数字图像处理课程设计
6.算法的评价
6.1算法的改进
本文通过在灰度图像上寻找SUSAN算子的极值提取特征点，使用matlab语言编程实现了SUSAN特征点检测算法，首先构造一个圆形模板遍历整个图像利用相似比较函数得出的结果与阈值t进行比，然后计算出USAN区域的大小n与阈值g比较得到角点的相应函数，与原来的SUSAN算法相比，为了得到正确的角点对检测出的角点群利用非极大值抑制函数(NMS)方法筛选出具有局部最大角点响应值的候选点，并把它们确认为最终的角点检测结果。NMS法的范围选定在以被检测点为中心的5?5方形邻域内，最大值抑制使伪角点大大减少。
6.2参数对角点的影响
在运用SUSAN 研究发现，在使用基本SUSA算法提取角点时经常会提取到两种不相关的点，一种是真角点附近的点，另外一种是边缘轮廓上的点，这些点成为伪角点被一起提取出来。针对两种伪角点的产生原因分别提出两种简洁的方法进行处理，达到较好的效果。
6.2.1去除真角点附近的伪角点
算法对图像进行处理时，很难对一些曲率较高的角点进行单像素精度的提取这是因为当进行USAN区域面积与门限值g的对比时，一些曲率较大的角点，其周围一些边缘点或内部点同样满足USAN面积小于g的条件因此，在角点提取时这些点同时被提取出来并成为伪角点。原则上可以令g取较小的值而避免这些伪角点的出现，但这样同时造成对曲率较大的角点提取失败的结果。
在SUSAN算法中，可以根据不同的情况，即根据图像边缘的形状，以及目标和背景的灰度对比度，选择合适的门限t和g。
14
数字图像处理课程设计
6.2.2边缘轮廓上的伪角点处理
有时候在提取角点时发现一些边缘上经常会产生大量的伪角点。这主要是因为圆形模板面积过小而导致阈值g的选取过于粗糙，而若对所有像素都采用大模板进行覆盖处理，则必将大大降低处理速度。因此，在进行一轮小的模板提取角点后，针对边缘上的伪角点进行第二轮的角点提取。主要算法思路是选取更大的模板(例如11×11的模板)对第一轮检测到的所有角点进行覆盖，同时选择合适的阈值g剔除不满足阈值要求的伪角点。
6.3 Harris与SUSAN算法的比较
和SUSAN算法一样，Harris算法也是基于灰度图像特征点检测的算法suansan算法原理在第二章已论述过不再赘述，下面介绍Harris基本原理。
6.3.1 Harris基本原理
Harris角点检测算法是由Chris Harris和MikeStephens 在1988年提出该算法是在Moravec算法的基础上发展起来的Moravec算法是研究图像中一个局部窗口在不同方向进行少量的偏移后考察窗口内图像亮度值的平均变化需要考虑下面三种情况：
(1) 如果窗口内区域图像的亮度值恒定那么所有不同方向的偏移几乎不 发生变化。
(2) 如果窗口跨越一条边那么沿着这条边的偏移。几乎不发生变化 但是与边垂直的偏移会发生很大的。
(3) 如果窗口包含一个孤立的点或者角点那么所有不同方向的偏移会发生很大的变化。
下面介绍Moravec算法以及Harris算法在其基础上做出的一些改进 （1）计算像素点的自相关值的时候只考虑了像素点的8个方向Harris等通过区域变化扩展将一些灰度强度变化比较小的体现出来 如式（11）所示： Ex,y??wu,v(Ix?u?Iu,v)2??wu,v[xX?yY?o(x2?y2)]2 （6.1）
u,vu,v 15
数字图像处理课程设计
这里一阶导数可以近似为：
X?I?(?1,0,1)??I/?x,Y?I?(?1,0,1)T??I/?y （6.2） 因此灰度强度变化比较小的情况Ex,y可以写成：
Ex,y?Rx2?2Sxy?Ty2 （6.3） 其中
R?X2?w,S?Y2?w,T?(XY)?w (6.4） （2）Moravec算法没有对图片进行降噪处理所以对噪声比较敏感Harris算法使用平移的圆形窗口对图像进行预处理来降噪这里使用了高斯窗口： wu,v?exp?(u2?v2)/2?2) （6.5）
（3）Moravec算法对边缘响应比较敏感解决方法灰度变化比较小时Ex,y 可以精确写为Ex,y?(x,y)M(x,y)T，式中M为：
?I?I???I2()?(?x)??x?y???I???I?I2?()()????x?y?y???A??CC? B?? （6.6）
为了避免求M的特征值使用TrM和Det（M）：
Tr(M)?A?B,Det(M)AB?C2 （6.7） 定义角点响应函数(CRF)为：
2 R?De(tM)?k(trace)M （6.8）
上式中角点响应函数R在角点的区域是正值在边界的区域是负值不变化的区域是很小的值在图像角点检测的过程中如果R值大于某个给定的阈值则这个点为角点。
总体来说Harris算法是一种非常有效的角点检测算法优点主要表现在以下两个方面：
(1) 提取的角点比较稳定只要不是在大尺度状态下提取的角点Harris算法提取出来的角点是比较稳定的。
(2) Harris 算法提取的角点比较均匀合理根据实验可以得出在纹理信息比较丰富的区域Harris算法可以提取出比较多的有用的角点而在纹理信息比较少的区域提取的角点则比较少。
16
数字图像处理课程设计
6.3.2实验分析变化
通过某计算机立体视觉系统分别获取模型汽车的单幅影像与立体影像对，在matlab7.8平台上编程实现对SUSAN、Harris算子的点特征提取，并采用基于匹配支持度的松弛匹配算法对立体影像对进行匹配比较。
对于单幅影像，由于Harris算子点特征提取操作是通过确定图像中所能提取的最大可能的特征点数目Nmax来选择I值最大的若干象素点作为特征点，因此，当采用Harris算子提取同一目标物影像中的特征点时，可设置不同数目的
Nmax来观察提取特征点的分布和数量。
随着Nmax的不同，提取出特征点的数量和分布在相应不断调整。在SUSAN算子特征提取中，包括掩模核与掩模区域中其它点灰度值最大差异的阈值t，SUSAN算法对影像特征点响应的阈值g，排除影像孤立噪声点干扰的阈值d等多组阈值参数。相比之下，采用Harris算子提取影像中的特征点，其阈值参数的选择就要简单的多，只需选择确定影像中所能提取的最大可能的特征点数目
Nmax，并可以此作为调整特征点分布的参考。
当对大小为2400×1600象元的航空影像分别采用上述两种算子进行点特征提取时，整幅影像中SUSAN算子有些房屋角点未能提取出，而Harris算子提出了几乎所有角点特征。但SUSAN算子提取所用时间较Harris算子少近10倍。
17
数字图像处理课程设计
6.4 Harris与SUSAN小结
Harris算子是计算机视觉界使用较为广泛的一种点特征提取算子，SUSAN算子是国际上新近推出并已得到广泛应用的保持结构算子。与传统点特征算子比较，前者具有简单、稳定、易于实现的特点。由上述点特征提取与随后的立体影像匹配结果分析可得出：利用Harris算子不需设置阈值，整个过程的自动化程度高，可以根据匹配结果，定量调整提取的特征点数。同时它抗干扰强、精度高。SUSAN算子提取特征点分布合理，较适合提取图像边缘上的拐点，由于它不需对图像求导数，所以也有较强的抗噪声能力，利用SUSAN算法提取图像拐点，阈值的选取是关键。它没有自适应算法，也不象Harris算法可根据需要提出一定数目的特征点。但该算法编程容易，易于硬件实现。为克服影像灰度值分布不均对提取SUSAN算子角点的影响，可对影像采取二值化（或多值化）分割，以进一步改进提取效果。
18
