角点检测方法研究

根据实现方法不同可将角点检测方法分为两大类:基于边缘的角点检测方法与基于灰度变化的角点检测方法,并对现有的角点检测方法作了较为详细的分析与比较,指出角点检测技术的研究与发展方向.     

角点检测技术综述

角点检测是机器视觉和计算机视觉领域的基本课题.角点有时也称为兴趣点,在简化图像信息数据的同时,还在一定程度上保留了图像较为重要的特征信息.角点检测在三维场景重建、运动估计、视觉跟踪以及图像配准与图像匹配等计算机视觉领域得到了广泛的应用.本文对现有的角点检测方法进行了分类及阐述,主要分为基于灰度强度的方法、基于边缘轮廓的方法,并将其余类别的角点检测方法也进行了汇总.并介绍了现有方法的部分测评技术以及实用案例,为图像角点检测技术提供参考和借鉴.     

视网膜血管图像特征点自动提取和分类

由动静脉血管组成的眼底视网膜血管结构的特征点是预测心血管疾病、图像分析和生物学应用的重要特征。把角点检测引入到视网膜血管分叉点和交叉点提取中,利用边缘检测算子得到二值边缘图像,采用基于累加点到弦的距离（CPDA）的角点检测方法得到候选特征点,再根据视网膜血管图像的拓扑结构设计自适应矩形探测器对候选特征点进行删减和分类。实验结果表明,基于CPDA的角点检测和自适应矩形探测器的方法有效地实现了节点的提取和分类。     

基于SUSAN的种子点生长边缘检测算法①

角点是一种特殊的边缘点,是数字图像中重要的几何特征。利用边缘点连续的特性,提出了一种基于SUSAN算法的种子点生长边缘检测算法。利用Susan算法获得图像的角点,再将获得的角点作为种子点,根据边缘点的判断准则对其进行生长,最终实现边缘检测。实验证明,设计的算法具有较高的效率和很好的抗噪声能力,是一种有效的边缘检测方法。     

基于Matlab和BP神经网络的角点检测方法研究

角点检测在图像匹配、形状描述、边缘检测中具有重要作用。鉴于神经网络所具有的自组织、自学习和分布式存储信息的特点,提出了一种基于神经网络的角点检测方法,利用Matlab神经网络工具箱建立角点检测模型,检测图像中的角点。实验证明,神经网络为计算机视觉中的角点检测提供了一个很好的工具。     

基于AP聚类图像分块的角点检测改进方法

将已有改进的Harris角点检测方法应用于图像拼接时,在单一尺度下检测角点会存在角点信息丢失、角点位置不准确和对噪声敏感致使检测率不高等缺点。为此,结合双边滤波和多尺度检测,提出一种Harris角点检测改进方法。采用双边滤波器代替原有的高斯低通滤波器,以增强方法的鲁棒性,引入近邻传播聚类方法将图像分块,避免因阈值问题造成角点分布不均,并将多尺度概念引入到改进方法中,判断候选角点是否为真实角点,剔除伪角点,使得角点检测更加精确。在 VS2010+OpenCV平台上进行实验,结果表明,与基于图像分块的多尺度Harris角点检测方法相比,该方法在去伪角点、漏检、准确度等方面取得了更好的效果,且具有更好的抗噪性。     

基于SUSAN的种子点生长边缘检测算法①

角点是一种特殊的边缘点,是数字图像中重要的几何特征。利用边缘点连续的特性,提出了一种基于SUSAN算法的种子点生长边缘检测算法。利用Susan算法获得图像的角点,再将获得的角点作为种子点,根据边缘点的判断准则对其进行生长,最终实现边缘检测。实验证明,设计的算法具有较高的效率和很好的抗噪声能力,是一种有效的边缘检测方法。     

一种无阈值的冗余角点去除方法

基于曲率尺度空间的角点检测算法因其定位准确而被广泛应用,但由于该算法受阈值的影响,在应用中往往检测出较多冗余角点。针对如何去除冗余角点这一问题提出一种无阈值的冗余角点去除方法:首先将角点按构成方式的不同进行分类,然后通过角度无阈值比较的方法去除冗余角点。实验证明该方法在冗余角点的检测及去除方面有良好的实验效果,可将其应用于基于曲率尺度空间的角点检测算法中,提高角点检测的精确性。     

基于脑磁共振图像配准的动态联合角点检测算法

角点检测算法是基于角特征点的图像配准方法的核心。Harris和Susan是两种重要的角点检测算法,有较好的检测能力,但是其在描述角点信息方面都不全面。因此,联合Harris、Susan两种算法是一种较好的解决思路。其中,如何确定在联合算法中Harris、Susan两种算法的权重是一个关键。设计了一种联合算法,并通过统计实验获取两者的权重,通过引入两个加权因子ω1和ω2分别对Harris角点响应值与Susan角点响应值进行加权计算,获得其角点强度,从而筛选出新的角点集合,使该联合算法的角点检测能力明显提高。最后将该方法用于脑磁共振图像配准实验中。实验比较结果表明,该联合角点检测算法在脑磁共振图像配准的应用中,相对于目前已有角点检测算法,能获得较高的配准精度和较好的稳定性。     

基于多方向对称和匀质约束的SUSAN棋盘格角点检测算法

棋盘格角点检测是摄像机标定过程中的一个重要步骤。针对原有SUSAN角点检测算法在棋盘格角点检测应用中边缘点与角点难以区分的问题,通过对棋盘格角点特性的分析和实验,提出了一种基于多方向对称和匀质约束的SUSAN棋盘格角点检测算法。通过在原有SUSAN算法的基础上添加对称约束算子和匀质约束算子滤除SU- SAN检测结果中的边缘点,最终确定角点的坐标。实验结果表明,该算法在角点检测的有效性和精度方面优于已有算法。     

机器视觉中角点检测算法研究

角点检测是运动检测、图像匹配、视频跟踪、三维重建和目标识别等必不可少的关键步骤,角点检测的准确性直接影响实验结果。为了更好地了解角点检测技术的发展现状,根据三种现有的角点检测方法分类对角点检测方法及相关改进进行了总结分析,并选择了FAST、SUSAN、SIFT、Shi-Tomas这几种较为典型的角点检测算法进行了实验对比,并给出了实验结果。不同的实际应用对角点检测的要求不同,不同的角点检测算法也可以相互结合,通过对现有角点检测技术的总结分析为在实际应用中对角点检测技术的选择和改进方向提供了借鉴和参考。     

角点检测技术研究及进展

角点是图像的重要局部特征,在图像配准、图像理解及模式识别等领域中,角点检测具有十分重要的意义。对角点检测的各种方法进行了分析、比较,给出了性能评价标准。最后,分析了该领域现存的问题、最新研究动态及发展方向。     

3D计算中高速图形转换器算法设计

在图像处理过程中的分析图像的特征,需要达成特征提取,为后续的图像处理和分析。在目标图像的提取过程中,本文选定了特征角点特征。角点定位准确的图像匹配在三维重建中起着重要的作用。角落像素相对于外在的像素灰度值的突变或凸形状的像素点较为集中。本文分析了三个角点提取方法:苏珊角点检测方法,哈里斯角点检测方法,多尺度结合苏珊算法改进,亚像素角点检测方法,以便满足系统对精度的要求。     

基于图像分块的多尺度Harris角点检测方法

Harris角点检测是一种经典的角点检测算法,在现实中应用广泛,但不具有尺度变化特性。为了改变其单一尺度的特性,使得角点提取更加精确和有效,将多尺度的概念和图像分块方法引入到Harris算法中,在多个尺度下对角点进行提取。将每个尺度上的角点响应值的本地最大值作为该尺度上的候选角点,并同时对图像进行分块;最后,沿小尺度到大尺度方向判断候选角点是否是真实角点,剔除伪角点,使得角点检测更加精确。通过对比实验,新算法明显地提高了图像角点的检测性能。     

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。     

迭代分割逼近:新的基于局部响应显著度的角点检测

为了提高角点检测算法的精确度,同时保持较低的时间复杂度,提出了一种基于自定义的局部角点响应显著度和迭代分割逼近的角点检测方法。首先,定义了一个新的测度量——局部角点响应显著度(LCRS),用来衡量一个候选角点在其局部区域内的响应显著程度,并证明了基于LCRS的角点检测准则等价于局部自适应阈值法。其次,将LCRS视作区域的响应显著度性质,把寻找角点的任务转化为寻找高显著性区域。据此,提出迭代分割的策略用来逐步收缩显著区域,最终逼近真实角点的位置。迭代分割逼近(ISA)算法可以使用不同的角点响应函数(CRF)定义,而且其平均情况时间复杂度与Harris算法相同。实验结果表明,当采用Noble算子的CRF时,ISA算法平均误检率、漏检率分别比Noble算子低4.62%和5.59%;而当采用Harris算子的CRF时,这两个比率也分别比Harris算子低2.87%和3.37%。而且这两种情况下ISA算法的平均运行时间均小于Harris算子和Noble算子。