本文關(guān)鍵詞：圖像邊緣輪廓自適應(yīng)閾值的角點檢測算法　出處：《中國圖象圖形學報》2016年11期 　論文類型：期刊論文

  更多相關(guān)文章： 角點檢測 邊緣輪廓 各向異性高斯方向?qū)?shù)濾波器 自適應(yīng)閾值

【摘要】：目的基于邊緣輪廓的角點檢測算法的檢測性能雖然相對比較穩(wěn)定,但是它對邊緣輪廓的局部變化敏感,并且只是給予一個經(jīng)驗門限去提取角點,為此提出一種對局部變化和噪聲穩(wěn)健的基于圖像邊緣輪廓自適應(yīng)閾值的角點檢測算法。方法該算法利用各向異性高斯方向?qū)?shù)濾波器對不同邊緣和角點模型進行表征,提取表征邊緣和角點的灰度及幾何變化的不變屬性,并通過正則化計算得到區(qū)別邊緣和角點的自適應(yīng)閾值。該算法首先利用Canny邊緣檢測器檢測輸入圖像的邊緣映射并從邊緣映射中提取出邊緣輪廓;然后利用各向異性高斯方向?qū)?shù)濾波器對所提取出的邊緣曲線進行濾波平滑,計算出每一像素點的響應(yīng)并與自適應(yīng)閾值作比較,把響應(yīng)大于閾值的點作為候選角點;最后,對候選角點進行非極大值抑制得到最終角點集。結(jié)果提出的算法分別與Harris算法,HeYung算法,以及ANDDs算法在仿射變換和高斯噪聲的實驗環(huán)境下進行比較,其性能指標為平均重復率與定位誤差;并且對每個角點檢測算法在無噪聲和有噪聲的情況下進行了角點匹配比較。4種算法的兩個指標的平均排名為Harris 3.375,HeYung 2.625,ANDDs 2.625,本文算法1.375。本文算法在仿射變換以及高斯噪聲的情況下有著良好的平均重復率和定位誤差,優(yōu)于其他3種算法。匹配實驗中的錯誤點以及丟失點也少于其他3種算法。結(jié)論圖像的特征檢測在計算機視覺領(lǐng)域是一個重要的課題,在許多視覺系統(tǒng)中,檢測特征往往作為復雜計算的第1步。因此,這一步的可靠性會極大地影響著視覺系統(tǒng)整體的結(jié)果。而角點作為圖像的重要特征,對其研究具有重大意義。本文算法不同于傳統(tǒng)的基于邊緣的角點檢測器僅利用邊緣輪廓的信息,還利用到圖像邊緣像素的灰度信息。而且,本文算法還采用一個自適應(yīng)全局閾值,避免了角點的誤判。正則化的灰度變化有效減少了噪聲或者光照對檢測性能的影響。通過角點匹配實驗、仿射變換實驗以及高斯噪聲實驗,可以看出,本文的角點檢測器擁有良好的檢測性能,并且對噪聲具有穩(wěn)健性。
[Abstract]:Based on the detection performance of corner edge detection algorithm is relatively stable, but its local change on the edge of sensitive, and just give an empirical threshold to extract the corner point, so this paper put forward a kind of local variation and noise robust image corner edge contour detection algorithm based on adaptive threshold. The algorithm uses anisotropic Gauss direction derivative filter to characterize different edges and corner points, extracts invariant attributes that represent the grayscale and geometric changes of edges and corners, and obtains adaptive thresholds of differentiated edges and corners by regularization calculation. The algorithm uses edge mapping Canny edge detector of the input image and extract the edge contour from the edge map; then using anisotropic Gauss directional derivative filter to smooth the edges of the extracted curve, calculate the response of each pixel and compared with adaptive threshold, the response is greater than the threshold point as the candidate corner; finally, the candidate corner points of non maximum suppression final corner sets. The results of the proposed algorithm with the Harris algorithm, HeYung algorithm and ANDDs algorithm in the experimental environment of affine transformation and Gauss noise were compared, the performance index is the average repetition rate and position error; and each corner detection algorithm in the absence of noise and noise conditions compared with corner matching. The average ranking of the two indexes of the 4 algorithms is Harris 3.375, HeYung 2.625, ANDDs 2.625, and the algorithm 1.375. In the case of affine transformation and Gauss noise, this algorithm has a good average repetition rate and location error, which is better than the other 3 algorithms. The error points and loss points in the matching experiment are also less than those of the other 3 algorithms. Conclusion image feature detection is an important topic in the field of computer vision. In many visual systems, detection features are often the first step of complex computation. Therefore, the reliability of this step will greatly affect the overall results of the visual system. As an important feature of the image, the corner point is of great significance to its research. The algorithm is different from the traditional edge based corner detector using only the information of the edge contour, and also the gray information of the edge pixels of the image. Moreover, this algorithm also uses an adaptive global threshold to avoid the misjudgment of the corner points. The regularized gray change effectively reduces the effect of noise or illumination on detection performance. Corner matching experiment, affine transformation experiment and Gauss noise experiment show that the corner detector has good detection performance and robustness to noise.
【作者單位】： 西安工程大學電子信息學院;
【基金】：國家自然科學基金項目(61401347) 陜西省自然科學基礎(chǔ)研究計劃基金項目(2016JM6013) 西安工程大學控制科學與工程學科群建設(shè)基金項目(107090811)~~
【分類號】：TP391.41
【正文快照】： 0引言 圖像的邊緣輪廓上有著許多圖像特征信息,例如角點、拐點。而角點是圖像非常重要的特征,它往往被定義為圖像邊界曲線的曲率極大值點或者多個區(qū)域邊界交匯點。圖像的角點檢測在機器視覺以及圖像處理領(lǐng)域中有著極其重要的作用,它的應(yīng)用已經(jīng)遍及到許多領(lǐng)域。例如目標識別[1

【相似文獻】

相關(guān)期刊論文 前10條

1 羅曉暉,李見為;雙高斯差模型用于角點檢測研究[J];計算機工程與應(yīng)用;2003年11期

2 鐘寶江,廖文和;基于精化曲線累加弦長的角點檢測技術(shù)[J];計算機輔助設(shè)計與圖形學學報;2004年07期

3 邱衛(wèi)國,昂海松;基于多特征綜合的角點檢測算法(英文)[J];Transactions of Nanjing University of Aeronautics & Astronau;2004年03期

4 陳樂,呂文閣,丁少華;角點檢測技術(shù)研究進展[J];自動化技術(shù)與應(yīng)用;2005年05期

5 廖�？�,駱德淵,秦東興,黃大貴;一種改進的角點檢測法[J];儀器儀表用戶;2005年02期

6 趙文彬;張艷寧;;角點檢測技術(shù)綜述[J];計算機應(yīng)用研究;2006年10期

7 侯北平;李平;宋執(zhí)環(huán);;基于滑動窗口的自適應(yīng)角點檢測研究[J];電路與系統(tǒng)學報;2006年06期

8 郭海霞;解凱;;角點檢測技術(shù)的研究[J];哈爾濱師范大學自然科學學報;2007年02期

9 任雁;;角點檢測方法研究[J];機械工程與自動化;2009年01期

10 朱玉艷;尚振宏;康燕妮;來沛劍;尚晉霞;;角點檢測技術(shù)研究及進展[J];電腦開發(fā)與應(yīng)用;2010年03期

相關(guān)會議論文 前10條

1 簡麗娟;劉奇;;基于角點檢測的旋轉(zhuǎn)圖象的拼接實現(xiàn)[A];中國自動化學會、中國儀器儀表學會2004年西南三省一市自動化與儀器儀表學術(shù)年會論文集[C];2004年

2 陳杰春;趙麗萍;郭鳴;;角點檢測不確定度評定方法[A];中國光學學會2010年光學大會論文集[C];2010年

3 范娜;俞利;徐伯夏;;角點檢測算法綜述[A];第六屆全國信號和智能信息處理與應(yīng)用學術(shù)會議論文集[C];2012年

4 熊薇薇;吳懷宇;;一種改進的角點檢測算法[A];中國計量協(xié)會冶金分會2009年年會論文集[C];2009年

5 郭宏國;周銓;趙榮椿;;一種改進的基于角點檢測的圖像配準方法[A];第八屆全國信號與信息處理聯(lián)合學術(shù)會議論文集[C];2009年

6 敖雪峰;武仲科;周明全;宋榮青;王燕妮;;基于角點檢測的毛筆字筆畫分割算法[A];圖像圖形技術(shù)與應(yīng)用進展——第三屆圖像圖形技術(shù)與應(yīng)用學術(shù)會議論文集[C];2008年

7 王利強;郝瑩;;一種基于Forstner算子的角點檢測改進算法[A];第十四屆全國圖象圖形學學術(shù)會議論文集[C];2008年

8 付朝霞;韓焱;昝波;;基于角點檢測的圖像鑲嵌算法[A];第十一屆中國體視學與圖像分析學術(shù)會議論文集[C];2006年

9 楊佳華;郭彤穎;馮群;劉淑娟;李峰;;一種基于曲率尺度空間的局部閾值角點檢測方法[A];第十屆沈陽科學學術(shù)年會論文集（信息科學與工程技術(shù)分冊）[C];2013年

10 田宏亮;蔣曉瑜;張智詮;汪熙;;基于Harris與SUSAN的聯(lián)合角點檢測與匹配算法[A];第六屆全國信號和智能信息處理與應(yīng)用學術(shù)會議論文集[C];2012年

相關(guān)博士學位論文 前4條

1 徐玲;基于圖像輪廓的角點檢測方法研究[D];重慶大學;2009年

2 章為川;基于各向異性高斯核的圖像邊緣和角點檢測[D];西安電子科技大學;2013年

3 鐘寶江;圖象輪廓處理技術(shù)的基礎(chǔ)算法研究[D];南京航空航天大學;2006年

4 羅曉暉;雙高斯差模型的低層次視覺尺度要素檢測研究[D];重慶大學;2002年

相關(guān)碩士學位論文 前10條

1 李冬晴;圖像角點檢測算法與測評技術(shù)研究[D];蘇州大學;2015年

2 曲瑾;基于角點檢測的目標跟蹤算法研究與應(yīng)用[D];哈爾濱工業(yè)大學;2015年

3 陳強;一種用于零件檢測的工業(yè)內(nèi)窺鏡研究[D];南京理工大學;2014年

4 廖璇;花樣圖案路徑提取及優(yōu)化方法研究[D];西南科技大學;2015年

5 李火星;基于圖像邊緣的角點檢測算方法研究[D];河南理工大學;2014年

6 孔祥楠;基于邊緣輪廓角點檢測算法的研究[D];西安工程大學;2016年

7 徐偉;鋼絲繩激光非接觸測長方法研究[D];貴州師范大學;2016年

8 陳程;基于圖像處理技術(shù)的視線跟蹤算法設(shè)計與實現(xiàn)[D];內(nèi)蒙古大學;2016年

9 李響;基于圖像技術(shù)的型材截面幾何尺寸測量方法研究[D];鄭州大學;2016年

10 陳俊艷;視頻監(jiān)控中運動目標檢測與跟蹤算法研究[D];西安郵電大學;2016年

，

本文編號：1345771