基于模板核灰度的Susan特征向量匹配算法*

王仁丽　代月明

(徐州工程学院信电学院　徐州　221018)



基于模板核灰度的Susan特征向量匹配算法*

王仁丽代月明

(徐州工程学院信电学院徐州221018)

Susan算子是一种基于灰度的特征点获取方法,适用于图像中边缘的检测、角点的检测,论文研究了图像旋转,图像平移和阈值大小对Susan特征点匹配的影响。结果表明,图像旋转和图像平移对特征点的影响不大。当阈值变小时,匹配特征点的效果变佳。该方法处理图像容易实现,对噪声的处理能力强。而且检测目标的速度较快,比较适合应用于图像特征提取中。

Susan算子; 特征向量; 特征点匹配

Class NumberTP301.6

1　引言

图像特征点可以应用在计算机视觉、模式识别、三维重建等多个领域,图像特征点匹配也被广泛应用在图像配准、图像拼接、图像复原等技术中,因此,对图像特征点的检测与匹配的研究也就有着重要的意义[1～3]。

如图1所示,将一全黑色填充的长方形A布置于白色底板的背景上,其中,1、2、3、4、5、6为放置于图像不同位置的六个圆形的模板。称每个模板的中心为模板的“核”。模板中的所有像素点的灰度都与中心核的灰度相同或灰度相似,称这些相同或相似灰度的像素所构成的整个区域为“USAN”。由图1可以看出,USAN区域包含了与图形结构所相关的重要的信息,在灰度平坦的区域内,如图1中模板1和6所示,模板中的所有像素点的灰度都与中心核的灰度相同,因此USAN区域取最大值。圆形模板越靠近图形边缘,USAN区域越小,如图1中模板5>4>3>2。

当模板的中心位于图像边缘时,USAN区域为最大值的一半,如图1中模板3,当模板靠近角点时,USAN区域进一步减小为最大值的四分之一,如图1中模板5。图像边缘越尖锐,得到的USAN区域越小。因此,通过对USAN区域的大小的判断,就可以判断得出图像的重要信息。寻找特定图像的边缘点或角点,就是反复搜索寻求一系列的小于一定的阈值的USAN极小点,即搜索最小化同化核分割相同值[4～5]。

图1　USAN模板

2　Susan算法

首先,构造一个用于特征点检测的圆形模板,圆形模板一般近似用点阵来表示。例如,半径大小为3～4个像素的圆近似用37个点的点阵表示。如图2所示,该7×7点阵各行的像素点个数依次为{3,5,7,7,7,5,3}。用于检测的模板除了圆形以外也可以使用矩形或者菱形表示。一般情况下,大多都采用三十七点点阵的圆形模板,如图2所示[6～9]。

图2　Susan圆形模板

构造了圆形模板以后,让圆形模板通过图像上的所有点。通过判断圆形模板覆盖区域内点的灰度与模板中心“核”的灰度的相似度,求取图像USAN值。求相似度所采用的判式如下：

(1)

(2)

将n值和一个事先设定的固定阈值g值比较,于是,可以得到Susan算子检测图像边缘的响应值R：

(3)

为了取得更好和更稳定的结果,将式(1)改写为

(4)

图3为Susan算法的流程图。

图3　Susan算法流程图

3　实验分析

图4显示了Susan特征点的基本特点,检测得到的角点多数分布于图像的边缘。实验中,通过对图像进行加噪处理,研究算法的抗噪性能;同时对图像进行了旋转和平移,研究对特征向量匹配Susan的影响;以及阈值改变时,研究对特征向量匹配Susan的影响。

3.1图像加噪

图5显示了图像加噪声时Susan算子提取特征点的情况。因为Susan算法没有进行微分运算,所以这种算法抗噪性能比较好。试验也表明,在图像加噪前后,检测的特征点个数相差较大,说明它对噪声比较敏感,但在多数噪声点处,Susan算法并没有将孤立的噪声点当作特征点检出,说明了它具有较好的抗噪性。

图4　Susan特征点

3.2Susan特征向量匹配

特征向量的生成：如图6所示,以特征点为中心取17×17像素大小的邻域,将特征点四邻域方向外的4个大区域总共划分为4×4个子区域,对每个子区域利用式(5)和式(6)计算梯度方向直方图,最后对每个子区域各自的8个方向依次排列,这样就构成了该特征点128维的特征向量。式(5)是梯度方向模值,式(6)是梯度方向角。

图5　噪声对Susan提取的影响

(5)

(6)

图6　划分子区域

计算两幅图像所有特征点的特征向量的欧式距离,求出最小距离与次小距离的比值,满足小于阈值条件时则认为这两个点为匹配点,同时对最小距离也做了限制,当满足某一条件时才可以看作是匹配点。

图7显示了特征向量匹配法对Susan特征点匹配的情况。匹配结果见表1,可以看出,对图像出现大角度旋转的情况,特征向量匹配法对Susan特征点匹配的效果不错。

图7　图像旋转对特征向量匹配Susan的影响

从表1中,可以看出,对图像出现大角度旋转,90°～180°,误匹配率均为0。特征向量匹配法对Susan特征点匹配的效果不错。

表1　图像旋转对特征向量匹配Susan的影响

3.3图像平移

图8显示了图像平移对特征向量匹配Susan特征点的影响。对图(a)、(b)、(d)、(e)分别提取Susan特征点,其中图(b)是图(a)向右平移得到的,图(e)是图(d)右移得到的。由匹配结果可知图像平移对特征向量匹配Susan点的影响不大。

图8　图像平移对特征向量匹配Susan的影响

从表2中,可以看出,对两组图形分别进行平移,误匹配率均为0。特征向量匹配法对Susan特征点匹配的效果不错。

表2　图像平移对特征向量匹配Susan的影响

3.4不同阈值对匹配的影响

图9显示了阈值变化对特征向量匹配Susan特征点的影响,结果在表5中给出。由表3可知,当阈值变小时,特征向量匹配Susan特征点的效果变佳,误匹配的点消失。最后给出了匹配不正确时图像简单拼接的结果和准确匹配时图像拼接的结果。

图9　不同阈值对特征向量匹配Susan的影响

阈值匹配正确匹配错误误匹配率0.882250.6%0.580500

4　结语

实验数据表明,Susan特征点多分布于图像的边缘上,是一种适合检测边缘拐点的算法,Susan算法检测到的点全是在图像边缘,没有局部极值的概念,在一定区域内检测到的特征点会比较多,特征向量匹配法在图像发生大角度旋转时能够完成非常准确的匹配,Susan特征点有着较好的抗噪性,它具有方法简单、有效、抗噪声能力强的特点,计算速度快,适用于图像特征提取,该算法实用和有效。

[1] 罗忠亮.基于改进SUSAN算子的图像边缘检测算法[J].重庆工学院学报(自然科学版),2009,23(5)：102-106.

LUO Zhongliang. Image Edge Detection Algorithm Based on Improved SUSAN Operator[J]. Journal of Chongqing Institute of Technology(Natural Science),2009,23(5)：102-106.

[2] 郭峰,王道平,韩溟.基于改进边缘检测算子的图像特征点提取算法[J].电子科技,2011,24(9)：9-11.

GUO Feng, WANG Daoping, HAN Ming. Algorithm for Image Interesting Point Detection Based On Improved SUSAN Operator[J]. Electronic Science and Technology,2011,24(9)：9-11.

[3] 赵志华,蔡健荣,赵杰文,等.SUSAN算子在苹果图像缺陷分割中的应用研究[J].计算机工程,2004,30(15)：141-142,194.

ZHAO Zhihua, CAI Jianrong, ZHAO Jiewen, et al. Research of Defect Segmentation on Apple Image Using SUSAN Operation[J]. Computer Engineering,2004,30(15)：141-142,194.

[4] 曹新明,何荣誉.改进型SUSAN算子在零件视觉测量系统中的应用[J].微计算机信息,2010,26(3)：108-109.

CAO Xinming, HE Rongyu. Research of components vision measurement system based on improved of SUSAN[J]. Microcomputer Information,2010,26(3)：108-109.

[5] 杨幸芳,黄玉美,李艳,等.基于改进的SUSAN算子的棋盘格亚像素角点检测算法[J].中国机械工程,2010,21(21)：2541-2545.

YANG Xingfang, HUANG Yumei, LI Yan, et al. Sub-pixel Corner Detection Algorithm of Chessboard Image Based on Improved SUSAN Operator[J]. China Mechanical Engineering,2010,21(21)：2541-2545.

[6] 贺菁,李庆华,王新赛.基于方向性SUSAN算子的图像角点特征提取[J].小型微型计算机系统,2008,29(3)：508-510.

HE Jing, LI Qinghua, WANG Xinsai. Corner Features Extraction of Image Based on Orientation SUSAN Operator[J]. Journal of Chinese Computer Systems,2008,29(3)：508-510.

[7] 曾俊,李德华.彩色图像SUSAN边缘检测方法[J].计算机工程与应用,2011,47(15)：194-196.

ZENG Jun, LI Dehua. SUSAN Edge Detection Method for Color Image[J]. Computer Engineering and Applications,2011,47(15)：194-196.

[8] 詹曙,孙乔博,徐甲甲,等.融合SUSAN特征的医学图像Graph Cuts算法[J].电子测量与仪器学报,2013,27(6)：509-514.

ZHAN Shu, SUN Qiaobo, XU Jiajia, et al. Graph Cuts segmentation algorithm with SUSAN feature of medical image[J]. Journal of Electronic Measurement And Instrument,2013,27(6)：509-514.

[9] 王瑞,杨润泽,尹晓春,等.一种改进的SUSAN算子棋盘格角点亚像素检测算法[J]. 计算机与现代化,2012(1):64-66.

WANG Rui, YANG Runze, YIN Xiaochun, et al. Sub-pixel Corner Detection Algorithm of Chessboard Image Based on Improved SUSAN Operator[J]. Computers and Modernization,2012(1):64-66.

[10] 徐宇贵,沈民奋,张琼,等.自适应SUSAN扩散的超声图像去噪算法[J].电子测量与仪器学报,2012,26(4)：331-337.XU Yugui, SHEN Minfen, ZHANG Qiong, et al. Adaptive Speckle Reduction Algorithm for Ultrasound Image Based on SUSAN Diffusion[J]. Journal of Electronic Measurement and Instrument,2012,26(4)：331-337.

Matching Algorithm Based on Susan Feature Vector of Gray Template

WANG RenliDAI Yueming

(Information and Electric Engineering, Xuzhou Institute of Technology, Xuzhou221018)

Susan operator is a method of obtaining feature points based on gray,and widely used to detect the image edges and corners. The effect of image rotation,image translation and threshold size on matching of Susan feature point is studied in the paper. The results show that image rotation and translation have little effect on the matching. When the threshold becomes smaller,the matching effect becomes better. This method is simple to implement,fast processing speed,high noise immunity and so on,especially suitable for image feature extraction.

Susan operator, feature vector, feature point matching

2016年4月8日,

2016年5月28日

王仁丽，女，博士，讲师，研究方向：电力电子技术及其应用。代月明，女，硕士，教授，研究方向：信号与图像处理。

TP301.6

10.3969/j.issn.1672-9722.2016.10.040