2、像配准中常被使用。为了对角点特征了解的更多,本节重点介绍几种常用的角点检测算法[32]:式中,det 表示矩阵的行列式;trace 表示矩阵的迹(也就是矩阵对角线元素的和);k 代表常数,通常为 0.04。角点就是CRF 处于局部极大值的点。下面就是详细操作步骤:①针对灰度图像I中的每一个像素,对其 x 方向以及 y 方向分别计算一阶导数,还要将两个一阶导数相乘。计算时采取的具体计算法和卷积类似,使用的模板分别为:在图像I上不断移动,在移动至每一位置都进行模板对应中心像素梯度值的计算,从而得到处于两个方向上的两幅梯度图像。然后再将
3、每个像素所对应得两个方向上的梯度相乘,第三幅图像就形成了,三幅图像中的每一像素分别表示Ix,Iy和IxIy。②分别对通过步骤①计算所得的三幅图像进行标准差为σ的高斯滤波。具体来说就是对这三幅图像分别运用高斯模板进行卷积。将原始图像上的角点响应函数值计算出来。计算法有以下两种:其一为经典的 Harris 算法。式(3-16)代表CRF定义:此时,角点和CRF 的局部极小值点相对应。因为经典的 Harris 算法其角点响应函数要求公式中 k 值必须要确定,因此本算法中的角点响应函数采用的是Nobel 的。③图像中有很多局部极值点,角点
4、的数目的提取要通过CRF门限限制的设置来进行。下面分析Harris角点检测算法的性能:1)在图像中Harris 角点具有各向同性的特点,图像即使旋转,检测角点不会受到影响;2) Harris 角点检测算法中对图像一阶导数有要求,因此光强对检测角点无影响;3)当比例发生变换,Harris 算子不能使得角点检测重复性有所保证,当转换图像比例时,因为角点处愈发平滑,因此边缘的结果更易得出。此时,角点和CRF 的局部极小值点相对应。因为经典的 Harris 算法其角点响应函数要求公式中 k 值必须要确定,因此本算法中的角点响应函数采用的是
7、us,USAN)。模板内的像素点属于不属于 USAN 区的判定公式如下: 判别函数的计算运用上式,就是和门限位置极为接近,的值也不会受到像素灰度值微小变化的干扰。不管是理论上还是实验中指数的最佳值都是6。 SUSAN 角点检测算法的最后步骤是找出角点,根据初始角点响应局部最大值的计算,即进行非最大抑制处理,将角点位置找出。 SUSAN 角点检测算法必须运用梯度计算,使得算法效率有所保证,而且还有积分特性以及较强的抗噪能力等优势,即使图像旋转也能保持不变性,不过公式中阈值t与g的确定较难,弱边缘上的角点检测难度较大。 B