发布时间 : 星期六 文章图像特征点提取及匹配算法研究论文更新完毕开始阅读
图像特征点提取及匹配算法研究 第二章 图像特征点提取算法研究
第二章 图像特征点提取算法研究
图像特征点提取是图像处理和计算机视觉的基本技术，它也是特征点匹配方法的首要步骤。实际图像可能受到噪声、背景的干扰，也可能发生光照、尺度、旋转、仿射等变化，图像特征点的选择合理和特征点提取质量，直接决定了特征点匹配方法的效果。本章针对实际情况的复杂多样性，对两种特征点提取方法(Harris算法和SIFT算法)进行分析研究。
2.1 Harris特征点提取算法
角点作为目前图像匹配中常用的特征点，它是二维图像亮度变化剧烈或图像边缘曲线上曲率极大值的点，决定了目标的轮廓特征，因此被广泛应用于摄像机标定、虚拟场景重建、运动估计、图像配准等计算机视觉处理任务中。
角点检测方法分为基于边缘的提取方法和基于图像灰度的提取方法。前者往往需要对图像边缘进行编码，这在很大程度上依赖于图像的分割和边缘提取，而这两种操作本身就具有相当大的难度和计算量，况且一旦待检测目标局部发生变化(例如被部分遮挡)，则很可能导致图像分割和图像边缘提取操作的失败，所以这种方法的适用范围很小；而基于图像灰度的方法则避开了上述这些缺陷，它考虑的是像素点邻域的灰度变化，而不是整个目标的边缘轮廓。它通过计算曲率及梯度来达到检测角点的目的。由于它不需要进行边缘提取工作，所以在实际中得到了广泛的应用。目前在图像匹配中，常见的基于灰度的角点提取算法主要有Moravec算法，SUSAN算法和Harris算法等。Schmid[27]对Moravec，SUSAN和Harris等基于图像灰度的角点检测方法从重复率和角点周围的局部区域所包含的信息量两个方面进行了对比。实验结果表明Moravec，SUSAN算法存在较多的误检测和漏检测现象，且对旋转前后的图像角点检测不一致，而Harris角点检测法具有最好的效果。因此本节主要分析Harris算法。
2.1.1 Harris特征点检测原理
Harris 角点检测算法是一种基于信号的点特征提取算子，它的思想是在图像中设计一个局部检测窗口，当该窗口沿各个方向作微小移动时，考察窗口的平均能量变化，当该能量变化值超过设定的阈值时，就将窗口的中心像素点提取为角点。
Harris角点检测公式为：
E(u,v)??w(x,y)[I(x?u,y?v)?I(x,y)]2 (2.1)
x,y 8
图像特征点提取及匹配算法研究 第二章 图像特征点提取算法研究
其中，w(x,y)为窗函数，[I(x?u,y?v)?I(x,y)]2为图像灰度的梯度值。w(x,y)可为矩形窗或高斯窗。对于每个小的位移量(u,v)，检测公式可双线性近似表示为：
(2.2)
其中
?u?E(u,v)?[u,v]M???v?2?IxM??w(x,y)?x,y?IxIYIxIY? (2.3) 2?IY?设?1，?2是矩阵M的两个特征值，则可表示局部自相关函数的曲率。实际运用中用来计算角点的响应函数可以写成：
()?ktra2c(Me) (2.4) R?detM其中det(M)??1?2，trace(M)??1??2当某个区域矩阵M的主对角线之和很大时，则表明这是一条边；当矩阵M的行列式很大时，则表明这是一条边或一个角点，
k一般取经验值0.04。 2.1.2 Harris特征点检测步骤
应用Harris方法提取图像中角点的过程可以分为以下几步：
1) 计算图像像素点在水平和垂直方向上的梯度，以及两者的乘积，得到M公式
2(2.3)中4个元素的值, 其中Ix2?Ix?Ix，Iy?Iy?Iy，Ix、Iy分别表示在x ,y方向
上的一阶导数。
2) 对图像进行高斯滤波，得到新的M。 离散二维零均值高斯函数
?x2?y2? Gauss?exp??? (2.5) 22???3) 计算原图像上对应的每个像素点的兴趣值，即R值(角点量cim)。
R?Ix2*Iy2?(IxIy)Ix2?Iy22 (2.6)
4) 选取局部极值点。Harris方法认为，特征点是局部范围内的极大兴趣值对应的像素点。
5) 设定阈值，选取一定量的角点。 2.1.3实验分析
实验实现Harris角点检测算法，测试其在图像存在旋转、尺度变化、噪声等情况下的检测效果，并分析Harris算法在设置不同阈值情况下提取角点。实验所提取的角点用十字划线来标识。
9
图像特征点提取及匹配算法研究 第二章 图像特征点提取算法研究
1. 旋转不变性
图2.1(a)为原图角点提取结果，图2.1(b)为经过逆时针旋转30度后的图像角点提取结果。从图中可以看出，Harris算法在图像旋转时检测得到角点的重复数很高，具有良好的抗旋转性能。
(a)原图像
(b)逆时针旋转30度图像
图2.1 图像旋转角点提取结果图
2. 尺度变化不变性
图像2.2(a)为原图像，2.2(b)为尺度变化后图像角点检测结果，由结果图可以看出Harris算法在尺度发生变化时图像中检测得到的特征点与原图有较大差别。
(a)原图像
(b)放大2倍图像
图2.2 图像尺度变化角点提取结果图
3. 噪声情况下的不变性
Harris角点检测算法对于噪声比较敏感，图2.3为原图像和增加10%高斯噪声后采用Harris提取出角点的结果图。图(a)为原图像，(b)为增加高斯噪声后图像，从结果图中可以明显看出，增加高斯噪声后运用Harris算法提取出的角点准确性下降。
10
图像特征点提取及匹配算法研究 第二章 图像特征点提取算法研究
(a) 原图像
(b) 添加10%高斯噪声图像
图2.3 图像添加噪声时角点提取结果图
4. 设置不同阈值时角点不变性
由前文针对Harris算法提取角点步骤可知，设置阈值大小不同时得到的角点数目也随之改变，图2.4为不同阈值条件下提取角点结果图。从图中可以看出，将阈值设定较高时，检测得到的角点数量明显下降。
(a)阈值设置为5000
(b)阈值设置为10000
(c)阈值设为15000
(d)阈值设置为20000
图2.4 设置不同阈值时角点提取结果图
通过对Harris算法提取图像特征点的原理及实验结果分析，可以看出Harris算法在图像存在旋转情况下有很高的点重复数，是一种比较有效的点特征提取算法。因此在图像配准中通常采用这种算法来提取特征点。但是Harris特征点检测算法也存在着一定的局限性。当图像间发生尺度变换时，Harris角点就可能检测出不一致的角点。即当尺度变化时，可能检测出新的角点，或老的角点发生移位或消失。这样
11