基于高斯变换的多尺度SUSAN角点检测方法技术

基于高斯变换的多尺度SUSAN角点检测方法。现阶段将适合于多尺度分析的小波变换技术引入SUSAN算子，未能很好的解决误检问题。本发明专利技术的方法，在图像信息处理模型中引入一个尺度因子σ，通过连续变化尺度参数获得多尺度下的尺度空间表示序列，提取尺度的空间主轮廓特征向量，再利用高斯变换的多尺度特性构建高斯金字塔，获得不同尺度下的分层图像，结合自适应阈值的SUSAN算子检测出不同尺度下的候选角点，再将其还原到原始图像中的相应位置构成候选角点集，最后经小邻域信息筛选获得最终角点。本发明专利技术能够准确检测角点并且可以较好地抑制伪角点，尤其适合高斯噪声干扰的图像。

Multi scale SUSAN corner detection method based on Gauss transform

A multi-scale SUSAN corner detection method based on Gauss transform. At present, the technology of wavelet transform suitable for multi-scale analysis is introduced into SUSAN operator, which fails to solve the problem of false detection. In the method of the present invention, a scale factor_is introduced into the image information processing model to obtain the multi-scale space representation sequence by continuously changing the scale parameters, extract the spatial principal contour eigenvector of the scale, and then construct the Gauss pyramid by utilizing the multi-scale characteristics of the Gauss transform to obtain the layered maps at different scales. Image, combined with adaptive threshold SUSAN operator to detect candidate corners in different scales, and then restore them to the corresponding positions in the original image to form a candidate corners set. Finally, the final corners are obtained through small neighborhood information screening. The invention can accurately detect corners and suppress pseudo corners, especially for images disturbed by Gaussian noise.

【技术实现步骤摘要】
基于高斯变换的多尺度SUSAN角点检测方法
本专利技术涉及一种基于高斯变换的多尺度SUSAN角点检测方法。
技术介绍
角点检测技术大致分为两类：一类基于图像的边缘信息，如基于边界链码的角点检测、基于小波变换模极大的角点检测和基于边界曲率的角点检测方法等，该类方法的优点是易使用多尺度变换技术检测图像边缘，可进一步获得多尺度的角点，不足之处体现在边缘线的连续性会影响角点的检测结果。另一类基于图像的灰度信息，代表方法有SUSAN算子、Harris算子及Moravec算子等，该类算法的主要缺点是定位精度较差，对噪声敏感，还有可能漏检角点。在基于图像的灰度信息的角点检测技术，引入多尺度的思想可以有效提高角点的定位精度和检测性能。现阶段，将适合于多尺度分析的小波变换技术引入到SUSAN算子中，使用基于小波变换的多尺度SUSAN角点检测算法，可以解决SUSAN算子的角点丢失、角点位置偏移和易受噪声干扰而产生伪角点等问题，实现了小尺度下的精确定位和大尺度下的抗噪能力强，但遗憾的是未能很好解决误检问题。Koenderink证明高斯卷积核是实现尺度变换的唯一变换核，Lindeberg等证明高斯核是唯一的线性核。为此，本文提出一种基于高斯变换的多尺度SUSAN角点检测方法，拟用高斯变换对待检测图像进行多尺度分析，通过自适应阈值的SUSAN及筛选的方式确定有效角点。
技术实现思路
本专利技术的目的是提供一种基于高斯变换的多尺度SUSAN角点检测方法。上述的目的通过以下的技术方案实现：一种基于高斯变换的多尺度SUSAN角点检测方法，基于高斯变换的多尺度SUSAN角点检测方法是在图像信息处理模型中引入一个尺度因子σ，通过连续变化尺度参数获得多尺度下的尺度空间表示序列，提取尺度的空间主轮廓特征向量，实现边缘、角点检测和不同分辨率上的特征提取，再利用高斯变换的多尺度特性构建高斯金字塔，获得不同尺度下的分层图像，结合自适应阈值的SUSAN算子检测出不同尺度下的候选角点，再将其还原到原始图像中的相应位置构成候选角点集，最后经小邻域信息筛选获得最终角点；主要步骤描述如下：步骤一：对M×N的原始图像进行高斯变换，得到多尺度下的分层图像：用尺度因子σ1对M×N的原始图像进行高斯变换，得到第一层图像，依次对每层图像进行二元下抽样，再用尺度因子σi(i＝2,3,…,level)进行高斯变换，得到金字塔中的各分层图像；步骤二：用自适应阈值的SUSAN算子检测多尺度下的分层图像，获得不同尺度下的候选角点：对金字塔的每一层图像用自适应阈值的SUSAN算子进行检测，获得候选角点；步骤三：把不同尺度下的侯选角点还原到原始图像中的相应位置构成候选角点集，再参考小邻域信息，筛选并确定最终的角点位置：在步骤二中获得的候选角点集CadCorner中搜索确定最终角点，充分利用多尺度信息，每一尺度下检测到的候选角点都还原到原始图像中对应的位置，设置一个维数为M×N的矩阵Corner，在Corner中将CadCorner中的候选角点的相应位置设为1，其余设为0；依次扫描CadCorner矩阵中的元素，当元素值为1时，确定以该元素为中心的border×border邻域，求取该邻域内的所有候选角点对应的位置的算术平均值，将其作为最终的角点，存储在NewCorner中；最后将NewCorner中的元素在图像上表示出来。有益效果：针对SUSAN算子在单一尺度下角点检测性能的不足，利用高斯变换的多尺度特性，对图像使用不同的尺度进行高斯变换获得多尺度下的图像分层信息然后结合自适应阈值的SUSAN算子检测出不同尺度下的候选角点，将其还原到原始图像中的相应位置合成候选角点集，经小邻域信息筛选获得最终角点。本专利技术能够准确检测角点并且可以较好地抑制伪角点，尤其适合高斯噪声干扰的图像。具体实施方式具体实施方式一：本实施方式的一种基于高斯变换的多尺度SUSAN角点检测方法，基于高斯变换的多尺度SUSAN角点检测方法是在图像信息处理模型中引入一个尺度因子σ，通过连续变化尺度参数获得多尺度下的尺度空间表示序列，提取尺度的空间主轮廓特征向量，实现边缘、角点检测和不同分辨率上的特征提取，再利用高斯变换的多尺度特性构建高斯金字塔，获得不同尺度下的分层图像，结合自适应阈值的SUSAN算子检测出不同尺度下的候选角点，再将其还原到原始图像中的相应位置构成候选角点集，最后经小邻域信息筛选获得最终角点；主要步骤描述如下：步骤一：对M×N的原始图像进行高斯变换，得到多尺度下的分层图像：用尺度因子σ1对M×N的原始图像进行高斯变换，得到第一层图像，依次对每层图像进行二元下抽样，再用尺度因子σi(i＝2,3,…,level)进行高斯变换，得到金字塔中的各分层图像；步骤二：用自适应阈值的SUSAN算子检测多尺度下的分层图像，获得不同尺度下的候选角点：对金字塔的每一层图像用自适应阈值的SUSAN算子进行检测，获得候选角点；步骤三：把不同尺度下的侯选角点还原到原始图像中的相应位置构成候选角点集，再参考小邻域信息，筛选并确定最终的角点位置：在步骤二中获得的候选角点集CadCorner中搜索确定最终角点，充分利用多尺度信息，每一尺度下检测到的候选角点都还原到原始图像中对应的位置，设置一个维数为M×N的矩阵Corner，在Corner中将CadCorner中的候选角点的相应位置设为1，其余设为0；依次扫描CadCorner矩阵中的元素，当元素值为1时，确定以该元素为中心的border×border邻域，求取该邻域内的所有候选角点对应的位置的算术平均值，将其作为最终的角点，存储在NewCorner中；最后将NewCorner中的元素在图像上表示出来。具体实施方式二：与具体实施方式一不同的是，本实施方式的基于高斯变换的多尺度SUSAN角点检测方法，步骤一所述的高斯金字塔层数level的值为4，level值与可检测角点数目成正比，当待检测图像大小为256×256时，取level∈[3,5]，高斯变换的尺度变换系数高斯尺度σ1＝0.3，σi由σi＝pi-1σ1(i＝2,3,…,level)确定。具体实施方式三：与具体实施方式一或二不同的是，本实施方式的基于高斯变换的多尺度SUSAN角点检测方法，步骤二所述的每个像素点的USAN值与一个几何阈值G进行比较，得到初始响应函数值其中G＝18，采用直径为7的圆形模板，USAN最大面积nmax为36，G定义为nmax大小的一半，图像中，(x0,y0)处的USAN区域重心为(xg,yg)，(xg-x0)2+(yg-y0)2＞T1中，T1为指定阈值，T1＝2.9，自适应阈值中K＝0.15且n＝7。具体实施方式四：与具体实施方式三不同的是，本实施方式的基于高斯变换的多尺度SUSAN角点检测方法，步骤三所述的邻域边界border的值越大，获得的角点数目越少，易引起漏检，反之，易增加伪角点数目，宜令border∈[15,20]。具体实施方式五：与具体实施方式四不同的是，本实施方式的基于高斯变换的多尺度SUSAN角点检测方法，步骤三所述的邻域边界border＝17。本文档来自技高网...

【技术保护点】
1.一种基于高斯变换的多尺度SUSAN角点检测方法，其特征是：基于高斯变换的多尺度SUSAN角点检测方法是在图像信息处理模型中引入一个尺度因子σ，通过连续变化尺度参数获得多尺度下的尺度空间表示序列，提取尺度的空间主轮廓特征向量，实现边缘、角点检测和不同分辨率上的特征提取，再利用高斯变换的多尺度特性构建高斯金字塔，获得不同尺度下的分层图像，结合自适应阈值的SUSAN算子检测出不同尺度下的候选角点，再将其还原到原始图像中的相应位置构成候选角点集，最后经小邻域信息筛选获得最终角点；主要步骤描述如下：步骤一：对分辨率为M×N的原始图像进行高斯变换，得到多尺度下的分层图像：用第1个尺度因子σ1对M×N的原始图像进行高斯变换，得到第一层图像，依次对每层图像进行二元下抽样，再用第i个尺度因子σi(i＝2,3,…,level)进行高斯变换，得到金字塔中的各分层图像；步骤二：用自适应阈值的SUSAN算子检测多尺度下的分层图像，获得不同尺度下的候选角点：对金字塔的每一层图像用自适应阈值的SUSAN算子进行检测，获得候选角点；步骤三：把不同尺度下的侯选角点还原到原始图像中的相应位置构成候选角点集，再参考小邻域信息，筛选并确定最终的角点位置：在步骤二中获得的候选角点集CadCorner中搜索确定最终角点，充分利用多尺度信息，每一尺度下检测到的候选角点都还原到原始图像中对应的位置，设置一个M×N的二维矩阵Corner，在Corner中将CadCorner中的候选角点的相应位置设为1，其余设为0；依次扫描CadCorner矩阵中的元素，当元素值为1时，确定以该元素为中心的border×border邻域，求取该邻域内的所有候选角点对应的位置的算术平均值，将其作为最终的角点，存储在NewCorner中；最后将NewCorner中的元素在图像上表示出来。...

【技术特征摘要】
1.一种基于高斯变换的多尺度SUSAN角点检测方法，其特征是：基于高斯变换的多尺度SUSAN角点检测方法是在图像信息处理模型中引入一个尺度因子σ，通过连续变化尺度参数获得多尺度下的尺度空间表示序列，提取尺度的空间主轮廓特征向量，实现边缘、角点检测和不同分辨率上的特征提取，再利用高斯变换的多尺度特性构建高斯金字塔，获得不同尺度下的分层图像，结合自适应阈值的SUSAN算子检测出不同尺度下的候选角点，再将其还原到原始图像中的相应位置构成候选角点集，最后经小邻域信息筛选获得最终角点；主要步骤描述如下：步骤一：对分辨率为M×N的原始图像进行高斯变换，得到多尺度下的分层图像：用第1个尺度因子σ1对M×N的原始图像进行高斯变换，得到第一层图像，依次对每层图像进行二元下抽样，再用第i个尺度因子σi(i＝2,3,…,level)进行高斯变换，得到金字塔中的各分层图像；步骤二：用自适应阈值的SUSAN算子检测多尺度下的分层图像，获得不同尺度下的候选角点：对金字塔的每一层图像用自适应阈值的SUSAN算子进行检测，获得候选角点；步骤三：把不同尺度下的侯选角点还原到原始图像中的相应位置构成候选角点集，再参考小邻域信息，筛选并确定最终的角点位置：在步骤二中获得的候选角点集CadCorner中搜索确定最终角点，充分利用多尺度信息，每一尺度下检测到的候选角点都还原到原始图像中对应的位置，设置一个M×N的二维矩阵Corner，在Corner中将CadCorner中的候选角点的相应位置设为1，其余设为0；依次扫描...

【专利技术属性】
技术研发人员：范剑英，侯海莹，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江,23