徐振武,,徐志京
(上海海事大學(xué) 信息工程學(xué)院,,上海 201306)
摘要:經(jīng)典的Harris算法在提取圖像的角點(diǎn)上具有計(jì)算簡(jiǎn)單、適應(yīng)性強(qiáng)等優(yōu)勢(shì),,但該方法由于人為設(shè)定單一閾值,,容易出現(xiàn)偽角點(diǎn),、漏檢點(diǎn)及運(yùn)行速度不理想等現(xiàn)象。針對(duì)這一情況,,文章在傳統(tǒng)Harris算法基礎(chǔ)上提出一種新的檢測(cè)方法,,采用多閾值的圓形非極大值抑制法提取角點(diǎn), 以此降低算法檢測(cè)時(shí)間并增強(qiáng)圖像旋轉(zhuǎn)不變性,再借鑒SUSAN思想消去大部分偽角點(diǎn),。通過實(shí)驗(yàn)對(duì)比,,該算法具有更好的角點(diǎn)檢測(cè)性,為后期的圖像配準(zhǔn)奠定了良好的基礎(chǔ),。
關(guān)鍵詞: Harris角點(diǎn)檢測(cè),;圓形區(qū)域;多閾值,;SUSAN算法
0引言
隨著近代計(jì)算機(jī)的迅速發(fā)展,,人們?yōu)榱双@取更高像素更寬視角的圖像以作科學(xué)研究,圖像拼接逐漸成為了計(jì)算機(jī)各領(lǐng)域的研究熱點(diǎn)[12],。
圖像蘊(yùn)含有豐富的信息特征,,其中角點(diǎn)特征是圖像拼接領(lǐng)域的主要技術(shù)指標(biāo),業(yè)界對(duì)角點(diǎn)沒有統(tǒng)一定義,,一般被認(rèn)為是圖像像素點(diǎn)亮度發(fā)生了劇烈改變或邊緣曲線曲率極大值的點(diǎn)[3],, 它能以極少的數(shù)據(jù)量來表現(xiàn)圖像的整體信息, 這有利于圖像處理的速度與精度,。角點(diǎn)檢測(cè)方法在圖像拼接中的配準(zhǔn),、融合、 定位等方面起著重要作用,, 其提取的好壞決定圖像拼接的質(zhì)量結(jié)果,。適量恰當(dāng)?shù)恼_角點(diǎn)在圖像拼接過程中可增強(qiáng)圖像的抗噪性和圖像形變的適應(yīng)能力,有利于圖像的后續(xù)匹配,使得實(shí)時(shí)處理成為可能,。
目前角點(diǎn)的檢測(cè)方法大致分兩種:基于圖像邊緣特征的角點(diǎn)檢測(cè), 該算法依賴于圖像邊緣特征[4],,提取邊緣信息而求得角點(diǎn),但算法定位精度差,,對(duì)噪聲敏感,;基于圖像灰度的角點(diǎn)檢測(cè),,該方法依賴于像素點(diǎn)的曲率與梯度值信息,。其中Harris算法[5]是一種被大眾所熟知的算法, 可較好地提取角點(diǎn)。該算法雖然是一種優(yōu)秀的檢測(cè)方法, 但研究發(fā)現(xiàn)存在不足:
?。?)人為單一閾值的設(shè)定會(huì)對(duì)角點(diǎn)提取產(chǎn)生不確定的影響,;
(2)算法中所用的高斯平滑函數(shù)對(duì)圖像的誤檢及漏檢產(chǎn)生難以把控,;
?。?)Harris算子的運(yùn)行速度不夠理想,。
而對(duì)Harris的改進(jìn)一直是圖像研究的熱點(diǎn),參考文獻(xiàn)[6]提出采用自適應(yīng)閾值的方法能達(dá)到更快更精確提取角點(diǎn)的效果,,但在圖像的抗噪性和適應(yīng)圖像形變能力上略顯不足,;而參考文獻(xiàn)[7]提出的改進(jìn)方法能滿足要求,但在運(yùn)算速度上又略顯欠缺,。
針對(duì)上述不足,,本文提出基于Harris的改進(jìn)方法,采用多閾值的圓形區(qū)域非極大值抑制,,再結(jié)合SUSAN思想達(dá)到檢測(cè)效果,。
1Harris角點(diǎn)檢測(cè)算法簡(jiǎn)介
角點(diǎn)檢測(cè)的鼻祖是Moravec算法,之后Harris在Moravec算子思想上提出Harris算法,。
Harris算法的思想是定義一組矩形區(qū)域窗口中圖像灰度誤差的總和為任意方向上的自相關(guān)值[8],。圖1表示圖像邊緣在不同區(qū)域的變化情況。圖1(a),、(b)窗口在邊緣上沒變化,,而(c)的窗口在各個(gè)方向上具有明顯的變化,根據(jù)此現(xiàn)象,,可將(c)作為角點(diǎn),。
窗口平移[u,v]的量產(chǎn)生的圖像灰度變化E(u,v):
E(u,v)=∑x,yw(x,y)[I(x+u,y+v)-I(x,y)]2(1)
由I(x+u,y+v)=I(x,y)+Ixu+Iyv+O(u2+v2)
得:
由于矩陣M=AC
CB特征值不易計(jì)算,,通常計(jì)算式(5),,R為角點(diǎn)響應(yīng)值(CRF),大小為:
R=detM-k(traceM)2(5)
其中,,detM=λ1λ2=AC-B2,traceM=λ1λ2=A+C,detM是矩陣M的行列式;traceM是矩陣M的跡;k是經(jīng)驗(yàn)常數(shù),,取0.04~0.06。若R>CRFmax,,則此像素點(diǎn)可提取為角點(diǎn),。
為了避免在求CRF時(shí)設(shè)定k,這里參考文獻(xiàn)[7]:
R=[I2x*I2y-(IxIy)2]/(I2x+I2y+ε)(6)
ε表示任意小的正數(shù),。
2改進(jìn)的Harris角點(diǎn)檢測(cè)算法
2.1算法思想
本文采用多閾值方法,。首先設(shè)定初始閾值并采用圓形區(qū)域非極大值抑制來提取大部分的候選角點(diǎn),之后對(duì)圖像作等比分塊處理,。利用塊的自適應(yīng)閾值求塊的補(bǔ)充角點(diǎn),。以此達(dá)到避免單一閾值下角點(diǎn)缺失或較多偽角點(diǎn)現(xiàn)象。
傳統(tǒng)Harris算法常用3×3(大小可調(diào))為模板區(qū)域?qū)D像非極大值抑制:模板中心點(diǎn)與其余8點(diǎn)逐一比較大小,,若中心點(diǎn)響應(yīng)值大于其他任一模板內(nèi)響應(yīng)值,,則該中心點(diǎn)被認(rèn)為是角點(diǎn)。同理圓形窗口下以圓心作為中心點(diǎn),,若比較后中心點(diǎn)響應(yīng)值最大,,則作為候選角點(diǎn)提取,,圓心位置順序遞增,相反則舍棄該點(diǎn),,進(jìn)行下一輪非極大值抑制,。
運(yùn)用矩形模板區(qū)域非極大值抑制時(shí),如果圖像發(fā)生旋轉(zhuǎn)變化,,窗口也發(fā)生變化,,因此增加了誤檢與漏檢的風(fēng)險(xiǎn)。而根據(jù)圓的旋轉(zhuǎn)不變性,,采用圓形窗口能夠提高圖像旋轉(zhuǎn)不變性,。
2.2算法實(shí)現(xiàn)步驟
(1)初始角點(diǎn)RA提取
在初始閾值下,,利用圓形區(qū)域進(jìn)行非極大值抑制方法求得候選角點(diǎn)集合A并計(jì)算A中每個(gè)像素點(diǎn)的CRF值R,,取最大Rmax0,令基礎(chǔ)閾值:
T0=c0×Rmax0(7)
c0為常數(shù),。當(dāng)c0取0.02~0.04 時(shí)可滿足要求,。
令R>T0且R為模板區(qū)域內(nèi)極大值的點(diǎn)A,記為初始角點(diǎn)RA,。
?。?)塊角點(diǎn)RB提取
將一個(gè)V×W圖像切割為M×N塊數(shù)量,塊的尺寸為(V/M)×(W/N)。在塊中求除了RA之外的Rmax值,。將第[p,q]塊的最大R記為Rmax B(p,q),,設(shè)置塊閾值為:
TB(p,q)=cB×Rmax B(p,q)(8)
cB為常數(shù),取值0.1~0.3時(shí)檢測(cè)出的塊角點(diǎn)RB能夠很好地彌補(bǔ)初始角點(diǎn)的欠缺,。
(3)SUSAN思想消除誤檢
SUSAN算法能消去誤檢點(diǎn),,并具有較好的抗噪性,其步驟:初置閾值s并定義一圓形模板,,用此模板逐一比照?qǐng)D像每一區(qū)域,。 若模板中心點(diǎn)(核)灰度值與模板內(nèi)某像素點(diǎn)灰度差小于s,即該點(diǎn)與中心點(diǎn)(核)具有相似灰度值,。所有類似的點(diǎn)組成的區(qū)域叫做USAN,,SUSAN算法示意圖如圖2所示?! ?/p>
算法上, 用圓形模板掃描整幅圖像, 當(dāng)模板在灰色區(qū)域如圖2中的d, USAN面積最大,;當(dāng)模板接近灰色區(qū)域邊緣圖b時(shí),USAN面積慢慢減??;當(dāng)核在灰色區(qū)域邊緣時(shí)如圖c, USAN面積很??;在核處于角上時(shí)如圖e,USAN面積最小,。
由此利用圓形模板掃描RA,、RB可刪除誤檢點(diǎn)。設(shè)像素點(diǎn)(m,n)為RB的角點(diǎn),若以(m,n)為核的USAN面積大于1/2模板面積即認(rèn)為該點(diǎn)為誤檢點(diǎn),。如此便可略去大部分誤檢點(diǎn),。
3實(shí)驗(yàn)結(jié)果與分析
對(duì)于改進(jìn)Harris角點(diǎn)檢測(cè)算法一直是圖像拼接等領(lǐng)域研究的熱點(diǎn),針對(duì)Harris算子的不足,,各方法的改進(jìn)都側(cè)有不同,,本文結(jié)合傳統(tǒng)Harris、參考文獻(xiàn)[7]的改進(jìn)算法做一個(gè)簡(jiǎn)單比較,。
實(shí)驗(yàn)中,,先采用一張角點(diǎn)較明顯的圖,對(duì)傳統(tǒng)Harris,、參考文獻(xiàn)[7]及本文算法進(jìn)行對(duì)比,。為了客觀比較,與參考文獻(xiàn)[7]相同,,本文傳統(tǒng)算法閾值大小也采用1 200,,比較結(jié)果如圖3所示?!?/p>
圖3(a)傳統(tǒng)Harris算法中,,提取出較多角點(diǎn)數(shù)量,且在這張角點(diǎn)分明的圖像里,,有著稍微的角點(diǎn)聚簇現(xiàn)象,,而誤檢點(diǎn)數(shù)較其他兩圖亦是最多,且處理時(shí)間也比較長(zhǎng),;而參考文獻(xiàn)[7]與本文算法所得到角點(diǎn)分布圖較為相近,,角點(diǎn)數(shù)較傳統(tǒng)算法有所減少,分布也較均勻,。但對(duì)比兩圖,,統(tǒng)計(jì)圖中3種角點(diǎn)數(shù)量,如表1所示,,不難看出本文算法更出色,,其正確角點(diǎn)及漏檢角點(diǎn)雖然相似,但誤檢數(shù)量更少,,有利于圖像拼接后續(xù)的配準(zhǔn)工作,。
本文所用圓形區(qū)域非極大值抑制,不但在運(yùn)算時(shí)間上表2角點(diǎn)數(shù)量及算法運(yùn)算時(shí)間對(duì)比算法圖像1圖像2圖像3圖像4圖像5角點(diǎn)時(shí)間/s角點(diǎn)時(shí)間/s角點(diǎn)時(shí)間/s角點(diǎn)時(shí)間/s角點(diǎn)時(shí)間/s傳統(tǒng)Harris算法1 551152.841 20092.1173818.723784.601801.12參考文獻(xiàn)[7]算法1 332140.251 09787.5160515.32773.821700.98本文算法1 20888.0798774.4155610.512352.781620.78有優(yōu)化,,而且對(duì)圖像旋轉(zhuǎn)不變性也有不錯(cuò)的改善,。圖4是對(duì)圖像作45°旋轉(zhuǎn)后算法對(duì)比:
圖4對(duì)圖像作45°旋轉(zhuǎn)后算法對(duì)比圖4(a)對(duì)比圖3(a),,經(jīng)45°旋轉(zhuǎn)后,傳統(tǒng)Harris算法能提取出大部分的角點(diǎn),,但存在較嚴(yán)重的漏檢現(xiàn)象,。采用本文算法,對(duì)比圖3(c)與圖4(c)的圖像旋轉(zhuǎn)角點(diǎn)檢測(cè)狀況可知,,旋轉(zhuǎn)前后,,均能很好地檢測(cè)出角點(diǎn),漏檢與誤檢現(xiàn)象雖然存在,,但比傳統(tǒng)算法好,。比較參考文獻(xiàn)[7]方法,本文算法在采用圓形非極大值抑制后,,具有更多的正確角點(diǎn)和更少的誤檢點(diǎn),。
Harris算子本身具有不錯(cuò)的抗噪性,但本文在采用SUSAN思想后能增強(qiáng)算法的抗噪性,。圖5是在0.1的高斯噪聲下效果對(duì)比,。
從圖5可以看出,本文算法在高斯噪聲環(huán)境下有不錯(cuò)的表現(xiàn),,特別是偽角點(diǎn)檢測(cè)上,。經(jīng)過大量圖像角點(diǎn)處理實(shí)驗(yàn)證明,本文算法在消除誤檢點(diǎn)效果上好于原算法,,因此認(rèn)為具有更強(qiáng)的抗噪性,。
在圖像處理的時(shí)間上,對(duì)比本文算法較傳統(tǒng)算法也略有優(yōu)勢(shì),。為客觀比較,,本文采用上海海事大學(xué)信息工程學(xué)院為背景的圖像,由Android手機(jī)拍攝,,原圖尺寸為:5 248×3 936,,利用圖像編輯軟件進(jìn)行等比例縮放,其尺寸分別為:3 726×2 794,、2 624×1 698,、1 312×984、656×492,、328×246,。
隨著圖像分辨率的降低,角點(diǎn)數(shù)也在減少,,這是可預(yù)見的,,因?yàn)楦叻直媛蕡D像勢(shì)必具有更豐富的細(xì)節(jié)信息,所能提取的角點(diǎn)數(shù)目也更多。由表2可知,,相較于傳統(tǒng)Harris和參考文獻(xiàn)[7]算法,,本文介紹的算法能在涵蓋圖像的特征情況下提取出相對(duì)少的角點(diǎn),且運(yùn)行速度也可圈可點(diǎn),,因此認(rèn)為在算法性能上要好于另外2種,。圖6是表2的圖像4,,尺寸大小為656×492,。
綜上圖示及表數(shù)據(jù),本文算法在漏檢,、誤檢都有不錯(cuò)表現(xiàn),,利用該算法,能夠很好地檢測(cè)出正確角點(diǎn),,同時(shí)能改善傳統(tǒng)算法在角點(diǎn)的聚簇現(xiàn)象,,勻化角點(diǎn)分布,有利于后面的圖像配準(zhǔn)處理,。
4結(jié)束語
在基于灰度的角點(diǎn)檢測(cè)算法中,,被大眾所知的經(jīng)典Harris算法具有不錯(cuò)的效果,能滿足日常應(yīng)用,,并且對(duì)該方法的改進(jìn)一直是一個(gè)熱點(diǎn)話題,。本文基于傳統(tǒng)Harris算法在圖像拼接領(lǐng)域應(yīng)用的不足,提出改進(jìn)思想,,采用多閾值的圓形非極大值抑制法提取角點(diǎn)并利用SUSAN思想去除誤檢點(diǎn),,經(jīng)實(shí)驗(yàn)證明,在運(yùn)算時(shí)間及消除多余的誤檢點(diǎn)以及減少漏檢現(xiàn)象上有明顯的改善,,具備比較好的角點(diǎn)檢測(cè)性能,,此方面的性能提升,可為后期獲得更好圖像拼接效果提供一個(gè)算法參考,。
參考文獻(xiàn)
?。?] TUYTELAARS T,MIKOLAJCZYK K. Local invariant feature detectors: a survey[J].Foundations and Trendsin Computer Graphicsand Vision,,2008,,3(3): 177280.
[2] 仇國(guó)慶,,馮漢青,,蔣天躍,等.一種改進(jìn)的Harris角點(diǎn)圖像拼接算法[J].計(jì)算機(jī)科學(xué),,2012,39(11):264266
?。?] SMITH A M, BRADY J M. Susan: A new approach to low level image processing[J] . International Journal of Computer Vision, 1997, 23(1): 4578.
[4] HARRIS C, SATEPHENS M J. A combined corner and edge detector[J]. Image Vision Computting, 1988, 6(1): 121128.
[5] 涂春平,,柴亞輝,,李廣麗,等.一種基于Harris角點(diǎn)特征精確匹配的圖像拼接方法[J].實(shí)驗(yàn)室研究與探索,2011,30(10):4043.
?。?] 沈士喆,,張小龍, 衡偉.一種自適應(yīng)閾值的預(yù)篩選Harris角點(diǎn)檢測(cè)方法[J].?dāng)?shù)據(jù)采集與處理,,2011,,26(2):207213.
[7] 毛雁明. 一種改進(jìn)的基于Harris的角點(diǎn)檢測(cè)方法[D].昆明: 云南師范大學(xué),,2009.
?。?] 龍伶敏. 基于Adaboost的人臉檢測(cè)方法及眼睛定位算法研究[D]. 成都: 電子科技大學(xué),2008.