一種基于曲率尺度空間的自適應角點檢測方法_圖文

1、收稿日期:2006-10-27基金項目:教育部高等學校創(chuàng)新工程重大項目培育基金項目(編號:705038;武漢市科技攻關計劃項目(編號:20051101013。作者簡介:汪華琴(1982,女,湖北潛江人,碩士,研究方向:多媒體技術、圖像處理(E 2mail :whq -002193 ;談國新(1964,男,教授,研究方向:數字媒體的研究及產品開發(fā)。文章編號:1003-6199(200702-0123-05一種基于曲率尺度空間的自適應角點檢測方法汪華琴1,2,談國新1,錢小紅1,2,朱海燕2(1.華中師范大學教育信息技術工程研究中心,湖北武漢430079;2.華中師范大學計算機科學系,湖北武漢43

2、0079摘要:角點是圖像處理中的重要特征,基于曲率尺度空間技術,提出一種自適應角點檢測方法。首先提取圖像的輪廓,采用一個固定的低尺度計算所有輪廓點的曲率,并根據曲率得到候選角點集,然后用由自適應支持區(qū)域確定的角點角度和一個動態(tài)曲率闕值代替固定的闕值篩選出正確角點。實驗結果證實該方法應用于復雜圖像的精確性和穩(wěn)定性。關鍵詞:曲率尺度空間;角點檢測;支持區(qū)域;候選角點中圖分類號:TP391文獻標識碼:AAn Adaptive Corner Detector B ased on Curvature Scale SpaceWAN G Hua 2qin 1,2,TAN Guo 2xin 1,Q IAN X

3、iao 2hong 1,2,ZHU Hai 2yan 2(1.Engineering Research Center for Educational Information and T echnology ,Huazhong Normal University ,Wuhan 430079,China ;2.Department of Computer Science ,Huazhong Normal University ,Wuhan 430079,China Abstract :The corner is an important feature in image processing ,a

4、n adaptive corner detector is proposed based on curvature scale space technique in this paper.First ,the contour curve is extracted for the image.According to the curvature calculated at a fix low scale for each point of the contour ,corner candidates are obtained.Then ,angles of corner candidates c

5、hecked in an adap 2tive region of support and a dynamic curvature threshold are used instead of the fixed threshold to get true corners.Experimental results show that the proposed method offers an effective and robust solution to images containing widely different size features.K ey w ords :curvatur

6、e scale space ;corner detection ;region of support ;corner candidate1引言在計算機圖像處理中,同平面曲線上的圓弧、線段等其他特征相比,角點是最為重要的特征,對角點提取的越準確越有助于對圖形的理解和分析,同時它對于確定場景中的物體乃至于立體視圖匹配都有重要的作用。目前在文獻1,2,3中提出的幾種經典的角點檢測算法SUSAN 算法、Plessey 算法、K itchen/Rosenfeld 算法,它們大部分是在單尺度下對圖片進行角點檢測,但是實際圖像中的特征角點常常發(fā)生在不同的尺度范圍上,并且每一角點的尺度信息是未知的,因此利用多

7、尺度技術檢測角點是獲得理想特征角點的一種理想途徑。Rat 2tarangsi 和Chin 提出了一種基于高斯尺度空間的多尺度算法用于檢測多尺度圖像4,它在檢測過程中需要使用大量的尺度,因此計算量非常大。相對來說,曲率尺度空間技術更適合用于多尺度復雜圖像的角點檢測。Mokhtarian 和Suomela 提出了一種基于曲率尺度空間的角點檢測方法5,這種方法的特點是,在較大的尺度下用曲率公式計算出圖像輪廓某點處的曲率,找出局部極值點,再通過第26卷第2期2007年6月計算技術與自動化Computing Technology and AutomationVol 126,No 12J un.2007閾

8、值技術來檢測角點,最后在較小的尺度下對檢測出的角點進行定位。該方法對角點的定位非常準確,并且計算量大大減少,但也有其需要改進的地方。文獻5中提出的方法存在兩個不足:一是在檢測角點的過程中使用是單一的高尺度,這樣很容易漏掉一部分正確角點;二是用于決定角點取舍的全局闕值t是預先固定的,它的取值對最終的結果有很大的影響。Mokhtarian和Suomela在文獻6中對文獻5提出的方法做出了改進,即在計算圖像輪廓點處的曲率之前,對輪廓曲線長度不同的圖像選用不同的尺度,該方法的效果要更好些,但是仍然有不足之處。本文提出一種基于曲率尺度空間的自適應角點檢測方法,與文獻5,6方法不同的是,該方法首先在一個固

9、定的較低尺度下計算輪廓曲線上任意一點處的曲率,這樣就能得到所有正確的角點,然后用由自適應支持區(qū)域確定的候選角點的角度剔除邊緣噪聲干擾產生的角點,用動態(tài)闕值代替預先固定的闕值t剔除圓角點。由于角點的角度和曲率闕值都動態(tài)地反映出了候選角點處的局部特征,所以對于多尺度圖像的角點檢測效果很好。經實驗分析比較,該方法比文獻5,6提出的方法更精確,更穩(wěn)定。2基于曲率尺度空間的角點檢測方法圖像的輪廓曲線常常會受到噪聲的影響而出現“毛刺”,直接影響角點的求取,目前有兩種方法用于構造歐氏曲線尺度空間高斯平滑法7和曲率形變法8。這兩種方法都可以濾掉平面曲線上的噪聲和不重要的微弱結構。文獻7中給出了經高斯平滑后輪廓

10、曲線的曲率公式:k(u,=x u(u,y uu(u,-x uu(u,y u(u,(x u(u,2+y u(u,211.5(1其中x u(u,=x(u g u(u,x uu(u,=x(u g uu(u,y u(u,=y(u g u(u,y uu(u,=y(u g uu(u,是一個卷積符號,u為弧長參數,g(u,是高斯函數,為尺度參數,g u(u,以及g uu(u,是指g(u,分別對u求一階和二階導數。在此基礎上,文獻5中提出了一種基于曲率尺度空間的角點檢測方法,具體步驟如下:1用Canny算子提取原始圖像的邊緣。2從邊緣圖像中提取輪廓曲線,填充輪廓曲線中的斷點,找到T型交叉點,標記為T型角點。3

11、用一個較高的尺度來計算輪廓曲線上任意一點處的曲率。4把局部曲率最大點作為候選角點,如果某個候選角點處的曲率值大于閾值t并且大約是相鄰局部曲率最小點處曲率值的2倍,則把該角點作為正確角點。5在較低的尺度下對已提取的角點進行定位。6把T型角點和步驟3中提取出來的角點進行比較,剔除兩個相隔較近的其中一個角點。在步驟3中,以高斯函數的參數為尺度,對輪廓曲線進行了平滑,然后用公式(1計算輪廓曲線上每一點的曲率,通過選擇局部曲率最大點進行角點的檢測。在此過程中采用的是單一的高尺度,而在高尺度下會過濾掉一部分有用的細節(jié)信息,從而導致丟失一部分正確角點。此外,決定角度取舍的閾值t的值對角點檢測結果的影響又非常

12、大,因此該方法在實際應用中有很大的不足。文獻6提出的算法在計算圖像輪廓點處的曲率之前,對不同長度的輪廓曲線選用不同的尺度,這樣就提高了對復雜圖像進行角點檢測的精確度。但是一個合適的尺度并不能僅僅由圖像的輪廓曲線長度所決定,并且輪廓曲線的長度也受邊緣檢測算法的影響。實際上,輪廓曲線長度相同的兩幅圖像,其形狀特征也不一定相同。因此,該算法也有待于改進。3改進的角點檢測方法本文提出的方法對上述角點檢測方法的步驟3和步驟4進行了改進后為:1用一個固定的低尺度值計算輪廓曲線上任意一點處的曲率。2把局部曲率最大點放入候選角點集。錯誤角點可以分為邊緣噪聲干擾產生的角點和圓角點,分別剔除這兩類錯誤角點,最后得

13、到正確角點。下面提出了相應的篩選規(guī)則剔除錯誤角點。311剔除由于邊緣噪聲干擾產生的角點31111定義候選角點的角度421計算技術與自動化2007年6月k=p(u-p(u-k=(x(u-x(u-k,y(u-y(u-kb k=p(u-p(u+k=(x(u-x(u+k,y(u-y(u+kcos=kb k|k|b k|(2同樣,如果計算出角的值,就可以用它來度量角點處的局部特征,從而應用在角點檢測上。p(u、p(u-k、p(u+k可以構成一個三角形(三點若在同一直線上視為特殊情況,設、b、c 為這個三角形的三條邊,=|k|,b=|b k|,c =|p(u-k-p(u+k|。根據余弦定理可以將公式(2轉

14、化為:cos=2+b2-c22b(3最后對公式(3求反余弦:=rccos 2+b2-c22b0,(4從原始圖像中提取的輪廓邊緣常常受到背景因素和噪聲的影響而使原本平滑的邊緣出現“毛刺”,這樣無疑會引起曲線上某些點的局部彎曲度突然增大而成為錯誤角點,在這里稱為邊緣噪聲干擾產生的角點。和尖角點以及圓角點相比起來,這一類角點處的曲線彎曲度在較大的局部區(qū)域內是很小的,從角的定義可知,角點處曲線彎曲度與角度值是成反比的,因此角可以用來作為邊緣噪聲產生的角點和其他角點的依據。31112由自適應支持區(qū)域確定候選角點的角度定義k矢量k和b k所在的直線和p(u-k-p(u+k所在直線圍成的封閉區(qū)域ROS為點p

15、(u的支持區(qū)域,k為支持區(qū)域的臂長,常用的算法在計算曲線的彎曲度時支持區(qū)域的臂長是預先確定的,支持區(qū)域不隨曲線局部特征的改變而改變。如果希望找到全局關鍵點,就必須選擇較大的支持區(qū)域;如果只是求取局部區(qū)域中彎曲度最大的點,則選擇較小的支持區(qū)域,但這樣就會增加程序的復雜度。所以,選擇一個合適的支持區(qū)域是非常必要的。在確定支持區(qū)域的過程中,為了能夠更好地反映曲線的局部特征,支持區(qū)域的前后臂長可以是不相同的。自適應支持區(qū)域的確定方法如下:在侯選角點p(u的兩個相鄰區(qū)域內分別取一個局部曲率最小點,表示為p(u-L1、p (u+L2,L1和L2是p(u的支持區(qū)域的臂長(如圖1,兩個相鄰區(qū)域指的是從候選角點

16、p(u分別到相鄰的兩個候選角點的區(qū)域。的支持區(qū)域表示如下:ROS(p(u=p(u-Lp(u-1,p(u,p(u+1p(u+L2(5圖1點p(u處的支持區(qū)域和角的表示圖用=|p(u-p(u-L1,b=|p(u-p(u+L2|,c=|p(u-L1-p(u+L2|計算出、b、c的值,然后代入公式(4得出點p(u處的角度值。當某個候選角點的角度值大于一個閾值時剔除這個角點,也就是說,如果候選角點處曲線彎曲度在支持區(qū)域內非常小,則該角點被剔除。由候選角點的支持區(qū)域的定義可知,候選角點集發(fā)生變化后,部分候選角點的支持區(qū)域也會隨著增大。尖角點和圓角點處的角度變化值會保持在較小的范圍內,而邊緣噪聲干擾產生的角

17、點處的角度將會明顯增大。對新產生的候選角點集重復上述過程,邊緣噪聲干擾產生的角點最終會被剔除,只剩下尖角點和圓角點。312剔除圓角點邊緣噪聲干擾產生的角點被剔除以后,剩下的錯誤角點就是一部分圓角點。在3.1中為候選角點定義了一個支持區(qū)域,在該支持區(qū)域內候選角點處的曲率是最大的,其中尖角點和圓角點有所不同的是,尖角點處的曲率值與其支持區(qū)域點處的曲率值差距很大,而圓角點處的曲率值與其支持區(qū)域點處的曲率值差距很小。因此,可以根據候選角點的支持區(qū)域點處的曲率值來設置閾值,從而把尖角點和圓角點區(qū)分開來。下面給出一個動態(tài)的曲率閾值521第26卷第2期汪華琴等:一種基于曲率尺度空間的自適應角點檢測方法 T

18、(u 。T (u =M × k =M ×1L 1+L 2-1×u +L 2i =u -L 1k (i (6其中M 為一個常數, k 用來表示p (u 的支持區(qū)域的平均曲率,L 1和L 2是支持區(qū)域的臂長,k (i 是點候選角點p (i 處的曲率。當候選角點處的曲率值小于這個閾值,則這個候選角點是圓角點,剔除這個角點。必須注意到的是,當M 取1時,對剔除圓角點沒有什么效果,當M 取2時,滿足公式(6的角點就可以認為是一個標準的尖角點了,所以M 的值應該是介于1和2之間的。在這里取之間的值時對最后的結果基本上沒有大的影響。4實驗及分析經多次實驗,在本文提出的方法中取=

19、3,=163度時對幾乎所有圖片都能得到較好的結果。為了驗證該方法的有效性,下面對一些圖片做實驗,并把實驗結果與文獻5和文獻6中的方法作比較。在整個實驗中,除了文獻6方法外,其它方法對所有的圖片采用默認的參數。首先對簡單的圖片進行實驗驗證,如圖2所示。圖2是對同一張圖片用不同的方法來檢測角點的效果圖,表1中列出了檢測結果的數據。由實驗結果可以看出,本文的方法沒有檢測出錯誤角點,正確角點個數最多,漏掉的角點個數明顯要比其它兩種方法少,具體如表1所示。表1圖2中檢測角點結果角點檢測方法正確角點個數丟失的角點個數錯誤角點個數本文方法3410文獻5方法2782文獻6方法2411其次對復雜的圖像進行角點檢

20、測。如圖3所示,這幅圖是一幅復雜的房子圖像,在房子的磚墻上含有很多圖像細節(jié)和紋理信息。從對房子圖像檢測的結果可以看出,本文的方法基本上檢測出了所有的正確角點,而檢測出的錯誤角點的個數與其它兩種方法相比明顯是最少的。由此可見,本文的方法能能夠檢測出更多的正確角點,并且能減少錯誤角點的個數 。圖2 對簡單圖像檢測角點621計算技術與自動化2007年6月圖3對復雜圖像檢測角點5結論本文分析了基于曲率尺度空間的角點檢測方法5,6的優(yōu)點和不足,提出了一種自適應角點檢測方法,在一定程度上提高了對多尺度圖像檢測角點的正確率。從實驗結果可以看出,該方法幾乎能提取出所有的正確角點,并且檢測出的錯誤角點個數非常少

21、,適合于對角點檢測精度要求高的應用。進一步的研究方向:進一步提高該方法的抗噪能力;本文中所用的部分參數仍然是預先固定的,有待于改進,使之具有自適應調節(jié)能力。參考文獻Level Image Processing”J.Defence Research Agency,1994,I2 J CV(23:45-48.2C.Harris.“Determination of ego-motion from matched points1987.189-192.3L.K itchen,A.Rosenfeld.“Gray level corner detection”J.Pattern Recognition letters,1982,1(2:95-102.planar Curves”J.IEEE Trans on Pattern Analysis and Ma2 chine Intelligence,1992,14(4: