CN108765441A - 基于高斯变换的多尺度susan角点检测方法 - Google Patents
基于高斯变换的多尺度susan角点检测方法 Download PDFInfo
- Publication number
- CN108765441A CN108765441A CN201810570295.4A CN201810570295A CN108765441A CN 108765441 A CN108765441 A CN 108765441A CN 201810570295 A CN201810570295 A CN 201810570295A CN 108765441 A CN108765441 A CN 108765441A
- Authority
- CN
- China
- Prior art keywords
- scale
- multiple dimensioned
- image
- angular
- susan
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Multimedia (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
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。
Description
技术领域
本发明涉及一种基于高斯变换的多尺度SUSAN角点检测方法。
背景技术
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。
发明内容
本发明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。本发明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。
Claims (5)
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。
2.根据权利要求1所述的基于高斯变换的多尺度SUSAN角点检测方法,其特征是: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。
3.根据权利要求1或2所述的基于高斯变换的多尺度SUSAN角点检测方法,其特征是: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n(x0,y0)为像素(x0,y0)处的USAN面积,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。
4.根据权利要求3所述的基于高斯变换的多尺度SUSAN角点检测方法,其特征是:步骤三所述的邻域边界border∈[15,20]。
5.根据权利要求4所述的基于高斯变换的多尺度SUSAN角点检测方法,其特征是:步骤三所述的邻域边界border=17。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810570295.4A CN108765441A (zh) | 2018-06-05 | 2018-06-05 | 基于高斯变换的多尺度susan角点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810570295.4A CN108765441A (zh) | 2018-06-05 | 2018-06-05 | 基于高斯变换的多尺度susan角点检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108765441A true CN108765441A (zh) | 2018-11-06 |
Family
ID=64000061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810570295.4A Pending CN108765441A (zh) | 2018-06-05 | 2018-06-05 | 基于高斯变换的多尺度susan角点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765441A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711418A (zh) * | 2019-01-29 | 2019-05-03 | 浙江大学 | 一种针对物体平面图像的轮廓角点检测方法 |
CN110672620A (zh) * | 2019-10-08 | 2020-01-10 | 英特尔产品(成都)有限公司 | 芯片缺陷检测方法及系统 |
CN113405451A (zh) * | 2020-10-15 | 2021-09-17 | 南京航空航天大学 | 一种基于单目视觉的齿形结构装配测量方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106683114A (zh) * | 2016-12-16 | 2017-05-17 | 河海大学 | 基于特征光流的流体运动矢量估计方法 |
-
2018
- 2018-06-05 CN CN201810570295.4A patent/CN108765441A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106683114A (zh) * | 2016-12-16 | 2017-05-17 | 河海大学 | 基于特征光流的流体运动矢量估计方法 |
Non-Patent Citations (1)
Title |
---|
王冠群等: "基于高斯变换的多尺度SUSAN角点检测方法", 《计算机工程与应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711418A (zh) * | 2019-01-29 | 2019-05-03 | 浙江大学 | 一种针对物体平面图像的轮廓角点检测方法 |
CN109711418B (zh) * | 2019-01-29 | 2020-12-01 | 浙江大学 | 一种针对物体平面图像的轮廓角点检测方法 |
CN110672620A (zh) * | 2019-10-08 | 2020-01-10 | 英特尔产品(成都)有限公司 | 芯片缺陷检测方法及系统 |
CN110672620B (zh) * | 2019-10-08 | 2022-08-26 | 英特尔产品(成都)有限公司 | 芯片缺陷检测方法及系统 |
CN113405451A (zh) * | 2020-10-15 | 2021-09-17 | 南京航空航天大学 | 一种基于单目视觉的齿形结构装配测量方法 |
CN113405451B (zh) * | 2020-10-15 | 2022-05-31 | 南京航空航天大学 | 一种基于单目视觉的齿形结构装配测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Infrared small target detection by density peaks searching and maximum-gray region growing | |
CN105069807B (zh) | 一种基于图像处理的冲压工件缺陷检测方法 | |
CN109871823B (zh) | 一种结合旋转框和上下文信息的卫星图像舰船检测方法 | |
Uliyan et al. | Copy move image forgery detection using Hessian and center symmetric local binary pattern | |
CN108765441A (zh) | 基于高斯变换的多尺度susan角点检测方法 | |
CN103578110A (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
CN108564092A (zh) | 基于sift特征提取算法的向日葵病害识别方法 | |
CN108009986B (zh) | 基于边缘信息的碎片拼接方法和装置 | |
CN110533679B (zh) | 基于对数变换与伽柏卷积的sar图像边缘检测方法 | |
KR20100112155A (ko) | 이미지 식별용 특징-기반 시그네처 | |
CN107909002A (zh) | 基于海岸线匹配的红外遥感图像海陆分割方法 | |
CN108388899B (zh) | 一种基于纹理特征与形状特征相融合的水声图像特征提取方法 | |
CN111091071A (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
Ansari et al. | Textural classification based on wavelet, curvelet and contourlet features | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
Tralic et al. | Copy-move forgery detection using cellular automata | |
CN112164079A (zh) | 一种声呐图像分割方法 | |
Rajkumar et al. | Digital image forgery detection using SIFT feature | |
Rathi et al. | Copy move forgery detection by using integration of SLIC and SIFT | |
Ustubioglu et al. | A novel keypoint based forgery detection method based on local phase quantization and SIFT | |
Poornima et al. | A method to align images using image segmentation | |
Dixit et al. | Copy-move image forgery detection using frequency-based techniques: a review | |
CN107292854B (zh) | 基于局部奇异性量化分析的灰度图像增强方法 | |
Ahmed et al. | Blind copy-move forgery detection using SVD and KS test | |
Hosam et al. | A hybrid ROI-embedding based watermarking technique using DWT and DCT transforms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |
|
RJ01 | Rejection of invention patent application after publication |