基于Sobel边缘检测的圆周Harris角点检测算法

2019-04-04董立红彭业勋符立梅

西安科技大学学报 2019年2期

董立红，彭业勋，符立梅

（西安科技大学计算机科学与技术学院，陕西西安710054）

0 引言

图像亮度发生剧烈变化，亦或者图像边缘曲线上曲率的极大值点［1］，称之为角点。角点是在图像处理中的一个重要特征，它主要运用到运动目标识别和跟踪、图像匹配等计算机视觉领域。角点检测的精确度，直接决定了识别、跟踪及匹配结果的好坏，因此角点检测是计算机视觉处理中十分重要的环节。

Harris算法是一种传统的角点检测算法，它是在Moravec算法的基础上，由Harris C和Stephens M两人在1988年改进发展而来的。Harris角点检测存在一些不足，如需人工设置阈值［2］，存在伪角点、角点簇，角点定位不精确以及检测效率低下。针对Harris角点的信息丢失和位置偏移问题，2009年毛雁明、兰美辉等人提出了双阈值的想法，根据2次非极大值抑制，结合一定区域内有一个角点的方法，确定角点，但是并没有解决人工阈值选取［3］。对于定位不精确的问题，2013年张晶等提出B样条函数来代替传统算法算法中的高斯平滑函数，进而改进了窗口大小选择困难的问题，提高了定位精度［4］。2015年龚平、刘相滨提出了运用像素点响应值进行曲线拟合的方法，根据峰值来确定角点，解决了人工阈值选取带来的角点分布不均现象［5］。2015年邹志远等人提出了一种自适应阈值的方法，对人工选取阈值得到的改善，从而避免人工选取阈值造成的角点分布不合理的现象［6］。2016年赵萌等人提出了一种高斯函数参数自适应的Harris角点检测算法［7］，解决了高斯函数参数选取的不确定性影响。由于人工设置阈值易产生角点簇的现象，2017年张见双等人提出了一种改进的算法［8］，通过图像分块处理，并在每个图像块中进行自适应阈值设置［9-10］的方法，改善了角点簇现象。

针对Harris算法的不足，上述提到的不同方法都取得了一定的成效，但均不同程度地降低了检测算法的运算效率，如何在提高检测算法效率的同时，降低误检测的率成为文中的研究方向。文中提出运用Sobel边缘检测［11-12］来备选角点来提高检测｀效率；在进行非极大值抑制时，文中把传统的矩形模板改为圆周模板，该模板具有旋转不变性，大大改善了图像角点的检测精度，最后采用邻域内临近角点剔除［13-14］的方法，排除角点簇，进一步提高检测的精确度。

1 Harris角点检测

1. 1 Harris角点检测原理

Harris算法是一种传统的角点检测算法，角点就是二维图像灰度值的突变或者图像边缘的交线的轮廓点，在对图像I（x，y）进行移动时，当移动距离是（Δx，Δy），可根据自相关函数给出公式

式中（x，y）为中心图像；w（x，y）为加权函数，一般为高斯加权函数。

一般我们把上式中 I（u+Δx，v+Δy）进行一阶的泰勒展开

式中 Ix，Iy分别为I（x，y）在 x轴方向上和y轴方向上的一阶偏导数，由以上（2）代入式（1）可得

可以简单理解为图像发生平移后，其自相关函数变成了近似的二项式函数

式中

二次函数就是一个椭圆函数，它的扁率和尺寸是由矩阵M（x，y）的特征值决定的，假设它的特征值［15-16］分别为 λ1，λ2，当它的大小可分为 3种情况

1）当2个特征值差距很大时，即λ1≫λ2亦或者λ2≫λ1，表明自相关系数在一个方向上大，在其他方向上小，是图像中的一条直线；

2）2个特征值相似且比较小，表明其在各个方向上的自相关系数都小，是图像的平面区域；

3）2个特征值都比较大，而且近似，自相关函数在所有的方向上都增大，即为角点。

但是在进行读图像的角点检测时，特征值的计算量十分的大，一般运用特征点的响应函数［17-18］CRF来计算。

式中 det M为M的行列式；trace M为矩阵M的迹；CRF为角点的响应函数；k为常数，一般取k∈（0. 04，0. 06）。响应函数 CRF值大于预先设定的阈值，且为局部最大值，我们称这个点为候选角点。

1. 2 Harris算法步骤及不足

通过对Harris角点检测的理解分析，可将其过程分为3部分

1）首先应该求出矩阵M以及分别在x轴（水平方向）、y轴（垂直方向）上的梯度；

2）对图像做高斯滤波［19-20］处理，求出新的矩阵M；

3）计算出每个Harris角点的响应值 CRF，对局部邻域进行非极大值抑制，与给定阈值进行比较，大于阈值的角点设置为角点。

Harris角点检测有许多不足之处，比如人工设置阈值、抗躁性差、易产生角点簇、伪角点，及其运算时间长等缺点。

2 圆周Harris角点检测

文中提出的圆周Harris角点检测算法，首先采用Sobel边缘检测的方法来获取备选角点，以此来提高检测效率并剔除部分伪角点；随后，对于圆周模板的旋转不变性［21-22］，提出了圆周模板来代替传统的矩形模板，提高了角点的检测精度；最后对于角点簇，文中采用邻近角点剔除的方法，剔除伪角点和角点簇，进一步提高了算法的检测精度。

2. 1 备选角点的选取

通过对角点定义易得，角点一定在图像的边缘上，因此文中采用Sobel边缘检测算法对图像进行边缘检测，设置一个阈值（文中Sobel中阈值为150），当某一像素的梯度值大于阈值时，文中认为它就是边缘，否则认为其不是边缘，把检测到的边缘当做备选角点，从而为后来Harris角点检测减少了运行时间。文中采用积木图作为实验原图（如图1（a）所示），通过 Sobel边缘算法进行备选角点，由于只在积木的边缘点进行检测故得到5 141个角点（如图1（b）所示）。原图积木图为256*256=65 536个像素点，备选角点远小于原积木的像素点个数，运行个数约为原来的7.84%，极大地减少了运行时间。

Sobel算子包含2组（横向和纵向）3*3的矩阵，它们分别在x方向和y方向与原图像进行平面卷积，为了得出x方向及y方向的亮度差分近似值。假设我们把A作为我们的原始图像，Gx及Gy分别为方向x及方向y的图像，其公式如下

计算每一个像素的梯度大小，可以用Gx和Gy近似值可得公式如下

当梯度G大于给定阈值时（文中选取阈值为150），文中认为该点就是边缘检测点，即备选角点。

2. 2 圆周非极大值抑制窗口

Harris角点检测的灰度相关矩阵为

角点检测判别式为

图片I经过旋转、平移、缩放后，I′=h·S·I+β，其中G（σ）为卷积函数；h为标量，表明缩放的比例大小；S为旋转矩阵；β为偏移量。变换后的坐标变换关系为

一阶导数关系

式中Iu，Iv为图像在u和v方向的偏导数。

将矩阵窗函数变成一维向量，利用相关矩阵表示相关矩阵M，在原图像中，Iu加权后利用一维向量表示为a，Iv加权后用一维向量表示为b，同理，Iu′，Iv′变换后用 a′，b′来表示。公式如下所示

原图像的相关矩阵为

带入可得

由于变换后的灰度相关性为

故变换后的灰度相关矩阵为

当h=1时，即发生平移和旋转时，变换前后的矩阵是相似的，故其行列式det和迹trace不发生改变，所以旋转和平移后判别式没有影响。

当h≠1时，即缩放变换，变换后的矩阵不相似，故Harris角点检测不具有尺度不变性。

在一般的Harris检测中，一般选用3*3的模板（如图2（a）所示）进行与周围的8邻域进行比较角点响应值，只有当8邻域响应值均小于中心点时，认为此时的中心点是该模板中的极大值点。在传统的算法中，由于非极大值抑制窗口为矩形，当图像发生旋转时，非极大值抑制窗口内的值将会发生变化，对于检测的角点的非极大值抑制也会随之改变（如图2（b）所示），因此文中提出圆周非极大值抑制窗口方法（如图2（c）所示），通过圆周上像素点与中心点的比较来确定角点，当中心点的角点响应值大于圆周上所有的值时，认为此时的中心点就是角点。由于圆周上各点到中心点距离相等，当图像发生旋转时，圆周上的点不会发生变化，进而模板内的非极大值抑制也不会改变（如图2（d）所示），因此文中提出的圆周非极大值抑制窗口算法具有旋转不变性。

图1 实验结果对比Fig.1 Comparison of experimental results

2. 3 剔除部分伪角点

在进行了角点的预筛选以及非极大值抑制之后，局部会有一些角点簇和伪角点出现，即在一定的领域内可能出现2个或者多个角点，这对于一些后续处理可能导致不准确，比如图像匹配，角点簇可能导致匹配概率的明显增加，因此文中应该消除这种现象的出现，文中采用邻近角点的剔除，即在一定的局部范围内，只允许一个非极大值的出现，当在局部范围内，出现2个或者以上的角点，选取非极大值最大的作为角点，排除其他的角点，文中采用5*5的模板。

3 实验结果和分析

为了更好地验证文中算法的准确度，选择积木图像作为实验原图像（如图1（a）所示）。参数分别选取 p＝0. 010，p＝0. 005，半径 R＝2，将圆周窗口算法与传统算法进行对比实验，实验结果如图1所示。

3. 1 算法时间和准确度对比

阈值选取为p·Max，将传统算法和文中算法进行比较，算法效率见表1，算法准确度（正确角点数／（正确角点数+伪角点数+漏检角点数数））见表2.

图2 传统算法和圆周算法Fig.2 Traditional and circumferential algorithms

由实验结果可知，原始Harris角点检测算法的漏检角点比较多，运行时间比较长，提出的圆周角点检测算法，漏检角点明显减少，以p＝0.010为例，准确度由传统算法的61.19%提高到76.92%，且通过采用Sobel边缘检测角点备选方法，大大提高了算法的检测效率，平均时间从原来的0.769 583 s降低到0.238 220 s，约为传统算法的31%.