圖像局部信息的角點分類描述

唐雪松，黃文成

（西華大學(xué)計算機與軟件工程學(xué)院，成都610093）

0 引言

數(shù)字圖像處理中，圖像特征匹配是計算機視覺中一個關(guān)鍵問題，在三維重建、目標識別、目標跟蹤等應(yīng)用中有這重要意義。角點作為圖像中信息含量較高的特征點，在圖像匹配中被廣泛使用。現(xiàn)有角點檢查算法大致可分為兩類：基于圖像灰度信息的角點檢測算法、基于圖像邊緣的角點檢測算法。

基于灰度信息的角點檢測主要通過定義一個CRF函數(shù)判斷像素點是否是角點。最著名的算法有：Moravec[1]、Harris[2]、SUSAN[3]、FAST[4]等。這 類 算 法 的CRF 函數(shù)通過圖像灰度、灰度一階導(dǎo)數(shù)、二階導(dǎo)數(shù)來獲取，對圖像細節(jié)和噪聲比較敏感。基于邊緣輪廓的方法主要是通過分析圖像邊緣形狀來檢測角點。CSS[5]在大尺度下檢測角點，并用從大到小的尺度來提高角點定位精度。該算法獲得良好的角點檢測效果，存在的問題在于如何選擇合適的高斯尺度以及角點的閾值。在CSS 基礎(chǔ)上，He 和Yung[6]提出了一種使用自適應(yīng)曲率閾值和動態(tài)支撐區(qū)域的檢測器。Mohannad 和Lu 提出了利用弦到點的距離累加算法CPDA[7]，CPDA 具有較高的可重復(fù)性和較低的定位誤差，之后又提出了CP?DA 的快速算法[8]。但CPDA 有一個缺點是估計拐角的曲率值與角度可能不成正比。JRyu[9]在基于Harris 算法檢測角點的基礎(chǔ)上對角點進行分類，將角點劃分為簡單角和高級角。Shui 和Zhang[10]等人在檢測角點同時，根據(jù)角點的歸一化各向異性方向倒數(shù)對角點進行分類，將角點分為簡單角，Y 型角和星型角。Gao[11]引入了邊緣方向描述，對角點邊緣方向進行二進制編碼，填充了角點信息，但未包含角內(nèi)信息。

現(xiàn)有的角點檢測算法大多數(shù)都只關(guān)注角點位置，而忽略角鄰域局部信息，因此，針對角點分類是勢在必行的。文獻[9-11]雖對角點進行分類，但分類簡單，只有幾種角點類型，且同類型的角點差異角大，此外，并未包含角點鄰域信息。本文在此基礎(chǔ)上進行改進，根據(jù)邊緣方向?qū)屈c進行分區(qū)，從而避免了文獻中同類型角差異較大的問題；在每個角的局部范圍中提取信息，根據(jù)邊緣方向標記獲取角標記，提取每個標記角中像素點灰度，豐富角點描述，彌補文獻中約束不足。

1 CSS角點檢測算法

Mokhtarian 和Suomela 提取出CSS 基于曲率尺度空間的角點檢測算法。該算法定義邊緣輪廓上曲率極大值點為角點。算法主要步驟如下：

（1）使用Canny 算子檢測圖像邊緣。

（2）計算不同尺度下邊緣曲線的曲率。

（3）在高尺度下選取局部曲率極值點作為候選點。

（4）逐漸減小尺度，在多個低尺度上跟蹤定位角點。

通常曲率極大值位于邊緣輪廓的交叉處，因此，CSS 算法提取的角點位于邊緣輪廓交點，具有良好的定位性，可為角點分類提供先前條件，因此，本文使用CSS 算法檢測角點。

2 角點分區(qū)與角點語義描述

2.1 邊緣方向計算

基于邊緣的角點檢測首先是獲取圖像邊緣輪廓，Canny 邊緣檢測獲取圖像輪廓時，可用Sobel 算子與圖像做卷積，產(chǎn)生梯度水平分量Gx和垂直分量Gy，由此可獲得邊緣方向。如邊緣像素點p，水平分量Gx，垂直分量Gy，則p 點邊緣方向為：

2.2 角度與灰度分區(qū)

為克服文獻[9-11]中角點分類過于簡單的問題，提取角點分區(qū)的概率。繞角點一圈是360 度，為更準確地描述角點方向，將角點一圈均分為36 份，形成36 個分區(qū)，每個分區(qū)為10 度，如圖1。為保持邊緣方向與分區(qū)的近似性，便于計算各個邊緣角的大小，以水平方向為分區(qū)起始方向，逆時針排序。

分區(qū)后，根據(jù)角點邊緣分布情況，對邊緣方向進行標記，邊緣位于第幾個分區(qū)，邊緣方向標記數(shù)為幾（如圖2 中，第二分區(qū)中存在一條邊緣，邊緣標記為2）。邊緣標記不僅可以描述邊緣方向，還為計算邊緣角提供先前條件，以最小邊緣標記數(shù)為起點，找到第二小的邊緣標記數(shù)，以此邊緣形成第一個標記角，角標記數(shù)為兩個邊緣標記數(shù)差的絕對值（如第一標記角的標記數(shù)為12-2=10）。以第二小的邊緣標記數(shù)為起點尋找第二個標記角（如第二標記角的標記數(shù)為12），直到最大邊緣標記數(shù)。當邊緣標記最大值為起點時，確定最后標記角的標記數(shù)，此角可看成最小標記邊緣與最大標記邊緣逆時針形成的角的補角，因此最后標記角的標記數(shù)為[36-（最大標記邊的標記數(shù)-最小標記邊的標記數(shù)）]（如第四標記角的標記數(shù)5）。

圖2 邊緣、角點標記圖

類似邊緣分區(qū)，可對灰度進行分區(qū)，將256 個灰度值分為64 個分區(qū)，每個分區(qū)占4 個灰度值。為獲取角內(nèi)灰度，取角內(nèi)包含完整的每個分區(qū)中角點鄰域離角點最近的10 個像素點灰度分區(qū)數(shù)，取邊緣所在分區(qū)角內(nèi)側(cè)方向角點鄰域離角點最佳的5 個像素灰度分區(qū)數(shù)，所有像素灰度分區(qū)數(shù)的均值作為標記角的灰度分區(qū)數(shù)值（如圖2 中，第一標記角包含2～12 分區(qū)，角內(nèi)灰度由3～11 分區(qū)各自提供10 個像素灰度，第2 和第12分區(qū)內(nèi)側(cè)各自提供5 個像素灰度,其灰度分區(qū)為包含分區(qū)總和的均值）。

2.3 角點分類的語義描述

經(jīng)過分區(qū)的分類，對角點有了清晰認識，即可對角點進行語義描述。

圖3 角點語義描述圖

角點的語義描述包含角點附近邊緣信息，角度信息，角內(nèi)灰度信息，360 度全方位數(shù)字化描述角點，增強了角點約束，具有高度的定位性和區(qū)分性。

3 實驗結(jié)果分析

本文先使用CSS 算法提取角點，獲取角點后，對角點進行篩選，排除包含弱邊緣的角點，保留強邊緣的角點。圖4 中，圖（a）為CSS 算法提取的角點圖像，其他包含85 個角點，圖（b）為保留的強角點其中包含44 個角點。

圖（c）為兩幅圖在不同尺度下的強角點使用本文描述子的匹配圖，其中強角點匹配完全正確，實驗結(jié)果證明了本文方法的有效性與準確性。

4 結(jié)語

對角點進行分區(qū)，更好地利用了圖像邊緣信息，克服了文獻[9-11]中同類型角有所差異卻不能識別的問題。引入角點局部信息包含角點邊緣信息、角自身信息、角內(nèi)信息，對角點有更加全面的認識，并進行語義描述，把復(fù)雜的信息轉(zhuǎn)化為簡單的數(shù)字信息，強約束條件并簡化了表達方式，使得同類型的角點可以準確快速地匹配。

圖4 角點與匹配