CN106682678A - 一种基于支撑域的图像角点检测和分类方法 - Google Patents

Abstract

本发明公开了一种基于支撑域的图像角点检测和分类方法，思路为：获取待检测的图像I₀，并对图像I₀进行平滑处理，得到平滑处理后的图像I，然后对平滑处理后的图像I进行边缘检测，得到平滑处理后的图像I包含的H个边缘点，并将所述H个边缘点作为候选角点集；获取滤波器组，所述滤波器组由K个方向不同的滤波器构成，并计算由K个不同方向的滤波器模版构成的滤波器组F；根据由K个不同方向的滤波器模版构成的滤波器组F，计算H个候选角点的角点测度集Area_edge后并依次进行非极大值抑制和阈值判断，得到待检测的图像I₀中包含的T个真实角点；对待检测的图像I₀中包含的T个真实角点进行角点分类，得到T个真实角点各自包含的峰值个数，进而完成待检测的图像I₀中包含的T个真实角点的分类。

Description

一种基于支撑域的图像角点检测和分类方法

技术领域

本发明属于图像处理技术领域，特别涉及一种基于支撑域的图像角点检测和分类方法，适用于自然图像或人造图像中的角点检测。

背景技术

人类接收的信息大约有三分之二来自图像，而图像的基础特征包含边缘点和角点；角点指二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点，并包含了图像中重要的结构信息，具有几何变换不变性；因此角点在图像处理和计算机视觉中起着关键的作用，不仅保留了图像中物体的重要特征信息，同时又有效地减少了重要特征信息的数据量，而且在目标识别、图像配准、人脸检测与识别、侦察与定位，以及三位重建等领域中都有广泛应用，所以角点检测也是图像分割或图像配准图像后期处理过程的前提。

现有的角点检测方法很多，大致分为三类：基于灰度变化的角点检测方法、基于模型匹配的角点检测方法和基于边缘轮廓线的角点检测方法。

基于灰度变化的角点检测方法依据图像像素点及像素点周围像素的灰度变化情况，利用一阶或二阶微分算子检测角点，由于二阶微分算子对噪声非常敏感，因此通常采用一阶微分算子提取角点；Moravec提出的基于灰度变化的角点检测方法计算简单，运行速度快但对噪声敏；Harris等对基于灰度变化的角点检测方法进行了改进后得到经典的Harris角点检测算法，经典的Harris角点检测算法首先利用图像的一阶导数估计局部梯度自相关矩阵，然后根据局部梯度自相关矩阵的特征值判定图像的像素点是否为角点，经典的Harris角点检测算法具有一定旋转平移不变性，可靠性较高，但同性高斯核函数对噪声敏感，角点的定位性也不好。

基于模型匹配的角点检测方法通过将图像和预先已经定义的模型进行匹配得到角点，但是由于该预先已经定义的模型很难覆盖真实图像中的全部角点，所以基于模型匹配的角点检测方法在实际的应用中受到了很大地限制。

与前两类方法相比较，基于边缘轮廓线的角点检测方法性能更加稳健，而基于边缘轮廓线的角点检测器(如HE检测器和CPDA检测器)主要通过分析图像边缘的形状特性检测角点；即首先提取图像的边缘轮廓，并从该边缘轮廓中提取封闭或者非封闭的边缘轮廓曲线，并根据建立的角点测度得到候选角点，然后通过非极大值抑制等方式去除错误角点；但是基于边缘轮廓线的角点检测方法对于边缘曲线的微小变化以及边缘检测噪声比较敏感，若提取的边缘轮廓曲线出现断裂，则会对角点提取产生重要影响，从而使得且边缘轮廓曲线的角点定位性能也受到影响，因此基于边缘轮廓线的角点检测方法还存在很大的改进空间。

发明内容

针对以上现有技术存在的不足，本发明的目的在于提出一种基于支撑域的图像角点检测和分类方法，该种基于支撑域的图像角点检测和分类方法能够检测到自然图像或人造图像中的真实角点并进行分类，方法新颖，容易理解且实现简单。

为达到上述技术目的，本发明采用如下技术方案予以实现。

一种基于支撑域的图像角点检测和分类方法，包括以下步骤：

步骤1，获取一幅待检测的图像，记为I₀，并对待检测的图像I₀进行平滑处理，得到平滑处理后的图像I，然后用Canny算子对平滑处理后的图像I进行边缘检测，得到平滑处理后的图像I包含的H个边缘点，并将所述H个边缘点作为候选角点集；

步骤2，获取滤波器组，所述滤波器组由K个方向不同的滤波器构成，所述滤波器组中以方向为0度的滤波器作为主滤波器，滤波器组中第k个滤波器的方向θ^k为2π*(k-1)/K，k∈{1,2,…,K}，并计算得到由K个方向不同的滤波器模版构成的滤波器组F；

步骤3，根据由K个方向不同的滤波器模版构成的滤波器组F，计算得到H个候选角点的角点测度集Area_edge；。

步骤4，对所述H个候选角点的角点测度集Area_edge依次进行非极大值抑制和阈值判断，得到待检测的图像I₀中包含的T个真实角点；。

步骤5，对待检测的图像I₀中包含的T个真实角点进行角点分类，得到T个真实角点各自包含的峰值个数，进而完成待检测的图像I₀中包含的T个真实角点的分类。

本发明与现有技术相比具有以下特点：

第一，本发明对对角点判定的贡献是角点周围的一簇簇点而非角点本身，角点中心是复杂的也是不可信的，即角点周围的局部结构对角点的判决起支撑性作用，因此设计滤波器的时候充分考虑了这一点；

第二，传统角点检测和分类算法设计的滤波器都覆盖了待检测点的四周2π范围区域且滤波窗都是对称的，同时滤波窗只旋转180度进行滤波，导致角点检测支撑区域的一部分信息被掩盖，进而导致角点判决模糊，另外也不符合角点模型的；而使用本发明方法得到设计的滤波器只覆盖待检测点周围π范围区域，且滤波器也是非对称的；再者，考虑角点结构本身就是有偏的，因此本发明设计的滤波器也是有偏的，这样不会使支撑角点的弱信息湮灭；

第三，本发明方法对各类型角点都能实现检测和分类；并且角点检测的过程其实就是从边缘点中抽取角点，与传统的角点检测算法比较，本发明方法充分理解了角点检测重要本质，方法新颖，容易理解且实现简单。

附图说明

下面结合附图说明和具体实施方式对本发明作进一步详细说明。

图1是本发明的一种基于支撑域的图像角点检测和分类方法流程图；

图2是使用Canny算子估计待检测图像中所有像素点的近似边缘方向角的示意图；

图3是一幅人造角点的归一化滤波响应极形图；

图4是分别使用ANDD角点检测和分类方法，以及本发明方法得到的ROC曲线图；

图5a是一幅人造边缘点图，

图5b是使用ANDD角点检测和分类方法对图5a进行归一化滤波响应得到的极形图，

图5c是使用本发明方法对图5a进行归一化滤波响应得到极形图；

图6a是一幅人造简单角点图，

图6b是使用ANDD角点检测和分类方法对图6a进行归一化滤波响应得到的极形图，

图6c是使用本发明方法对图6a进行归一化滤波响应得到的极形图；

图7a是一幅人造的特殊Y型角点图，

图7b是使用ANDD角点检测和分类方法对图7a进行归一化滤波响应得到的极形图，

图7c是使用本发明方法对图7a进行归一化滤波响应得到的极形图；

图8a是一幅人造的典型Y型角点图，

图8b是使用ANDD角点检测和分类方法对图8a进行归一化滤波响应得到的极形图，

图8c是使用本发明方法对图8a进行归一化滤波响应得到的极形图；

图9a是一幅人造的特殊X型角点图，

图9b是使用ANDD角点检测和分类方法对图9a进行归一化滤波响应得到的极形图，

图9c是使用本发明方法对图9a进行归一化滤波响应得到的极形图；

图10a是一幅人造的特殊X型角点图，

图10b是使用ANDD角点检测和分类方法对图10a进行归一化滤波响应得到的极形图，

图10c是使用本发明方法对图10a进行归一化滤波响应得到的极形图；

图11a是一幅人造的典型X型角点图，

图11b是使用ANDD角点检测和分类方法对图11a进行归一化滤波响应得到的极形图，

图11c是使用本发明方法对图11a进行归一化滤波响应得到的极形图；

图12a是一幅人造的星型角点图，

图12b是使用ANDD角点检测和分类方法对图12a进行归一化滤波响应得到的极形图，

图12c是使用本发明方法对图12a的归一化滤波响应得到的极形图。

具体实施方式

参照图1，为本发明的一种基于支撑域的图像角点检测和分类方法流程图；所述基于支撑域的图像角点检测和分类方法，包括以下步骤：

步骤1，获取一幅待检测的图像，记为I₀，并对待检测的图像I₀进行平滑处理，得到平滑处理后的图像I，然后使用Canny算子对平滑处理后的图像I进行边缘检测，得到平滑处理后的图像I包含的H个边缘点，并将所述H个边缘点作为候选角点集；H为自然数。

步骤1的具体子步骤为：

1.1获取一幅待检测的图像，记为I₀，然后采用高斯滤波器对待检测的图像I₀进行平滑处理，得到平滑处理后的图像I。

n表示平滑处理后的图像I中的像素点索引，n∈{1,2,...,N}，N表示平滑处理后的图像I中的像素点总数；n'表示平滑处理后的图像I中的候选边缘点索引，n'∈{1,2,…,L}，L表示平滑处理后的图像I包含的候选边缘点总数，L≤N，n的初始值为1，n'的初始值为0。

具体地，首先设定x表示垂直于边缘方向的坐标，y表示平行于边缘方向的坐标，G(x)表示垂直于边缘方向的高斯函数，G(y)表示平行于边缘方向的高斯函数，其表达式分别为：

G(x)＝exp(-x²/(2σ²))

G(y)＝exp(-y²/(2σ²))

其中，σ表示垂直于边缘方向的高斯函数G(x)的标准差，σ也表示平行于边缘方向的高斯函数G(y)的标准差，exp(·)表示指数函数。

然后，根据垂直于边缘方向的高斯函数G(x)和平行于边缘方向的高斯函数G(y)，计算得到高斯滤波器f_IGF(x,y)，其表达式为：

f_IGF(x,y)＝G(x)G(y)＝exp(-(x²+y²)/2σ²)；

最后，设定高斯滤波器f_IGF(x,y)的滤波窗口尺寸为M×M，M为大于1的奇数，本实施例中M取5；计算高斯滤波器的滤波窗口内所有像素点的滤波器值，其中高斯滤波器的滤波窗口内像素点为(x,y)的滤波器值为F_IGF(x,y)，其表达式为：

F_IGF(x,y)＝exp(-((x-(M-1)/2)²+(y-(M-1)/2)²)/2σ²),x∈{1,2,…M},y∈{1,2,…M}，从而得到高斯滤波模板，并计算高斯滤波模板与待检测的图像I₀的卷积，进而得到平滑处理后的图像，记为I，F_IGF表示求得的高斯滤波器模板。

1.2计算平滑处理后的图像I中第n个像素点分别沿垂直于边缘方向和平行于边缘方向的梯度值，由此计算平滑处理后的图像I中第n个像素点的近似边缘方向角

具体地，首先分别设定垂直于边缘方向的核函数K_GX和平行于边缘方向的核函数K_GY，其表达式分别为：

然后，分别计算垂直于边缘方向的核函数K_GX、平行于边缘方向的核函数K_GY与平滑处理后的图像I的卷积，得到平滑处理后的图像I中每一个像素点分别沿垂直于边缘方向和平行于边缘方向的梯度值；其中，平滑处理后的图像I中第n个像素点沿垂直于边缘方向的梯度值为平滑处理后的图像I中第n个像素点沿平行于边缘方向的梯度值为则平滑处理后的图像I中第n个像素点的近似边缘方向角为其表达式为：

1.3对平滑处理后的图像I进行非极大值抑制，即选取平滑处理后的图像I中第n个像素点，并沿第n个像素点的近似边缘方向比较第n个像素点的像素值与邻近位置点的像素值，然后判断第n个像素点的像素值是否为第n个像素点的近似边缘方向上的局部极大值，如果第n个像素点的像素值是第n个像素点的近似边缘方向的像素极大值，则将第n个像素点作为第n'个候选边缘点，并令n'加1；若第n个像素点的像素值不是第n个像素点的近似边缘方向的像素极大值，则舍弃第n个像素点。

具体地，参照图2，为使用Canny算子估计待检测图像中所有像素点的近似边缘方向角的示意图；图2中像素点(x,y)的近似边缘方向为实线所画方向，则需要将像素点(x,y)的像素值与两个空心圆圈处像素点的像素值分别进行比较，而两个空心圆圈处像素点的像素值需要做线性插值获得，比如对像素点(x-1,y+1)的像素值和像素点(x,y+1)的像素值进行插值得到；若相比于两个空心圆圈处像素点的的像素值，像素点(x,y)的像素值大，则将像素点(x,y)点作为候选边缘点，否则舍弃像素点(x,y)；非极大值抑制处理能够消除平滑处理后的图像I中的虚假边缘点。

1.4令n加1，重复执行子步骤1.3，直到得到平滑处理后的图像I中包含的L个候选边缘点。

1.5由于边缘点包含强边缘点和弱边缘点，所以使用Canny提出的双阈值算法分别设置Canny边缘检测高阈值T_high和Canny边缘检测低阈值T_low，T_high>T_low，l表示L个候选边缘点中的候选边缘点索引，l∈{1,2,...,L}，L表示平滑处理后的图像I中包含的候选边缘点总数；l'表示H个边缘点中的边缘点索引，l'∈{1,2,...,H}，H表示平滑处理后的图像I中包含的边缘点总数；l的初始值为1，l'的初始值为0。

1.6从L个候选边缘点选取第l个候选边缘点，并将所述第l个候选边缘点依次与设置的Canny边缘检测高阈值T_high和设置的Canny边缘检测低阈值T_low进行比较：

若第l个候选边缘点的像素值大于设置的Canny边缘检测高阈值T_high，则认为第l个候选边缘点为强边缘点，进而将第l个强边缘点作为第l'个边缘点，并令l'加1；

若第l个候选边缘点的像素值小于设置的Canny边缘检测高阈值T_high且大于设置的Canny边缘检测低阈值T_low，则认为第l个候选边缘点为弱边缘点；如果第l个候选边缘点四邻接或者八邻接到强边缘点上，则第l个候选边缘点也认为是一个边缘点，将其作为第l'个边缘点，并令l'加1；如果第l个候选边缘点并未四邻接或者八邻接到强边缘点上，则舍弃第l个候选边缘点。

1.7令l加1，重复执行子步骤1.6，直到得到平滑处理后的图像I包含的H个边缘点，并将所述平滑处理后的图像I包含的H个边缘点作为候选角点集。

步骤2，获取滤波器组，所述滤波器组由K个方向不同的滤波器构成，所述滤波器组中以方向为0度的滤波器作为主滤波器，滤波器组中第k个滤波器的方向θ^k为2π*(k-1)/K，k∈{1,2,…,K}，并计算得到由K个方向不同的滤波器模版构成的滤波器组F。

步骤2的具体子步骤为：

2.1获取滤波器组，所述滤波器组由K个方向不同的滤波器组成，滤波器组中滤波器索引为k的滤波器方向为θ^k，且θ^k＝2π*(k-1)/K。

设定滤波器组中K个滤波器的尺寸分别为M_w×M_w，M_w为正整数，同时分别将K个滤波器各自的矩形窗的中心作为笛卡尔坐标系原点，则分别得到K个滤波器各自的矩形窗的长度x'范围和K个滤波器各自的矩形窗的宽度y'范围：x'∈[-M_w/2,M_w/2]，y'∈[-M_w/2,M_w/2]。

设定方向为θ^k的滤波器矩形窗包含P_k个坐标点；选取方向为θ^k的滤波器矩形窗中的任意一点，记为[xg,yg]，根据旋转公式计算得到方向为0的主滤波器的矩形窗中的对应坐标点[vv,uu]，其旋转公式为：vv＝yg*cosθ^k-xg*sinθ^k，uu＝xg*cosθ^k+yg*sinθ^k，方向为θ^k的滤波器矩形窗中的坐标为[xg,yg]的点和方向为0的主滤波器的矩形窗的坐标为[vv,uu]的点对应的滤波器值相等。

2.2初始化：k表示滤波器组中的滤波器索引，k∈{1,2,…,K}，K表示获取的滤波器组中包含的滤波器个数，所述K个滤波器方向不同；m∈{1,2,…,P_k}，P_k表示方向为θ^k的滤波器矩形窗中包含的坐标点个数，m表示方向为θ^k的滤波器矩形窗中第m个坐标点；k的初始值为1，m的初始值为1，P₁表示方向为0的主滤波器矩形窗中包含的坐标点个数；当k＝1时，θ^k＝0。

方向为0的主滤波器水平方向服从加入n_s长度平坦区的高斯分布，但方向为0的主滤波器对其进行了调偏，即沿水平方向进行了平移，平移长度为n_b。方向为0的主滤波器垂直方向服从高斯函数一阶导数；水平方向的高斯函数的方差和垂直方向的高斯函数的方差不同，分别记为σ_v和σ_u，方向为0的主滤波器的各向异性比为ρ＝σ_v/σ_u，ρ>1。

然后计算方向为0的主滤波器矩形窗对应的主滤波器模板F_θ＝0(vv,uu)，其表达式为：

其中，n_s表示方向为0的主滤波器水平方向加入平坦区的长度，n_b表示沿方向为0的主滤波器水平方向上的调偏长度。

2.3以方向为θ^k的滤波器的矩形窗中心点作为笛卡尔坐标系的原点构建方向为θ^k的滤波器对应坐标系，然后对方向为θ^k的滤波器矩形窗中第m个坐标点[xg_m,yg_m]根据旋转公式

vv_0m＝yg_m×cosθ^k-xg_m×sinθ^k，uu_0m＝xg_m×cosθ^k+yg_m×sinθ^k，计算方向为θ^k的滤波器矩形窗中第m个坐标点对应于方向为0的主滤波器的矩形窗中点的坐标为[vv_0m,uu_0m]，再根据所述方向为θ^k的滤波器矩形窗中第m个坐标点对应于方向为0的主滤波器的矩形窗中点的坐标为[vv_0m,uu_0m]，计算得到方向为θ^k的滤波器矩形窗中第m个坐标点[xg_m,yg_m]的滤波器值，所述第m个坐标点[xg_m,yg_m]的滤波器值等于方向为0的主滤波器中第m个坐标点[vv_0m,uu_0m]的滤波器值其表达式为：

2.4令m加1，重复执行子步骤2.3，直到得到方向为θ^k的滤波器矩形窗中第P_k个坐标点的滤波器值，此时将得到的方向为θ^k的滤波器矩形窗中第1个坐标点的滤波器值到方向为θ^k的滤波器矩形窗中第P_k个坐标点的滤波器值，作为方向为θ^k的滤波器模版

2.5令k加1，依次重复执行子步骤2.3和子步骤2.4，直到得到方向为θ^K的滤波器模版此时将得到的方向为θ¹的滤波器模版到方向为θ^K的滤波器模版作为由K个方向不同的滤波器模版构成的滤波器组F。

步骤3，根据由K个方向不同的滤波器模版构成的滤波器组F，计算得到H个候选角点的角点测度集Area_edge。

角点检测其实就是从边缘点中挑选出角点来。我们构造的滤波器组与H个边缘点的滤波响应分别是一对对称的峰，而角点的滤波响应则至少包含两个不对称的峰。我们构建角点测度的原理是先把滤波器组对待选点的滤波响应中去掉最大响应，再用剩下的部分构建角点测度，而最大响应其实就是发明中设计的滤波器组对理想阶跃边缘的滤波响应。

水平方向的理想阶跃边缘可表示为其中β＝0代表边缘方向为0度，我们用OPT_edge_β(xg,yg)来表示方向为β的理想阶跃边缘，则计算得到第k个滤波器对方向为β的理想阶跃边缘的滤波响应OPT_output(θ^k)，其表达式为：

其中，θ^k＝2π*(k-1)/K，k∈{1,2,…,K}。

步骤3的具体子步骤为：

3.1在由K个方向不同的滤波器模版构成的滤波器组F中，选取所述滤波器组F中方向为θ^k的滤波器模版与待检测的图像I₀进行卷积后再进行归一化处理，得到方向为θ^k的滤波器模版对应的图像归一化滤波响应IMG_output(θ^k)，

I₀表示待检测的图像，表示方向为θ^k的滤波器模版。

3.2所述候选角点集为平滑处理后的图像I中的H个边缘点，即所述候选角点集中也包含H个候选角点，h∈{1,2,...,H}，h表示候选角点集中的候选角点索引，h的初始值为0；k表示滤波器组中的滤波器索引，k∈{1,2,…,K}，K表示获取的滤波器组中包含的滤波器个数，k的初始值为1。

3.3选取H个候选角点中第h个候选角点，并计算第h个候选角点的方向为θ^k的滤波器模版对应的图像归一化滤波响应IMG_output(θ^k)；

3.4令k加1，重复执行子步骤3.3，直到得到第h个候选角点的方向为θ^K的滤波器模板对应的图像归一化滤波响应IMG_output(θ^K)，然后在此时得到的第h个候选角点的方向为θ¹的滤波器模板对应的图像归一化滤波响应IMG_output(θ¹)到第h个候选角点的方向为θ^K的滤波器模板对应的图像归一化滤波响应IMG_output(θ^K)中找到最大值和该最大值对应的角度，所述最大值为第h个候选角点的最大响应，所述最大值对应的角度为第h个候选角点的理想阶跃边缘角度β_h。

3.5根据第h个候选角点的理想阶跃边缘角度β_h和将第k个滤波器对方向为β的理想阶跃边缘的滤波响应OPT_output(θ^k)，计算得到第h个候选角点在方向为θ^k的滤波器中的角点测量值OPT_output(θ^k)。

3.6令k加1，重复子步骤3.5，直到得到第h个候选角点在方向为θ^K的滤波器中的角点测量值OPT_output(θ^K)，此时得到第h个候选角点在方向为θ¹的滤波器中的角点测量值OPT_output(θ¹)到第h个候选角点在方向为θ^K的滤波器中的角点测量值OPT_output(θ^K)，进而计算得到第h个候选角点的角点测度Area_edge_h，其表达式为：

3.6令h加1，依次重复执行子步骤3.3至子步骤3.5，直到得到第H个候选角点在在滤波器组中的角点测度Area_edge_H，此时将得到的第1个候选角点在滤波器组中的角点测度Area_edge₁到第H个候选角点在滤波器组中的角点测度Area_edge_H，作为H个候选角点的角点测度集Area_edge。

步骤4，对所述H个候选角点的角点测度集Area_edge依次进行非极大值抑制和阈值判断，得到待检测的图像I₀中包含的T个真实角点。

步骤4的具体子步骤为：

4.1设定一个与平滑处理后的图像I尺寸相同的二维矩阵G，将H个候选角点在所述二维矩阵中分别标注出来，并将H个候选角点各自在滤波器组中的角点测度作为二维矩阵G中的对应像素点灰度值，将二维矩阵G中没有标注的像素点的像素值分别取0。

h'∈{1,2,...,H}，h'表示二维矩阵G中的候选角点索引，H表示二维矩阵G中包含的候选角点个数，h'的初始值为1；h”∈{1,2,…,T}，h”表示待检测的图像I₀中的真实角点索引，T表示待检测的图像I₀中包含的真实角点个数，h”的初始值为0；将二维矩阵G中第h'个候选角点记为(i_h',j_h')。

4.2选取二维矩阵G中第h'个候选角点(i_h',j_h')，并在大小为2*radius+1的邻域范围内，radius为正整数，本实施例中取1，即

i_h'∈(i_h'-radius,i_h'+radius)和j_h'∈(j_h'-radius,j_h'+radius)，判断第h'个候选角点(i_h',j_h')的像素值是否是对应邻域内的极大值，若是极大值，则进一步判断第h'个候选角点(i_h',j_h')的像素值是否大于角点检测阈值eta，如果大于，则将第h'个候选角点(i_h',j_h')作为第h”个真实角点，并令h”加1；否则舍弃第h'个候选角点。

4.3令h'加1，重复执行子步骤4.2，直到判断第H个候选角点(i_H,j_H)的像素值是否是对应邻域内的极大值，若是极大值，则进一步判断第H个候选角点(i_H,j_H)的像素值是否大于角点检测阈值eta，如果大于，则将第H个候选角点(i_H,j_H)作为第T个真实角点；否则舍弃第H个候选角点；此时得到了T个真实角点，并将T个真实角点分别在待检测的图像I₀中进行标识，即得到待检测的图像I₀中包含的T个真实角点。

步骤5，对待检测的图像I₀中包含的T个真实角点进行角点分类，得到T个真实角点各自包含的峰值个数，进而完成待检测的图像I₀中包含的T个真实角点的分类。

对角点进行分类实质上就是从待检测的图像I₀中包含的T个真实角点各自的K个方向归一化滤波响应画成的极形图中找超过角点检测阈值的峰值个数，参照图3，为一幅人造角点的归一化滤波响应极形图。

图3的极形图中峰值为3个，若阈值为0.4，则该极形图对应的点是一个典型的Y型角点；为了得到典型的Y型角点，将待检测的图像I₀中每一个真实角点的K个方向归一化滤波响应，分别与该真实角点周围邻近的2个方向的归一化滤波响应进行比较，若该方向均大于另2个方向的滤波响应值且大于阈值eta，则该方向对应一个峰，旋转360度后得到满足阈值条件的峰值个数，进而完成角点分类。

步骤5的子步骤为：

5.1k表示滤波器组中的滤波器索引，k∈{1,2,…,K}，K表示获取的滤波器组中包含的滤波器个数，k的初始值为1；t表示待检测的图像I₀中的真实角点索引，t∈{1,2,…,T}，T表示待检测的图像I₀中包含的真实角点个数；k_t表示第t个真实角点包含的峰值个数，k_t的初始值为0；将待检测的图像I₀中第t个真实角点记为(m_t,n_t)。

5.2选取待检测的图像I₀中第t个真实角点(m_t,n_t)，并根据第h个候选角点的方向为θ^k的滤波器模版对应的图像归一化滤波响应IMG_output(θ^k)，计算得到第t个真实角点(m_t,n_t)在方向为θ^k的滤波器方向的归一化滤波响应，记为索引为k的滤波器方向为θ^k，且θ^k＝2π*(k-1)/K。

5.3令k加1,重复执行子步骤5.2，直到得到第t个真实角点(m_t,n_t)在方向为θ^K的滤波器方向的归一化滤波响应，记为此时得到了第t个真实角点(m_t,n_t)在方向为θ¹的滤波器方向的归一化滤波响应到第t个真实角点(m_t,n_t)在方向为θ^K的滤波器方向的归一化滤波响应并将k重新设置为1。

5.4将第t个真实角点(m_t,n_t)在方向为θ^k的滤波器方向的归一化滤波响应，与第t个真实角点(m_t,n_t)邻近两个方向各自的归一化滤波响应值进行比较，若第t个真实角点(m_t,n_t)在方向为θ^k的滤波器方向的归一化滤波响应分别大于第t个真实角点(m_t,n_t)邻近两个方向各自的归一化滤波响应值且第t个真实角点(m_t,n_t)在方向为θ^k的滤波器方向的归一化滤波响应大于角点检测阈值eta，则令第t个真实角点(m_t,n_t)包含的峰值个数k_t加1。

5.5令k加1，重复执行子步骤5.4，直到将第t个真实角点(m_t,n_t)在方向为θ^K的滤波器方向的归一化滤波响应，与第t个真实角点(m_t,n_t)邻近两个方向各自的归一化滤波响应值进行比较，若第t个真实角点(m_t,n_t)在方向为θ^K的滤波器方向的归一化滤波响应分别大于第t个真实角点(m_t,n_t)邻近两个方向各自的归一化滤波响应值且第t个真实角点(m_t,n_t)在方向为θ^K的滤波器方向的归一化滤波响应大于角点检测阈值eta，则令第t个真实角点(m_t,n_t)包含的峰值个数k_t加1，此时得到第t个真实角点(m_t,n_t)包含的k_t个峰值。

具体地，若第t个真实角点(m_t,n_t)的峰值个数k_t为2，则第t个真实角点(m_t,n_t)是普通角点；若第t个真实角点(m_t,n_t)的峰值个数k_t为3，则第t个真实角点(m_t,n_t)是Y型角点；若第t个真实角点(m_t,n_t)的峰值个数为4，则第t个真实角点(m_t,n_t)是X型角点；若第t个真实角点(m_t,n_t)的峰值个数k_t为5及以上，则第t个真实角点(m_t,n_t)是星形角点。

5.6令t加1，依次重复子步骤5.2至子步骤5.5，直到得到第T个真实角点(m_T,n_T)的k_T个峰值，此时完成了待检测的图像I₀中包含的T个真实角点的分类。

通过以下仿真实验对本发明效果作进一步验证说明。

实验1：作ROC曲线，用以比较本发明方法，与各向异性方向导数(ANDD)角点检测和分类算法的性能，参照图4，为分别使用ANDD角点检测和分类方法，以及本发明方法得到的ROC曲线图。

实验2：对比本发明方法，与各向异性方向导数(ANDD)角点检测和分类算法对角点的分类性能；输入8幅人造角点图像，分别为图5a、图6a、图7a、图8a、图9a、图10a、图11a和图12a，其中图5a是一幅人造边缘点图，图6a是一幅人造简单角点图，图7a是一幅人造的特殊Y型角点图，图8a是一幅人造的典型Y型角点图，图9a是一幅人造的特殊X型角点图，图10a是一幅人造的特殊X型角点图，图11a是一幅人造的典型X型角点图，图12a是一幅人造的星型角点图；

分别使用ANDD角点检测和分类算法，以及本发明方法对人造角点图像进行滤波，得到其360度内多方向归一化滤波响应，并将其画成极形图，进而得到8幅使用ANDD角点检测和分类方法得到的极形图和8幅使用本发明方法得到的极形图，分别为图5b、图6b、图7b、图8b、图9b、图10b、图11b和图12b，以及图5c、图6c、图7c、图8c、图9c、图10c、图11c和图12c。

图5b是使用ANDD角点检测和分类方法对图5a进行归一化滤波响应得到的极形图，图6b是使用ANDD角点检测和分类方法对图6a进行归一化滤波响应得到的极形图，图7b是使用ANDD角点检测和分类方法对图7a进行归一化滤波响应得到的极形图，图8b是使用ANDD角点检测和分类方法对图8a进行归一化滤波响应得到的极形图，图9b是使用ANDD角点检测和分类方法对图9a进行归一化滤波响应得到的极形图，图10b是使用ANDD角点检测和分类方法对图10a进行归一化滤波响应得到的极形图，图11b是使用ANDD角点检测和分类方法对图11a进行归一化滤波响应得到的极形图，图12b是使用ANDD角点检测和分类方法对图12a进行归一化滤波响应得到的极形图。

图5c是使用本发明方法对图5a进行归一化滤波响应得到极形图；图6c是使用本发明方法对图6a进行归一化滤波响应得到的极形图；图7c是使用本发明方法对图7a进行归一化滤波响应得到的极形图；图8c是使用本发明方法对图8a进行归一化滤波响应得到的极形图；图9c是使用本发明方法对图9a进行归一化滤波响应得到的极形图；图10c是使用本发明方法对图10a进行归一化滤波响应得到的极形图；图11c是使用本发明方法对图11a进行归一化滤波响应得到的极形图；图12c是使用本发明方法对图12a的归一化滤波响应得到的极形图。

从图4可以直观看出本发明方法的性能比ANDD角点检测和分类算法的性能要好；从实验2得到的结果可以看出ANDD角点检测和分类算法对诸如图7a,9a,10a这种角点是无法判决的，究其原因在于ANDD角点检测和分类算法使用的滤波器是对称的，得到的角点的归一化滤波响应画成极形图也是对称的，这样不仅湮灭了一些小峰的信息，更加导致一部分类型角点无法判决和分类。

综上所述，仿真实验验证了本发明的正确性，有效性和可靠性。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围；这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种基于支撑域的图像角点检测和分类方法，其特征在于，包括以下步骤：

步骤1，获取一幅待检测的图像，记为I₀，并对待检测的图像I₀进行平滑处理，得到平滑处理后的图像I，然后对平滑处理后的图像I进行边缘检测，得到平滑处理后的图像I包含的H个边缘点，并将所述H个边缘点作为候选角点集；H为自然数；

步骤2，获取滤波器组，所述滤波器组由K个方向不同的滤波器构成，所述滤波器组中以方向为0度的滤波器作为主滤波器，滤波器组中第k个滤波器的方向θ^k为2π*(k-1)/K，k∈{1，2，…，K}，并计算得到由K个方向不同的滤波器模版构成的滤波器组F；

步骤3，根据由K个方向不同的滤波器模版构成的滤波器组F，计算得到H个候选角点的角点测度集Area_edge；

步骤4，对所述H个候选角点的角点测度集Area_edge依次进行非极大值抑制和阈值判断，得到待检测的图像I₀中包含的T个真实角点；

步骤5，对待检测的图像I₀中包含的T个真实角点进行角点分类，得到T个真实角点各自包含的峰值个数，进而完成待检测的图像I₀中包含的T个真实角点的分类。

2.如权利要求1所述的一种基于支撑域的图像角点检测和分类方法，其特征在于，步骤1的子步骤为：

1.1获取一幅待检测的图像，记为I₀，然后采用高斯滤波器对待检测的图像I₀进行平滑处理，得到平滑处理后的图像I；

n表示平滑处理后的图像I中的像素点索引，n∈{1，2，...，N}，N表示平滑处理后的图像I中的像素点总数；n′表示平滑处理后的图像I中的候选边缘点索引，n′∈{1，2，…，L}，L表示平滑处理后的图像I包含的候选边缘点总数，L≤N，n的初始值为1，n′的初始值为0；

1.2计算平滑处理后的图像I中第n个像素点分别沿垂直于边缘方向和平行于边缘方向的梯度值，由此计算平滑处理后的图像I中第n个像素点的近似边缘方向角

1.3对平滑处理后的图像I进行非极大值抑制，即选取平滑处理后的图像I中第n个像素点，并沿第n个像素点的近似边缘方向比较第n个像素点的像素值与邻近位置点的像素值，然后判断第n个像素点的像素值是否为第n个像素点的近似边缘方向上的局部极大值，如果第n个像素点的像素值是第n个像素点的近似边缘方向的像素极大值，则将第n个像素点作为第n′个候选边缘点，并令n′加1；若第n个像素点的像素值不是第n个像素点的近似边缘方向的像素极大值，则舍弃第n个像素点；

1.4令n加1，重复执行子步骤1.3，直到得到平滑处理后的图像I中包含的L个候选边缘点；

1.5分别设置Canny边缘检测高阈值T_high和Canny边缘检测低阈值T_low，T_high>T_low，l表示L个候选边缘点中的候选边缘点索引，l∈{1，2，...，L}，L表示平滑处理后的图像I中包含的候选边缘点总数；l′表示H个边缘点中的边缘点索引，l′∈{1，2，...，H}，H表示平滑处理后的图像I中包含的边缘点总数；l的初始值为1，l′的初始值为0；

1.6从L个候选边缘点选取第l个候选边缘点，并将所述第l个候选边缘点依次与设置的Canny边缘检测高阈值T_high和设置的Canny边缘检测低阈值T_low进行比较：

若第l个候选边缘点的像素值大于设置的Canny边缘检测高阈值T_high，则认为第l个候选边缘点为强边缘点，进而将第l个强边缘点作为第l′个边缘点，并令l′加1；

若第l个候选边缘点的像素值小于设置的Canny边缘检测高阈值T_high且大于设置的Canny边缘检测低阈值T_low，则认为第l个候选边缘点为弱边缘点；如果第l个候选边缘点四邻接或者八邻接到强边缘点上，则第l个候选边缘点也认为是一个边缘点，将其作为第l′个边缘点，并令l′加1；如果第l个候选边缘点并未四邻接或者八邻接到强边缘点上，则舍弃第l个候选边缘点；

1.7令l加1，重复执行子步骤1.6，直到得到平滑处理后的图像I包含的H个边缘点，并将所述平滑处理后的图像I包含的H个边缘点作为候选角点集。

3.如权利要求1所述的一种基于支撑域的图像角点检测和分类方法，其特征在于，步骤2的子步骤为：

2.1获取滤波器组，所述滤波器组由K个方向不同的滤波器组成，滤波器组中滤波器索引为k的滤波器方向为θ^k，且θ^k＝2π*(k-1)/K；

设定滤波器组中K个滤波器的尺寸分别为M_w×M_w，M_w为正整数，同时分别将K个滤波器各自的矩形窗的中心作为笛卡尔坐标系原点，则分别得到K个滤波器各自的矩形窗的长度x′范围和K个滤波器各自的矩形窗的宽度y′范围：x′∈[-M_w/2，M_w/2]，y′∈[-M_w/2，M_w/2]；

设定方向为θ^k的滤波器矩形窗包含P_k个坐标点；选取方向为θ^k的滤波器矩形窗中的任意一点，记为[xg，yg]，根据旋转公式计算得到方向为0的主滤波器的矩形窗中的对应坐标点[vv，uu]，其旋转公式为：vv＝yg*cosθ^k-xg*sinθ^k，uu＝xg*cosθ^k+yg*sinθ^k，方向为θ^k的滤波器矩形窗中的坐标为[xg，yg]的点和方向为0的主滤波器的矩形窗的坐标为[vv，uu]的点对应的滤波器值相等；

2.2初始化：k表示滤波器组中的滤波器索引，k∈{1，2，…，K}，K表示获取的滤波器组中包含的滤波器个数，所述K个滤波器方向不同；m∈{1，2，…，P_k}，P_k表示方向为θ^k的滤波器矩形窗中包含的坐标点个数，m表示方向为θ^k的滤波器矩形窗中第m个坐标点；k的初始值为1，m的初始值为1，P₁表示方向为0的主滤波器矩形窗中包含的坐标点个数；当k＝1时，θ^k＝0；

方向为0的主滤波器水平方向服从加入n_s长度平坦区的高斯分布，但方向为0的主滤波器对其进行了调偏，即沿水平方向进行了平移，平移长度为n_b；方向为0的主滤波器垂直方向服从高斯函数一阶导数。水平方向的高斯函数的方差和垂直方向的高斯函数的方差不同，分别记为σ_v和σ_u，方向为0的主滤波器的各向异性比为ρ＝σ_v/σ_u，ρ>1；

然后计算方向为0的主滤波器矩形窗对应的主滤波器模板F_θ＝0(vv，uu)，其表达式为：

$F_{\mathrm{\&theta;}=0}(vv,uu)=\left\{\begin{array}{cc}uu\&times;e^{-\frac{{\mathrm{uu}}^2}{{\mathrm{\&sigma;}}_u}}\&times;e^{-\frac{{(n_b-vv)}^2}{{\mathrm{\&sigma;}}_v}}& vv<n_b\\ uu\&times;e^{-\frac{{\mathrm{uu}}^2}{{\mathrm{\&sigma;}}_u}}\&times;e^{-\frac{1}{{\mathrm{\&sigma;}}_v}}& n_b\&le;vv<n_b+n_s\\ uu\&times;e^{-\frac{{\mathrm{uu}}^2}{{\mathrm{\&sigma;}}_u}}\&times;e^{-\frac{{(n_b+n_s-vv)}^2}{{\mathrm{\&sigma;}}_v}}& vv\&GreaterEqual;n_b+n_s\end{array}\right.$

其中，n_s表示方向为0的主滤波器水平方向加入平坦区的长度，n_b表示沿方向为0的主滤波器水平方向上的调偏长度；

2.3以方向为θ^k的滤波器的矩形窗中心点作为笛卡尔坐标系的原点构建方向为θ^k的滤波器对应坐标系，然后对方向为θ^k的滤波器矩形窗中第m个坐标点[xg_m,yg_m]根据旋转公式

vv_0m＝yg_m×cosθ^k-xg_m×sinθ^k，uu_0m＝xg_m×cosθ^k+yg_m×sinθ^k，计算方向为θ^k的滤波器矩形窗中第m个坐标点对应于方向为0的主滤波器的矩形窗中点的坐标为[vv_0m,uu_0m]，再根据所述方向为θ^k的滤波器矩形窗中第m个坐标点对应于方向为0的主滤波器的矩形窗中点的坐标为[vv_0m,uu_0m]，计算得到方向为θ^k的滤波器矩形窗中第m个坐标点[xg_m,yg_m]的滤波器值，所述第m个坐标点[xg_m,yg_m]的滤波器值等于方向为0的主滤波器中第m个坐标点[vv_0m,uu_0m]的滤波器值其表达式为：

$F_{\mathrm{\&theta;}=0}({\mathrm{vv}}_{0m},{\mathrm{uu}}_{0m})=\left\{\begin{array}{cc}{\mathrm{uu}}_{0m}\&times;e^{-\frac{{{\mathrm{uu}}_{0m}}^2}{{\mathrm{\&sigma;}}_u}}\&times;e^{-\frac{{(n_b-{\mathrm{vv}}_{0m})}^2}{{\mathrm{\&sigma;}}_v}}& {\mathrm{vv}}_{0m}<n_b\\ {\mathrm{uu}}_{0m}\&times;e^{-\frac{{{\mathrm{uu}}_{0m}}^2}{{\mathrm{\&sigma;}}_u}}\&times;e^{-\frac{1}{{\mathrm{\&sigma;}}_v}}& n_b\&le;{\mathrm{vv}}_{0m}<n_b+n_s\\ {\mathrm{uu}}_{0m}\&times;e^{-\frac{{{\mathrm{uu}}_{0m}}^2}{{\mathrm{\&sigma;}}_u}}\&times;e^{-\frac{{(n_b+n_s-{\mathrm{vv}}_{0m})}^2}{{\mathrm{\&sigma;}}_v}}& {\mathrm{vv}}_{0m}\&GreaterEqual;n_b+n_s\end{array}\right.$

2.4令m加1，重复执行子步骤2.3，直到得到方向为θ^k的滤波器矩形窗中第P_k个坐标点的滤波器值，此时将得到的方向为θ^k的滤波器矩形窗中第1个坐标点的滤波器值到方向为θ^k的滤波器矩形窗中第P_k个坐标点的滤波器值，作为方向为θ^k的滤波器模版

2.5令k加1，依次重复执行子步骤2.3和子步骤2.4，直到得到方向为θ^K的滤波器模版此时将得到的方向为θ¹的滤波器模版到方向为θ^K的滤波器模版作为由K个方向不同的滤波器模版构成的滤波器组F。

4.如权利要求1所述的一种基于支撑域的图像角点检测和分类方法，其特征在于，步骤3的子步骤为：

3.1在由K个方向不同的滤波器模版构成的滤波器组F中，选取所述滤波器组F中方向为θ^k的滤波器模版与待检测的图像I₀进行卷积后再进行归一化处理，得到方向为θ^k的滤波器模版对应的图像归一化滤波响应IMG_output(θ^k)，

I₀表示待检测的图像，表示方向为θ^k的滤波器模版；

3.2所述候选角点集为平滑处理后的图像I中的H个边缘点，即所述候选角点集中也包含H个候选角点，h∈{1,2,...,H}，h表示候选角点集中的候选角点索引，h的初始值为0；k表示滤波器组中的滤波器索引，k∈{1,2,…,K}，K表示获取的滤波器组中包含的滤波器个数，k的初始值为1；

3.3选取H个候选角点中第h个候选角点，并计算第h个候选角点的方向为θ^k的滤波器模版对应的图像归一化滤波响应IMG_output(θ^k)；

3.4令k加1，重复执行子步骤3.3，直到得到第h个候选角点的方向为θ^K的滤波器模板对应的图像归一化滤波响应IMG_output(θ^K)，然后在此时得到的第h个候选角点的方向为θ¹的滤波器模板对应的图像归一化滤波响应IMG_output(θ¹)到第h个候选角点的方向为θ^K的滤波器模板对应的图像归一化滤波响应IMG_output(θ^K)中找到最大值和该最大值对应的角度，所述最大值为第h个候选角点的最大响应，所述最大值对应的角度为第h个候选角点的理想阶跃边缘角度β_h；

3.5根据第h个候选角点的理想阶跃边缘角度β_h和将第k个滤波器对方向为β的理想阶跃边缘的滤波响应OPT_output(θ^k)，计算得到第h个候选角点在方向为θ^k的滤波器中的角点测量值OPT_output(θ^k)；

3.6令k加1，重复子步骤3.5，直到得到第h个候选角点在方向为θ^K的滤波器中的角点测量值OPT_output(θ^K)，此时得到第h个候选角点在方向为θ¹的滤波器中的角点测量值OPT_output(θ¹)到第h个候选角点在方向为θ^K的滤波器中的角点测量值OPT_output(θ^K)，进而计算得到第h个候选角点的角点测度Area_edge_h，其表达式为：

$Area\_{\mathrm{edge}}_h=\underset{k=1}{\overset{K}{\&Sigma;}}{(IMG\_output({\mathrm{\&theta;}}^k)-OPT\_output({\mathrm{\&theta;}}^k\left)\right)}^2;$

3.6令h加1，依次重复执行子步骤3.3至子步骤3.5，直到得到第H个候选角点在在滤波器组中的角点测度Area_edge_H，此时将得到的第1个候选角点在滤波器组中的角点测度Area_edge₁到第H个候选角点在滤波器组中的角点测度Area_edge_H，作为H个候选角点的角点测度集Area_edge。

5.如权利要求1所述的一种基于支撑域的图像角点检测和分类方法，其特征在于，步骤4的子步骤为：

4.1设定一个与平滑处理后的图像I尺寸相同的二维矩阵G，将H个候选角点在所述二维矩阵中分别标注出来，并将H个候选角点各自在滤波器组中的角点测度作为二维矩阵G中的对应像素点灰度值，将二维矩阵G中没有标注的像素点的像素值分别取0；

h'∈{1,2,...,H}，h'表示二维矩阵G中的候选角点索引，H表示二维矩阵G中包含的候选角点个数，h'的初始值为1；h”∈{1,2,…,T}，h”表示待检测的图像I₀中的真实角点索引，T表示待检测的图像I₀中包含的真实角点个数，h”的初始值为0；将二维矩阵G中第h'个候选角点记为(i_h',j_h')；

4.2选取二维矩阵G中第h'个候选角点(i_h',j_h')，并在大小为2*radius+1的邻域范围内，radius为正整数，即

i_h'∈(i_h'-radius,i_h'+radius)和j_h'∈(j_h'-radius,j_h'+radius)，判断第h'个候选角点(i_h',j_h')的像素值是否是对应邻域内的极大值，若是极大值，则进一步判断第h'个候选角点(i_h',j_h')的像素值是否大于角点检测阈值eta，如果大于，则将第h'个候选角点(i_h',j_h')作为第h”个真实角点，并令h”加1；否则舍弃第h'个候选角点；

4.3令h'加1，重复执行子步骤4.2，直到判断第H个候选角点(i_H,j_H)的像素值是否是对应邻域内的极大值，若是极大值，则进一步判断第H个候选角点(i_H,j_H)的像素值是否大于角点检测阈值eta，如果大于，则将第H个候选角点(i_H,j_H)作为第T个真实角点；否则舍弃第H个候选角点；此时得到了T个真实角点，并将T个真实角点分别在待检测的图像I₀中进行标识，即得到待检测的图像I₀中包含的T个真实角点。

6.如权利要求1所述的一种基于支撑域的图像角点检测和分类方法，其特征在于，步骤5的子步骤为：

5.1k表示滤波器组中的滤波器索引，k∈{1,2,…,K}，K表示获取的滤波器组中包含的滤波器个数，k的初始值为1；t表示待检测的图像I₀中的真实角点索引，t∈{1，2，…，T}，T表示待检测的图像I₀中包含的真实角点个数；k_t表示第t个真实角点包含的峰值个数，k_t的初始值为0；将待检测的图像I₀中第t个真实角点记为(m_t，n_t)；

5.2选取待检测的图像I₀中第t个真实角点(m_t，n_t)，并根据第h个候选角点的方向为θ^k的滤波器模版对应的图像归一化滤波响应IMG_output(θ^k)，计算得到第t个真实角点(m_t，n_t)在方向为θ^k的滤波器方向的归一化滤波响应，记为索引为k的滤波器方向为θ^k，且θ^k＝2π*(k-1)/K；

5.3令k加1，重复执行子步骤5.2，直到得到第t个真实角点(m_t，n_t)在方向为θ^K的滤波器方向的归一化滤波响应，记为此时得到了第t个真实角点(m_t，n_t)在方向为θ¹的滤波器方向的归一化滤波响应到第t个真实角点(m_t，n_t)在方向为θ^K的滤波器方向的归一化滤波响应并将k重新设置为1；

5.4将第t个真实角点(m_t，n_t)在方向为θ^k的滤波器方向的归一化滤波响应，与第t个真实角点(m_t，n_t)邻近两个方向各自的归一化滤波响应值进行比较，若第t个真实角点(m_t，n_t)在方向为θ^k的滤波器方向的归一化滤波响应分别大于第t个真实角点(m_t，n_t)邻近两个方向各自的归一化滤波响应值且第t个真实角点(m_t，n_t)在方向为θ^k的滤波器方向的归一化滤波响应大于角点检测阈值eta，则令第t个真实角点(m_t，n_t)包含的峰值个数k_t加1；

5.5令k加1，重复执行子步骤5.4，直到将第t个真实角点(m_t，n_t)在方向为θ^K的滤波器方向的归一化滤波响应，与第t个真实角点(m_t，n_t)邻近两个方向各自的归一化滤波响应值进行比较，若第t个真实角点(m_t，n_t)在方向为θ^K的滤波器方向的归一化滤波响应分别大于第t个真实角点(m_t，n_t)邻近两个方向各自的归一化滤波响应值且第t个真实角点(m_t，n_t)在方向为θ^K的滤波器方向的归一化滤波响应大于角点检测阈值eta，则令第t个真实角点(m_t,n_t)包含的峰值个数k_t加1，此时得到第t个真实角点(m_t,n_t)包含的k_t个峰值；

5.6令t加1，依次重复子步骤5.2至子步骤5.5，直到得到第T个真实角点(m_T,n_T)的k_T个峰值，此时完成了待检测的图像I₀中包含的T个真实角点的分类。