦距离,将所有距离大于设定阈值的点作为候选角点。最后,利用多尺度技术对候选角点进行判决并得到最终角点。结果 与现有的基于曲率计算的角点检测算法相比,本文算法不需要计算一、二阶导数,有效避免了局部变化带来的计算误差。通过计算得到4个角点检测器的平均排名依次为Harris （4.0）、He&Yung （2.67）、CPDA （1.83）、本文算法 （1.5）。与其他3种经典的角点检测算法相比,本文提出的检测算法排名第一,因此表现出了更好的检测性能。结论 提出了一种新的利用点弦距离递归的角点检测算法。从实验结果看,本文提出的角点检测器在图像仿射变换、JPEG质量压缩和高斯噪声条件下有更好的平均重复性和定位误差。     

基于多尺度曲率乘积的鲁棒图像角点检测

为了更好地进行图像角点检测,在曲率尺度空间(CSS)框架下,提出了一种基于多尺度乘积的角点检测技术,其中曲率尺度积函数被定义为各个尺度下轮廓曲率的乘积,而角点则被定义为曲率乘积的局部极值点。这种尺度积不仅能显著地增强角点曲率极值点的峰值,同时能抑制噪声影响,而且不改变角点的位置,为了说明该技术的优点,根据角点数一致性(CCN)准则证明了该技术优于其他的角点检测算法。实验结果表明,该方法不仅具备优越的检测效果,并对噪声有较强的鲁棒性。     

一种改进的多尺度自适应角点检测方法

现有的多尺度曲率乘积算法MSCP(Multi Scale Curvature Product)在检测过程中存在漏检和误检的现象,并且由于阈值设置不合理容易导致算法不稳定。针对以上不足,提出一种基于曲率多尺度的自适应角点检测算法AMCP(Adaptive Multi-scale Curvature Polynomial)。首先,结合尺度多项式的方法,不仅显著增强了曲率极值点的峰值,而且避免了曲率积对一些角点平滑;然后,构造局部曲率显著度LCCS(Local Corners Curvature Saliency),从而用自适应的阈值代替全局阈值,增强算法应对尺度,旋转等变化的鲁棒性;最后,提出曲率增长度的方法,通过该方法有效地区分圆角点和钝形角点。通过实验表明,AMCP算法提高了角点检测的正确率以及稳定性,相较于MSCP算法以及改进的CSS(Corner Detection Through Curvature Scale Space)算法具有更加优越的检测性能。     

基于局部曲率函数的角点检测

角点检测是计算机图像处理领域的基本问题之一,在全局曲率函数角点检测的基础上,提出一种基于局部曲率函数的快速角点检测算法.通过Canny算子提取图像的边缘,在边缘的基础上计算轮廓的局部曲率函数,由于Canny算子首先用高斯滤波器对图像平滑处理,尽可能的去除了噪声而不损失角点,计算局部曲率函数的最大峰值,通过设定阈值检测出角点.对算法进行仿真,试验结果表明该算法可以稳定的检测角点,并对旋转、尺度和噪声具有较强的鲁棒性.     

基于B样条尺度空间的鲁棒多尺度曲率积角点检测

本文在B样条尺度框架下提出了一种多尺度曲率乘积角点检测算法. 根据在各个尺度下的轮廓的曲率, 建立了尺度积函数. 在各个尺度下的曲率乘积经阈值变换后的局部极大值定义为角点. 通过尺度积, 根据CNN评价标准, 角点的定位精度和检测性能得到显著的提高. 实验也证明本文算法对边缘细节具有很好的鲁棒性并获得了良好的检测结果.     

多通道奇Gabor梯度相关矩阵的角点检测算法

为了抑制边缘轮廓平滑导致角点定位精度的下降,提出多通道奇Gabor梯度相关矩阵的角点检测算法。该算法是在Gabor滤波器的基础上,利用8个通道的奇Gabor滤波器对输入图像进行变换;然后利用每个像素与其相邻像素的Gabor梯度相关性构造自相关矩阵,若像素点的自相关矩阵对应的归一化特征值的和是局部极大值,则标记为角点。实验显示,与Harris算法、曲率尺度空间(CSS)算法等经典算法相比,该算法的平均正确检测率提高了约17.74%,平均定位误差降低了约18.15%。结果表明,所提出的算法具有更好的检测性能,并获得了较高的角点检测率及较好的定位精度。     

一种基于边缘轮廓线的LoG角点检测

角点是数字图像中目标的重要局部特征,提供了目标的低层次视觉特性。将Laplace of Gaussian变换引入到平面曲线,提出了一种基于边缘轮廓的LoG角点检测算子。深入分析LoG变换的几何特征,建立了边缘轮廓曲率和LoG范数间的等价度量关系。角点响应函数被定义为边缘点的LoG变换范数,边缘轮廓上LoG范数的局部极值点被认为是角点。并针对?祝-角点模型和圆周曲线模型,验证了这种定义的合理性。实验结果表明,相比经典角点检测算子,该文算法具有高效、稳定的优点。     

基于角度累加的鲁棒角点检测算法EI北大核心CSCD

为了更好地进行角点检测,提出一种基于角度累加的鲁棒角点检测算法.首先定义反映边缘点特征的角度累加概念,并在"单弦"下计算边缘点的角度累加值来获取候选角点,避免邻近角点的丢失;然后构造局部自适应阈值来去除圆形角点,并提出其支撑邻域和比例系数的选取方法;最后通过"多弦"下的角度累加乘积来获取角点特征值,并构造全局阈值来去除虚假角点.实验结果表明,该算法提高了角点检测正确率,并且在角点重复率及定位误差方面也优于其他算法.     

多支撑区域模式化融合角点检测算法仿真

传统的基于轮廓的角点检测算法常常会因为阈值选择不当,使检测准确率降低.针对上述问题,提出一种多支撑区域下模式化的角点融合方法.首先计算曲线上各点的曲率值,然后对曲线上的点进行初步筛选并分组,使曲线上相邻且曲率相近的点分为一组,在每组中选取局部曲率极大值点作为备选角点,再修改支撑区域,重复上述步骤,产生多组备选角点,最后对轮廓曲线进行模式划分,在不同模式下进行角点融合.实验分别在旋转变换和伸缩变换下评估平均重复率和准确率,通过与CSS、He&Yung角点检测器进行对比实验,所提算法提高了平均重复率和准确率,是一种可行的角点检测算法.     

Log-Gabor梯度方向下的角点检测

目的 角点是图像的基本特征,在图像处理与计算机视觉系统中,经常作为复杂计算的第1步,例如,目标识别、目标跟踪等。因此,角点检测器的检测性能显得尤为重要。基于此,提出了一个既利用到图像边缘轮廓信息又利用到图像灰度信息的基于Log-Gabor梯度方向一致性的角点检测算法,以提高角点检测器的检测性能。方法 根据角点的定义可知,角点在各个方向的灰度变化都很大,并且每个角点的梯度方向与相邻像素的梯度方向都具有很大差别。然而,相邻边缘像素点的梯度方向是一致的,都是垂直于边缘脊的方向。因此,本文利用角点与边缘像素的这一特性,构建了一个新的角点测度。该算法首先利用边缘检测器检测并提取图像的边缘映射;然后利用Log-Gabor虚部滤波器提取边缘像素周围的灰度变化信息,找到边缘像素点的梯度方向,利用梯度方向计算新的角点测度;最后对角点测度进行阈值化处理,得到最终的角点检测结果。结果 提出的算法分别与CPDA（chord-to-point distance accumulation）算法,He & Yung算法,以及Harris算法在标准轮廓图像和仿射变换下进行性能比较。平均重复率与定位误差分别作为评价角点检测器检测稳定性以及定位性能的指标。从平面曲线上的仿真实验结果可以看到,本文提出的角点检测算法能够较好地检测到真实角点,避免对角点的漏检与误检。旋转变换、非统一尺度变换以及高斯噪声下的平均重复率和定位误差结果的平均排名CPDA为2.00, Harris为3.33,He & Yung为2.83,本文算法为1.67。实验结果表明,本文算法的综合性能最优。本文算法优于其他3种角点检测算法,包括检测稳定性能和定位性能。结论 基于边缘的角点检测算法大多只依赖于图像的边缘轮廓信息,没有考虑到图像的灰度变化,而基于灰度的角点检测算法大多只考虑到图像的灰度信息。本文算法既考虑到图像的边缘形状也考虑到图像的灰度变化,并且利用log-Gabor虚部滤波器充分的提取图像的局部信息。在此基础上,利用图像边缘像素的梯度方向一致性构建了新的角点测度,以提高角点检测器的检测性能。实验结果表明,本文算法拥有良好的角点检测稳定性与定位性能。     

图像边缘轮廓自适应阈值的角点检测算法

目的 基于边缘轮廓的角点检测算法的检测性能虽然相对比较稳定,但是它对边缘轮廓的局部变化敏感,并且只是给予一个经验门限去提取角点,为此提出一种对局部变化和噪声稳健的基于图像边缘轮廓自适应阈值的角点检测算法。方法 该算法利用各向异性高斯方向导数滤波器对不同边缘和角点模型进行表征,提取表征边缘和角点的灰度及几何变化的不变属性,并通过正则化计算得到区别边缘和角点的自适应阈值。该算法首先利用Canny边缘检测器检测输入图像的边缘映射并从边缘映射中提取出边缘轮廓;然后利用各向异性高斯方向导数滤波器对所提取出的边缘曲线进行滤波平滑,计算出每一像素点的响应并与自适应阈值作比较,把响应大于阈值的点作为候选角点;最后,对候选角点进行非极大值抑制得到最终角点集。结果 提出的算法分别与Harris算法,He & Yung算法,以及ANDDs算法在仿射变换和高斯噪声的实验环境下进行比较,其性能指标为平均重复率与定位误差;并且对每个角点检测算法在无噪声和有噪声的情况下进行了角点匹配比较。4种算法的两个指标的平均排名为Harris 3.375,He &Yung 2.625,ANDDs 2.625,本文算法 1.375。本文算法在仿射变换以及高斯噪声的情况下有着良好的平均重复率和定位误差,优于其他3种算法。匹配实验中的错误点以及丢失点也少于其他3种算法。结论 图像的特征检测在计算机视觉领域是一个重要的课题,在许多视觉系统中,检测特征往往作为复杂计算的第1步。因此,这一步的可靠性会极大地影响着视觉系统整体的结果。而角点作为图像的重要特征,对其研究具有重大意义。本文算法不同于传统的基于边缘的角点检测器仅利用边缘轮廓的信息,还利用到图像边缘像素的灰度信息。而且,本文算法还采用一个自适应全局阈值,避免了角点的误判。正则化的灰度变化有效减少了噪声或者光照对检测性能的影响。通过角点匹配实验、仿射变换实验以及高斯噪声实验,可以看出,本文的角点检测器拥有良好的检测性能,并且对噪声具有稳健性。     

利用Gabor方向导数相关矩阵的角点检测

为了提高角点检测的准确率,提出了一种使用图像的Gabor方向导数构建相关矩阵来进行图像角点检测的算法。算法首先通过Canny边缘检测算法提取检测图像的边缘轮廓;然后使用Gabor滤波器对图像进行平滑,利用每一个边缘像素和其邻近像素的Gabor方向导数构建相关矩阵,若相关矩阵的归一化特征值的和大于预定阈值并且是局部极大值,则标记该像素为角点。算法利用邻近像素Gabor方向导数之间的相关信息提取角点,与传统的基于轮廓的角点检测算法相比,检测性能更加稳健。实验结果表明：在含噪声和无噪声情况下,提出的算法检测到的真实角点更多,而错误角点更少,整体性能有明显提升     

一种基于曲率尺度空间的自适应角点检测方法

角点是图像处理中的重要特征,基于曲率尺度空间技术,提出一种自适应角点检测方法.首先提取图像的轮廓,采用一个固定的低尺度计算所有轮廓点的曲率,并根据曲率得到候选角点集,然后用由自适应支持区域确定的角点角度和一个动态曲率阙值代替固定的阙值筛选出正确角点.实验结果证实该方法应用于复杂图像的精确性和稳定性.     

对Freeman链码分析的角点检测算法

针对传统的基于轮廓曲线的角点检测算法需要计算曲率和选取阈值的不足,提出一种对Freeman链码分析的角点检测算法,首先通过图像边缘检测,轮廓提取得到轮廓的Freeman链码,当链码发生变化时分析其连续前后多个点的链码是否符合一定的规则来判定角点,无需经过传统的角点阈值选取,曲率计算等步骤.实验通过与He&Yung、CPDA、Fast-CPDA和ARCSS角点检测器比较,结果表明本文算法在角点检测时准确率（ACU）最高;在变换实验中,本算法的平均重复率（AR）最高,由此可以得出本算法具有良好的角点检测性能.     

基于熵和独特性的角点提取算法

针对角点提取在图像配准中的应用,利用图像窗口的互相关系数定义了邻域窗口的独特性,提出一种基于熵和独特性的角点提取算法.算法首先通过Canny算子提取图像边缘,然后通过计算边缘点所在圆形邻域的熵和独特性筛选出角点,并通过不断修正剩余候选角点的独特性达到输出角点分散分布的目的.通过与Harris算法及区域特征提取的Sift算法实验对比,表明该算法能够对角点准确提取、精确定位,具有较好的抗噪性和方向无关性,且提取的角点分散分布,尤其适用于图像配准,其局限性在于不具有尺度不变性.     

机器视觉复杂平面边缘角点的高精度定位方法

基于机器视觉的二维复杂平面尺寸测量中,边缘角点包含丰富的图像目标特征信息,其检测精度对后续图像分析及参数计算精度有着至关重要的影响。本文提出了一种边缘轮廓角点的高精度定位方法,该方法先利用角点处的曲率变化及相邻两角点线段与x轴正向的夹角变化,初步确定角点的位置坐标,然后利用优化方法去除伪角点,以实现对真实角点的高精度定位。研究表明,该方法便捷、高效,在服装衣片的样片边缘测量中取得了理想的结果。     

三角网格曲面角点的鲁棒性检测算法

为有效检测三角网格曲面上的角点特征,提出一种基于最小主曲率的角点检测算法.首先通过计算网格顶点处的最小主曲率,利用加权最小主曲率定义角点特征函数,并计算角点特征值;然后利用迭代阈值法自动产生检测阈值,以去除噪声和特征不明显的角点;最后采用非极大值抑制法消除局部邻域内的角点聚簇获取特征明显的角点.在此基础上,在多个尺度下分别计算每个网格顶点处的角点特征值,并通过加权将其合并成多尺度角点特征值,新的角点特征值使得角点检测算法具有较高的稳定性和鲁棒性.通过重复检测率实验和部分重叠曲面的配准实验,验证了文中算法的有效性与实用性.     

多特征复合的角点提取方法

提出了一种利用图象灰度特征和边界轮廓点特征相复合的角点检测方法；首先在SUSAN特征检测原则基础上，提出了基于图象灰度特征的快速自适应特征检测方法，用以提取不同图象对比度下目标轮廓上的初角点，利用边沿元对这些包含了部分边缘点的初角点沿边绝缘方向跟踪排序后，再由根据图象边缘特征检测的边界方向变化情况来确定角点位置，同时剔除由于图象数字化而导致的虚假角点，这种方法克服了单一特征提取角点所带来的弊病，提高了角点检测的精度，抗噪能力强，运算量较小，适于实时实现。     

曲率尺度空间与链码方向统计的角点检测

针对曲率尺度空间角点检测中,由于选择的尺度不同,会造成角点的漏检测,以及检测到错误角点的问题。提出一种基于曲率尺度空间与链码方向统计的角点检测方法。首先在较低的曲率尺度空间上检测出候选角点集;再通过自适应阈值及链码方向统计的方法删除错误角点。该方法采用较低的曲率尺度可检测出更多的角点,降低了角点漏检测率;通过计算椭圆角点自适应阈值可删除椭圆角点;采用Freeman链码方向统计可剔除伪角点;从而提高角点检测精度。通过实验充分验证了本文提出的角点检测算法比其他角点检测算法具有的高效性和准确性。     

Robust image corner detection through curvature scale space

This paper describes a novel method for image corner detection based on the curvature scale-space (CSS) representation. The first step is to extract edges from the original image using a Canny detector (1986). The corner points of an image are defined as points where image edges have their maxima of absolute curvature. The corner points are detected at a high scale of the CSS and tracked through multiple lower scales to improve localization. This method is very robust to noise, and we believe that it performs better than the existing corner detectors An improvement to Canny edge detector's response to 45° and 135° edges is also proposed. Furthermore, the CSS detector can provide additional point features (curvature zero-crossings of image edge contours) in addition to the traditional corners