CN108537796A - 基于模板边缘的自适应Harris角点检测方法 - Google Patents

Abstract

本发明属于基于灰度变化的角点检测方法领域，具体是一种基于模板边缘的自适应Harris角点检测方法。解决了Harris角点检测算法中存在的角点检测精确度低以及计算效率不高的问题，具体步骤如下，101～建立潜在角点区域库，通过运用大小的两个相邻区域的灰度值之均值和的差值大小来比较，判别该区域是否有角点存在；102～对潜在角点区域库使用自适应阈值Harris检测算法进行角点检测；103～对角点集中的每一个角点，通过评估中心点与模板边缘领域的像素点的灰度变化情况，对角点集进行提纯,过滤掉伪角点。本发明在确保角点提取精确度的同时，提高了算法计算效率，并且提取的角点属性特征鲜明，为后续图像配准中的特征匹配奠定了基础。

Description

基于模板边缘的自适应Harris角点检测方法

技术领域

本发明属于基于灰度变化的角点检测方法领域，具体是一种基于模板边缘的自适应Harris角点检测方法。

背景技术

图像处理在实践应用过程中，经常用到的一个基本的手段就是采取图像配准技术。在目前的社会很多领域中，图像配准技术都起着不可替代的作用。在医学领域里将图像配准技术应用到X射线透视、显微镜照片中可以帮助医生正确诊断疾病。在遥感测绘中，用图像配准技术可以及时得到某区域的地面图像信息。而在图像配准技术中，点特征的提取是最为关键的一步。尽管一个角点可能只包含0.5％个像素，但它却能代表这幅图像最重要的信息。角点具有计算量少、匹配简单、不受光照影响以及旋转、平移、放缩不变性的优点，因此，角点在三维场景重建、运动估计、目标跟踪、目标识别等计算机视觉领域也起到了相当广泛的应用。

目前，角点提取的技术分为基于图像边缘的角点检测和基于灰度变化的角点检测两大类。基于边缘的角点检测算法主要是通过分析图像边缘曲线的几何特性来检测角点。这种方法过于依赖图像边缘轮廓，难度较大，计算复杂，并且一旦图像边缘存在模糊或发生局部变化，可能会导致提取的失败。因此，基于灰度变化的角点检测算法已成为近年来国内外研究的热点。

基于灰度变化的角点检测算法是根据图像像素点的灰度变化情况，计算曲率和梯度来提取角点的过程。这种算法复杂度不高，检测结果精确，且检测速度较快，适合进行实时角点检测。

到目前为止，已有很多学者对其进行了。Kitchen发现以局部梯度乘以梯度方向的变化能够较好的提取角点。C.Harris和M.J.Stephens在Moravec算法的基础上提出了Harris角点检测算法，主要运用微分运算和自相关矩阵来检测图像的角点。这种方法是一种检测效率高且至今依然得到很广泛使用的角点检测算法。Smith.M和Brday.J.M提出了SUSAN(Small Univalue Segment Assimilating Nucleus)算法，主要原理是基于一个窗口区域“USAN”(Univalue Segment Assimilating Nucleus),根据检测点与检测点的局部区域灰度值的变化程度来判断角点。Wu等人针对Harris算法对尺度变化敏感的问题，提出了将区域检测和利用多尺度结合非极大值抑制的改进Harris算法相结合的方法，该方法能有效增强算法的多尺度性，但运算量大，在低对比度图像中易产生虚假角点。Zhang等人针对Harris算法阈值人为设定的问题，先将图像进行了分割，根据子图的对比度设置阈值，并结合NCC算法和RANSAC算法对角点进行了提纯。该方法能有效增加图像匹配点对数，具有实用性。Deng等人针对Harris算法的检测性能依赖高斯窗窗长和阈值的不足，提出了圆环模板，利用像素点评估中心像素邻域灰度的变化来滤除虚假角点，该方法具有较好的鲁棒性，但阈值设置低会出现大量伪角点，需要一一进行滤除，计算量较大，耗时长。

发明内容

本发明为了解决目前Harris角点检测算法中存在的角点检测精确度低以及计算效率不高的问题，提供一种基于模板边缘的自适应Harris角点检测方法。

本发明采取以下技术方案：一种基于模板边缘的自适应Harris角点检测方法，具体步骤如下，

101～建立潜在角点区域库，通过运用3×3大小的两个相邻区域的灰度值之均值和的差值大小来比较，判别该区域是否有角点存在；

102～对潜在角点区域库使用自适应阈值Harris检测算法进行角点检测；在利用Harris算法对潜在角点区域库进行角点提取时，阈值的选择是根据每个潜在角点区域的灰度值的变化来确定的，先对Harris算法中的CRF进行非极大值抑制，保留大于阈值T、大于公式(1)中的可变阈值T₁且为局部极大值的点，作为角点；

103～对角点集中的每一个角点，通过评估中心点与模板边缘领域的像素点的灰度变化情况，对角点集进行提纯,过滤掉伪角点。

所述的步骤101中，具体判别公式如下：

其中：(x₀,y₀)与(x₁,y₁)表示一个模板的中心点的位置，表示一个模板的像素灰度值之均值和，表示相邻的另一个模板区域的像素灰度值之均值和，T₁为给定的阈值，采用可变阈值

若两个区域的灰度变化之差Δp大于阈值T₁，就认为该区域可能存在角点，设定为潜在角点区域，反之，则为平坦区域。

所述的步骤102中，根据式(2)计算：

CRF(i,j)＞tCRF_max&&CRF(i.j)＞T₁&&CRF(i.j)＞CRF(i-1,j-1)&&CRF(i,j)＞CRF(i-1,j)&&CRF(i,j)＞CRF(i-1,j+1)&&CRF(i,j)＞CRF(i,j-1)&&CRF(i,j)＞CRF(i,j+1)&&CRF(i,j)＞CRF(i+1,j-1)&&CRF(i,j)＞CRF(i+1,j)&&CRF(i,j)＞CRF(i+1,j+1)(2)

其中，t为动态变化的阈值，变化范围在0.009～0.02之间。CRF为Harris算法的角点响应函数，T₁为式(1)中的可变阈值。

步骤102中，自适应Harris角点提取步骤为：

1)利用模板w(x,y)生成的高斯窗口[9,3]，在图像上移动产生灰度变化E(u,v)；

2)根据式(3)对E(u,v)进行变化，并得到矩阵M；

3)计算矩阵M的λ₁和λ₂；

4)根据式(4)的角点响应函数CRF进行角点判别，K取常值0.04，

根据式(2)对CRF进行非极大值抑制，保留大于动态变化阈值t、可变阈值T₁且为局部极大值的点，作为初角点，

CRF＝detM-k(trM)²＝λ₁λ₂-k(λ₁+λ₂)² (4)。

所述步骤103中，具体操作如下：

1)利用模板M在图像上移动，当中心点的像素m₀移动至提取的初角点时，根据公式(5)计算中心点与模板边缘像素灰度方差V；

M表示模板，模板中的像素用m∈M表示，中心点的像素为m₀，模板边缘的像素点分别用m₁,m₂...,m₂₀表示，在图像内移动模板，用V表示模板边缘像素灰度方差；

2)根据公式(6)对方差V进行判别，更新N(m_k)；

3)根据公式(7)的角点响应函数C判断模板中心点m₀是否符合条件，若满足，则此初角点为最优角点，保留此初角点；若不满足，则将此初角点舍去；

其中，若C为1，则判断模板中心点m₀为最终角点，反之，则舍去；

4)判断完一个初角点之后，继续移动模板M至下一个初角点继续进行步骤3)，直到所有的初角点判别完毕。

与现有技术相比，本发明根据SUSAN算法模板面积的思想，设计了一种基于模板边缘的自适应Harris角点检测方法。该方法的核心思想是：首先为了减少计算量，避免Harris角点检测算法对整个图像中的所有像素点进行计算，先利用局部区域的思想，通过运用3×3大小的两个相邻区域的灰度值均值和的差值大小来进行比较，检测出图像中的潜在角点区域，形成潜在角点区域库。

然后只需对潜在角点区域库利用改进的自适应阈值Harris算法进行角点提取，形成角点集；最后，提出了模板边缘的思想，构造一个8×8圆形模板，在图像上移动模板，当模板中心与角点集中的某个角点重合时，通过评估中心点与模板边缘领域的像素点的灰度变化情况，对提取的角点进行提纯,过滤掉伪角点，得到最终检测结果。本方法充分考虑了角点在局部区域灰度变化明显的特征，不涉及微分运算，求解简单方便。对图像进行局部区域思想先获取潜在角点区域，提高了算法计算效率；对初角点进行二次过滤提纯，保证了角点提取的精确度。

在确保角点提取精确度的同时，提高了算法计算效率，并且提取的角点属性特征鲜明，为后续图像配准中的特征匹配奠定了基础。

附图说明

图1为圆形模板边缘示例图；

图2为模板边缘检测为边缘区域的示例图；

图3为模板边缘检测为角点区域的示例图；

图4为本发明流程图；

图5为Harris角点检测原理图当图像块处于平坦区域；

图6为Harris角点检测原理图当图像块处于边缘区域；

图7为Harris角点检测原理图当图形块处于角点区域。

具体实施方式

一种基于模板边缘的自适应Harris角点检测方法，具体步骤如下：

101～建立潜在角点区域库；由于角点检测算法对每一个像素点会进行多次重复运算，而实际上图像中只有10％-20％属于可能的角点区域。为了避免运用Harris算法对每一个像素点进行运算，先对图像提取潜在角点区域。具体实现步骤是通过运用3×3大小的两个相邻区域的灰度值之均值和的差值大小来比较，判别该区域是否有角点存在，具体判别公式如下：

其中：(x₀,y₀)与(x₁,y₁)表示一个模板的中心点的位置，表示一个模板的像素灰度值之均值和，表示相邻的另一个模板区域的像素灰度值之均值和，T₁为给定的阈值，为了避免人为设定阈值对实验结果的影响，采用可变阈值

若两个区域的灰度变化之差Δp大于阈值T₁，就认为该区域可能存在角点，设定为潜在角点区域，反之，则为平坦区域。

102～对潜在角点区域库使用改进的自适应阈值Harris检测算法进行角点检测；在利用Harris算法对潜在角点区域库进行角点提取时，为了避免漏检情况，采用的高斯窗口设置为[9,3]，阈值的选择是根据每个潜在角点区域的灰度值的变化来确定的，先对Harris算法中的CRF进行非极大值抑制，保留大于动态变化阈值t、大于公式(1)中的可变阈值T₁且为局部极大值的点，作为角点。数学表达式如下：

CRF(i,j)＞tCRF_max&&CRF(i.j)＞T₁&&CRF(i.j)＞CRF(i-1,j-1)&&CRF(i,j)＞CRF(i-1,j)&&CRF(i,j)＞CRF(i-1,j+1)&&CRF(i,j)＞CRF(i,j-1)&&CRF(i,j)＞CRF(i,j+1)&&CRF(i,j)＞CRF(i+1,j-1)&&CRF(i,j)＞CRF(i+1,j)&&CRF(i,j)＞CRF(i+1,j+1)(2)

其中，t为动态变化的，其变化范围主要依据潜在角点区域像素点的局部最大值来确定的，本发明t的最佳变化范围在0.009～0.02之间。在这里与可变阈值T₁进行比较主要是为了将潜在角点区域库中特征变化不明确的角点筛选掉，为后续的图像配准工作奠定基础。

Harris算法为公知内容，具体原理介绍见后面，本发明自适应Harris角点提取步骤为：

1)利用模板w(x,y)生成的高斯窗口[9,3]，在图像上移动产生灰度变化E(u,v)。

2)根据式(3)对E(u,v)进行变化，并得到矩阵M。

3)计算矩阵M的λ₁和λ₂。

4)根据式(4)的角点响应函数CRF进行角点判别，K取常值0.04。

5)根据式(2)对CRF进行非极大值抑制，保留大于动态阈值t、可变阈值T₁且为局部极大值的点，作为初角点。

103～利用提出的模板边缘思想，对角点集中的每一个角点，通过评估中心点与模板边缘领域的像素点的灰度变化情况，对角点集进行提纯,过滤掉伪角点，具体操作如下：

5)利用模板M在图像上移动，当中心点的像素m₀移动至提取的初角点时，根据公式(5)计算中心点与模板边缘像素灰度方差V。

6)根据公式(6)对方差V进行判别，更新N(m_k)。

7)根据公式(7)的角点响应函数C判断模板中心点m₀是否符合条件。若满足，则此初角点为最优角点，保留此初角点；若不满足，则将此初角点舍去。

8)判断完一个初角点之后，继续移动模板M至下一个初角点继续进行步骤三，直到所有的初角点判别完毕，结束本算法。

对于一幅图像来说，角点存在的形式多样，检测较为消耗时间，借鉴SUSAN算法思想，本发明提出了模板边缘的思想。具体模型见附图1所示。

令M表示模板，模板中的像素用m∈M表示，中心点的像素为m₀，模板边缘的像素点分别用m₁,m₂...,m₂₀表示。在图像内移动模板，用V表示模板边缘像素灰度方差。则

对于模板的选取，目前很多研究者采用矩形4邻域或8邻域模板来检测像素点的灰度变化，而检测中发现在一整副图像上扫描时，圆形模板相比矩阵模板更具有高效性。对于模板尺寸的选取，若采用4邻域的圆形模板，选取的像素样本点过少，在判断中心点与模板边缘像素灰度差时容易产生误差，且本发明算法在初步对潜在角点区域提取时使用了3×3邻域来比较灰度像素差，因此选取4邻域模板不合理，故本发明采用的模板是8邻域的圆形模板。

运用此圆形模板在步骤二提取的初角点集上进行移动，当中心点的像素m₀与某个初角点重合时，将模板中的每个像素点m_k与中心点的像素m₀进行灰度比较，若大于设为1，反之设为0。具体公式为：

模板在图像上进行移动，当移动到平坦区域，模板上为1的点为0个；当移动到边缘，如附图2所示，模板上为1的点为11个；当移动到角点，如附图3所示，模板上为1的点小于11个。构造最终的角点响应函数：

其中，若C为1，则判断模板中心点m₀为最终角点，反之，则舍去。

Harris角点检测算法为公知的内容，具体原理为：定义图像I，在图像上任意像素点(x,y)处，模板w(x,y)＝(exp(x²+y²)/σ²)形成的窗口在x方向和y方向分别移动(u,v)后产生的灰度变化E(u,v)

式(1)由泰勒公式展开，并忽略高阶项得：

其中，M是实正定矩阵：

通过计算矩阵M，可得到Harris算子的角点响应函数CRF为:

detM＝AC-B²＝λ₁λ₂

trM＝A+C＝λ₁+λ₂

CRF＝detM-k(trM)²＝λ₁λ₂-k(λ₁+λ₂)² (4)

式中，λ₁和λ₂为矩阵M的特征向量，k为经验常数，取值范围为0.04～0.06.在本文实验中，k＝0.04。当图像中每一个像素点对应的CRF值在局部区域内为极大值并大于设定的阈值时，则该点即为需要提取的角点。附图给出了Harris角点的视觉原理。局部自相关函数表示图像块沿不同方向做小的平移时的局部灰度变化，有三种情况。

如图5所示，当图像块处于平坦区域，沿任意方向位移，窗口内图像的灰度变化很小，此时局部自相关函数很平坦。

如图6所示，当图像块处于边缘区域，沿一些方向位移，窗口内图像的灰度会发生较大的变化，而另一些方向上基本上没有发生变化，此时，局部自相关函数呈马鞍状，沿着鞍拱自相关值很小，垂直鞍拱的值变化很大。

如图7所示，当图形块处于角点区域，沿任意方向位移，窗口内图像的灰度变化很明显，此时局部自相关函数在此像素点呈现尖峰状。

Claims (5)

1.一种基于模板边缘的自适应Harris角点检测方法，其特征在于：具体步骤如下，

101～建立潜在角点区域库，通过运用3×3大小的两个相邻区域的灰度值之均值和的差值大小来比较，判别该区域是否有角点存在；

102～对潜在角点区域库使用自适应阈值Harris检测算法进行角点检测；在利用Harris算法对潜在角点区域库进行角点提取时，阈值的选择是根据每个潜在角点区域的灰度值的变化来确定的，先对Harris算法中的CRF进行非极大值抑制，保留大于阈值t、大于公式(1)中的可变阈值T₁且为局部极大值的点，作为角点；

103～对角点集中的每一个角点，通过评估中心点与模板边缘领域的像素点的灰度变化情况，对角点集进行提纯,过滤掉伪角点。

2.根据权利要求1所述的基于模板边缘的自适应Harris角点检测方法，其特征在于：所述的步骤101中，具体判别公式如下：

其中：(x₀,y₀)与(x₁,y₁)表示一个模板的中心点的位置，表示一个模板的像素灰度值之均值和，表示相邻的另一个模板区域的像素灰度值之均值和，T₁为给定的阈值，采用可变阈值若两个区域的灰度变化之差Δp大于阈值T₁，就认为该

区域可能存在角点，设定为潜在角点区域，反之，则为平坦区域。

3.根据权利要求2所述的基于模板边缘的自适应Harris角点检测方法，其特征在于：所述的步骤102中，根据式(2)计算：

CRF(i,j)＞tCRF_max&&CRF(i.j)＞T₁&&CRF(i.j)＞CRF(i-1,j-1)&&CRF(i,j)＞CRF(i-1,j)&&CRF(i,j)＞CRF(i-1,j+1)&&CRF(i,j)＞CRF(i,j-1)&&CRF(i,j)＞CRF(i,j+1)&&CRF(i,j)＞CRF(i+1,j-1)&&CRF(i,j)＞CRF(i+1,j)&&CRF(i,j)＞CRF(i+1,j+1)(2)

其中，t为动态变化的阈值，变化范围在0.009～0.02之间，CRF为Harris算法的角点响应函数，T₁为式(1)中的可变阈值。

4.根据权利要求3所述的基于模板边缘的自适应Harris角点检测方法，其特征在于：

自适应Harris角点提取步骤为：

1)利用模板w(x,y)生成的高斯窗口[9,3]，在图像上移动产生灰度变化E(u,v)；

2)根据式(6)对E(u,v)进行变化，并得到矩阵M；

3)计算矩阵M的λ₁和λ₂；

4)根据式(4)的角点响应函数CRF进行角点判别，K取常值0.04，

根据式(2)对CRF进行非极大值抑制，保留大于阈值T、可变阈值T₁且为局部极大值的点，作为初角点，

CRF＝detM-k(trM)²＝λ₁λ₂-k(λ₁+λ₂)² (4)。

5.根据权利要求4所述的基于模板边缘的自适应Harris角点检测方法，其特征在于：所述步骤103中，具体操作如下：

1)利用模板M在图像上移动，当中心点的像素m₀移动至提取的初角点时，根据公式(5)计算中心点与模板边缘像素灰度方差V；

M表示模板，模板中的像素用m∈M表示，中心点的像素为m₀，模板边缘的

像素点分别用m₁,m₂...,m₂₀表示，在图像内移动模板，用V表示模板边缘像素灰度方差；

2)根据公式(6)对方差V进行判别，更新N(m_k)；

3)根据公式(7)的角点响应函数C判断模板中心点m₀是否符合条件，若满足，则此初角点为最优角点，保留此初角点；若不满足，则将此初角点舍去；

其中，若C为1，则判断模板中心点m₀为最终角点，反之，则舍去；

4)判断完一个初角点之后，继续移动模板M至下一个初角点继续进行步骤3)，直到所有的初角点判别完毕。