SUSAN算子角點提取在船舶舷號定位中的應用

王星++鄧小煉

摘要：指出了船舶的舷號包含著船舶的基本身份信息以及船只在其所屬部門和序列中的位置，通過對船舶舷號的檢測，可以迅速識別出對方船只的身份信息。這對艦艇在海洋航行中區別和聯絡他國船舶以及在海事營救時搜尋并確認失事船只中有著重要的應用。提出了一種船舶舷號的檢測方法，該法先將彩色船舶圖像轉化為HSI模型，然后利用SUSAN算子角點檢測算法提取飽和度圖像中的角點。當檢測出角點以后，再進行多次搜索，實現對舷號的檢測和定位。實驗表明：這種方法擁有非常好的穩定性和有效性。

關鍵詞：舷號的檢測；像素；質心

中圖分類號： TP391

文獻標識碼： A 文章編號： 16749944（2015）06029203

1 引言

SUSAN算法是由Smith[1]等提出的一種關于圖像的處理方法，該算法是基于像素領域的。它是用含有若干元素的圓形模板，遍歷圖像的每個像素點，根據每個像素的灰度，求出角點響應函數的值。如果其值大于某閾值，并且它還是局部的極大值，則認為這個點為角點。

本文通過SUSAN算法檢測出船舶圖像中的角點[2]，然后根據圖像中角點的分布狀況，先對船舶舷號進行粗略定位，然后再進一步進行精確地定位，從而實現對舷號的準確檢測。

2 圖像的初步處理

首先對圖像進行初步處理，本文用彩色模型。 我們根據色調來濾掉非舷號的背景顏色和字符具有的各種顏色所產生的干擾。這是因為外面照射的明暗和強弱等對模型的色調不會產生較大的干擾。

在飽和度方面，船舶舷號的背景色和字符兩者在舷號部分的這里面有很大的差異。舷號字符中又包含著大量的有規律的角點，所以也可同時利用飽和度來幫助對圖像舷號的定位。

在對圖像初步處理時，需要先將它的模型轉化為模型， 接著再對圖像飽和度實施有效的中值濾波， 這樣來去除噪聲。

根據上面的公式，我們對圖像開始轉變，下面的圖A顯示的就是轉變完之后的結果圖。接下來，我們可以對它實施相關的濾波處理。

文中，我們對圖1所展示的飽和度圖進行了濾波。方便后續的計算，我們先對飽和度成倍放大，這樣做的目的是加大圖像中各個像素點間的飽和度值。取S0=kS，k=255。為了消除噪聲，接著我們對飽和度圖進行了中值濾波的處理。

3 角點的提取

角點有很高的信息含量，一方面，角點可以保留圖像的許多重要特征[3]，另一方面，角點能減少相關信息的一些數據量，可以大大減化計算量。

如圖2所示的圓形區域， 稱之為模板。模板的核在其中心十字交叉的地方。

當我們在整個區域里面移動該模板時，它和前景會產生不同的接觸狀況，如圖2所示。在圖像的角點提取中，我們需要用到USAN[4]。

有待進行處理的這些點是基于像素領域的，為了求出模板中所有的點與這些點的相似程度[5]，我們用該模板對圖像里面的所有點進行遍歷，在這個過程中，把需要處理的這些點與模板區域里面的核組合重疊在一起，按照上述方法求解出相似程度值。包含在模板里面的前景區域部分表示的的積分結果與這個值在數值上面是等價的。

計算相似程度的公式如下式：

若質心和圓形模板核之間的距離比模板半徑的1/4小，則把該位置標記為非角點的位置。

我們對飽和度分量的圖像實施SUSAN角點提取，其條件是圖像數據滿足在色調值的范圍內。在所做的實驗里面， 我們使用的SUSAN掩模的像素數是37，角點閾值是28 。若掩模區域的核像素點的角點強度值比這個區域里面的所有其他位置上的角點強度值要小， 那么這里就是非角點的地方，我們把這里標注下來，就這樣處理完全部的地方與位置。

然后再把圖像掃描一遍，如果那些點對應的R比0要大，而且之前未被標注過，那么這些點就是最終要提取的角點。圖3是將飽和度分量圖實施檢測以后的角點圖。

根據圖3我們能看出， 當對飽和度分量圖實行檢測以后，船的舷號區域角點分布很有規律，所以我們接下來的定位可以大大簡化計算過程，迅速提升運算的速度。

4 初步定位的搜索

（1）按列排序好搜索出來的所有角點。搜索的范圍是190個像素的寬度，在這個范圍內從第一個角點開始搜索。

（2）當角點的數目比16大時， 那么就認定它是船舶舷號縱坐標的起點， 反之， 就認為它是單獨角點， 接著搜索下一個角點， 這樣一直搜索，當找出了縱坐標的起始點后，就停止搜索。

（3）如果找出了縱坐標的起始點以后， 就接著搜索，當找到這樣的一個范圍，它比16個角點大，并且這個范圍就是最靠后的一個時，那么船舷號終點的縱坐標就是這個范圍里面最末尾的那個角點。

（4）當角點包含在縱坐標的范圍里面時，就把所有的這些角點根據行來排列，然后對這些角點按照從上到下的方向進行搜索， 搜索的范圍是65個像素，門限值是16，搜索的步驟與途徑和上面一樣。就這樣求出與起始點相對應的橫坐標值。圖4是初步的結果圖。

5 舷號進一步地檢測

我們還需要對舷號部分做更深一步的檢測和定位。只有這樣才能實現我們的預期的結果。根據圖4，我們可以看到船舶舷號部分的角點是具有一定規律地分布。所以我們根據角點的特點設計了下面所示的精確的更進一步的檢測和定位方法。

（1）將初步定位的角點根據列來進行排列。然后從左至右地檢測每一個角點。 假如有兩個角點之間的間隔為16個像素時，就把后一個角點相應的縱坐標設置為新的船舶舷號部分的縱坐標，就這樣地搜索下去，一直到當出現兩個角點之間的距離比16個像素小的時候，就停止。

（2）用同樣的途徑和方式，根據從右邊到左邊的方向，進行搜索，這樣可使船舶舷號的區域變小一些。

（3）按照由左到右的方向搜索每一個角點，一直到新的船舶舷號區域1/4的地方。當有兩個角點之間的間隔比38個像素大時，就把這之前的像素都刪除，而船舶舷號區起始點所對應的縱坐標就是下面緊接著的一個角點相應的縱坐標。

（4）再用這樣的途徑來進行由右邊向左邊地搜索。這種方法可以刪除一些無關的角點。

（5）根據以上步驟找到船舶舷號部分內部的角點后，再把這些角點由行來組合排列。按照由上面到下面的方向進行搜索，一直到舷號部分的2/3的地方。

（6）當有兩個角點相隔的距離比19個像素大的時候，就把前面的角點都刪除，接著再根據由下面到上面的方向，使用前面一樣的途徑和步驟進行搜索，當找到舷號開頭角點所對應橫坐標值的時候，停止搜索。圖5為經過精確檢測后的船舶舷號部分圖像。

6 分析與總結

文中是根據SUSAN角點提取的方法， 提取船舶

圖像的角點， 然后再對舷號進行進一步地檢測和定位。實驗表明，這種方法可以非常好地抑制噪聲，而且效率比較高，有很好的穩定性。

參考文獻：

[1]何東健.數字圖像處理[M].西安：西安電子科技大學出版社，2003：30～32.

[2]席志紅，劉利彬，許新利.SUSAN角點檢測算法改進[J].應用技術，2006，33（9）：29～31.

[3]張桂林.利用SUSAN算子的特征復合相關定位算法[J].紅外與激光工程，2000，29（4）：34～37.

[4]荊仁杰，葉秀清，徐勝榮等.計算機圖像處理[M].杭州：浙江大學出版社，1990.

[5]張春森.基于點特征匹配的SUSAN，Harris算子比較[J].西安科技大學學報，2007，27（4）：609.

[6]李俊山.數字圖像處理[M].北京：清華大學出版社，2007.