一種改進的SUSAN角點檢測算法

鄭昊 林玉娥

摘要：角點是用來表示圖像的重要特征，角點檢測經常是復雜圖像計算的第一步，所以對角點檢測準確性的要求非常高。因此，提出一種改進的SUSAN角點檢測算法，在進行Canny邊緣檢測后，對檢測到的邊緣像素點進行SUSAN角點檢測，再使用歐氏距離使檢測的角點更加準確。實驗證明，基于Canny邊緣檢測的SUSAN角點檢測算法相比經典的Harris角點檢測算法與SUSAN角點檢測算法在準確率上有了明顯的提升。

關鍵詞：角點檢測;Canny邊緣檢測;SUSAN角點檢測

中圖分類號：TP18 文獻標識碼：A

文章編號：1009-3044（2020）22-0040-03

開放科學（資源服務）標識碼（OSID）：

角點可以保留圖像重要特征，也可以減少信息的數據量，提高計算速度，有利于圖像的實時匹配。角點在運動估計、目標跟蹤、目標識別、圖像配準與匹配等領域都有很好的應用。角點檢測算法目前主要分成3類：基于灰度圖像的角點檢測、基于輪廓曲線的角點檢測、基于二值圖像的角點檢測。

Moravec于1977年提出了Moravec算法，該算法利用方形窗口檢測圖片中的每個像素，通過比較方形窗口的相關性檢測角點;H arris在Moravec算法的基礎上進行了改進[2]，首先使用高斯濾波器對待檢測圖片進行平滑，接著通過構建自相關矩陣來獲取角點。但是H arris只對L型角點有著較好的檢測率，對其他類型角點的檢測能力一般;張海燕等人將多尺度的概念和圖像分塊方法引入Harris算法中[10]，提高了對圖像角點的檢測性能;陳白帆等人在Harris算法中引入了尺度空間理論[11]]，解決了單一尺度Harris角點檢測存在的丟失角點信息、角點位置不準確和由于噪聲影響導致提取到偽角點等問題，該方法保持了Harris算法在光照條件下的穩定性的同時可以檢測出多尺度下的角點;王冠群等人則將多尺度空間應用在SUSAN角點檢測算法中[12]，同時使用了自適應閾值，既可以獲得多尺度角點，也改善了使用單一閾值帶來的誤檢點和漏檢點。

基于邊緣的角點檢測算法只利用了圖像的邊緣輪廓信息進行角點檢測，圖像的灰度信息卻被忽略了，而基于灰度的角點檢測算法則大多只使用了圖像的灰度信息。SUSAN算法是一種基于灰度的角點檢測算法，它的角點檢測能力較強，但是它的誤檢率也較高，因此本文提出一種既利用到邊緣輪廓信息又利用到灰度信息的Canny-SUSAN算法，該算法在邊緣像素點上進行SUSAN角點檢測，比于原SUSAN算法縮短了運算時間。經過實驗，本文算法相比于Harris算法和SUSAN算法在準確率上有了較大的提升。

1 Canny邊緣檢測

JOHN CANNY于1986年首次提出了Canny 邊緣檢測算法。Canny邊緣檢測算法有以下5個步驟：1）使用高斯濾波器平滑待測圖像。2）計算待檢測圖像中各像素點的梯度強度和方向。3）將邊緣檢測帶來的雜散響應用非極大值抑制消除。4）使用高低閾值對檢測到的邊緣進行劃分。5）將弱邊緣進行抑制。

（1）將待測圖像用高斯濾波器進行平滑

由于部分梯度幅值較大的噪聲點也容易被邊緣檢測算子誤檢為角點，因此為了減少噪聲對邊緣檢測結果的影響，應將噪聲點濾除。使用待檢測圖像與高斯濾波器進行卷積運算，以減少邊緣檢測器上梯度幅值較大的噪聲的影響。高斯濾波器的公式如下：

其中盯為高斯濾波器參數，控制著平滑程度;f（x，y）為待測圖像中各點的灰度值。

（2）計算梯度幅值和方向

Canny邊緣檢測算法的中心思想是找到一幅圖像中灰度變化率最大（即梯度方向）的位置，變化率越大越可能是邊緣，而變化率的大小是由梯度幅值體現的。Canny邊緣檢測算法可以使用四個算子來檢測圖像中的水平、垂直和對角邊緣（如Rob-erts，Prewitt，Sobel等）。經過高斯濾波平滑后的圖像梯度的幅值和梯度方向可以由Sobel算子來獲得。

其中Gx由水平方向的Sobel算子與經過高斯濾波后的圖像卷積得到;GY由豎直方向的Sobel算子與經過高斯濾波后的圖像卷積得到。

（3）對幅值圖像進行非極大值抑制

（4）雙閾值檢測

在對幅值圖像進行非極大值抑制處理之后，仍然存在部分受噪聲和顏色變化影響的邊緣像素。這些雜散響應可以通過設置高低閩值來解決。

（5）抑制弱邊緣像素點

由于從正確邊緣提取的弱邊緣像素會連接強邊緣像素，而由雜散響應引起的弱邊緣像素則不會，如果一個弱邊緣像素的8一領域像素中有一個為強邊緣像素，則可將該弱邊緣像素定為邊緣像素。

2 SUSAN角點檢測算子

SUSAN算子由Smith等人于1997年提出。該算子采用如圖1所示的圓形模板在圖像上移動，將模板內像素點的灰度值與模板中心的灰度值做差，若該灰度差小于一個閾值，則判定像素點與模板中心處于同一區域，將該區域稱為核值相似區USAN（Univalue-Segment-Assimilating-Nucleus）， SUSAN算子由核值相似區的面積來判斷核位置的像素是否為角點。

比如在圖2中，USAN值最大的為e，該圓形模板處于目標的背景中;其次為bcd，此時圓形模板靠近邊緣的位置;而最小的為a，圓形模板位于角點的位置。用于判斷像素點是否屬于USAN區的公式為：

其中，g為抑制噪聲的幾何閾值。在獲得初始角點響應值之后，初始角點響應值越大的點越有可能是角點，將其與其8一鄰域內的像素點的角點響應值進行比較，若它是最大的.則可以確定它是一個角點。

3 改進的Canny-SUSAN角點檢測

由于基于邊緣的角點檢測算法只利用了圖像的邊緣輪廓信息進行角點檢測，卻沒有利用到圖像的灰度信息，而基于灰度的角點檢測算法則大多只考慮到圖像的灰度信息，所以這兩種類型的算法都存在一定的局限性。又由于角點處于圖像中各個邊緣的交匯處，必定處于某個邊緣上，因此提出一種Can-ny-SUSAN角點檢測算法，首先對輸入的待測圖片使用Canny邊緣檢測算法進行邊緣檢測，將獲取到的邊緣像素的坐標記錄到數組中。接著對該數組中坐標對應的像素點使用SUSAN算法進行角點檢測，得到初始角點集合，由于初始角點集合中仍存在一部分冗余點與誤檢點，所以最后還需要對檢測到的初始角點進行歐氏距離計算，去除不精確的冗余角點以及誤檢點得到準確角點。本算法既利用了待測圖片的邊緣輪廓信息，又利用了待測圖片的灰度信息，在縮小了范圍的邊緣像素點中進行角點檢測，有效減少了漏檢點和誤檢點，提升了角點檢測的準確率。同時，由于SUSAN算法是針對待測圖片的全部像素點進行檢測的，計算量比較大，而本文算法只對邊緣像素點進行角點檢測，從而大大減少了檢測時間。下面是Canny-SUSAN角點檢測算法的具體步驟：

1）利用Canny邊緣檢測器檢測輸入圖片的邊緣映射;

2）提取步驟1）獲得的邊緣映射;

3）利用SUSAN角點檢測算法對圖片邊緣上的每個像素進行角點檢測;

4）計算邊緣上每個像素點的角點測度;

5）邊緣上的每個點和其8一鄰域內的點的角點測度進行比較，精確確定角點;

6）將確定的每個角點和其他角點進行歐氏距離的測量，將歐氏距離小于閾值n的劃為一個集合，將集合中的點像素的行和列求均值后作為最終角點的位置。

4 實驗結果與分析

為了驗證本文方法在角點檢測準確率上的改進，選取特征點明顯的棋盤圖片進行角點檢測實驗。實驗使用Harris算法、SUSAN算法與Canny-SUSAN算法分別對棋盤圖片和順時針旋轉45。后的棋盤圖像進行角點檢測。在SUSAN算法和Canny-SUSAN算法閾值的選取上，經過實驗發現，當閾值t選擇40時，獲得的正確點數偏多，冗余點和誤檢點偏少;閾值g仍然選擇2/3max（usan）。以下所有仿真實驗中，SUSAN算法與本文算法皆按照以上參數設定，Harris角點檢測器的參數為其默認設置。

根據圖4和表1的檢測結果可知，對于圖3（a），SUSAN算子和本文方法檢測到的正確角點比Harris算子多，本文方法檢測到的正確角點比SUSAN算子檢測到的正確角點略少，說明本文方法與SUSAN算子檢測能力相當。而使用本文方法進行角點檢測的準確率比Harris算子高出26.29%，比SUSAN算子高出19.71%。上述數據表明，本文方法比Haaris算子和SUSAN算子具有更高的準確率。

根據圖5和表2的檢測結果可知，對于圖3（b），Harris算法、SUSAN算法與本文算法檢測到的正確角點個數大致相當。但是本文方法檢測角點的準確率比Harris算子高出21.71%，比SUSAN算子高出15.56%。這表明本文方法對于發生旋轉變換后的待測圖片仍具有良好的檢測性能。

5 結論

針對SUSAN角點檢測算法檢測的角點中冗余點和誤檢點較多的問題，本文提出了一種基于Canny邊緣檢測的SUSAN角點檢測算法，首先對圖片進行邊緣檢測，再對檢測到的邊緣點進行角點檢測，最后對檢測到的角點進行二次篩選，確定最終角點。傳統的角點檢測算法往往只是基于邊緣輪廓或者基于灰度的，本算法結合了兩種方法，既利用了邊緣輪廓也利用了灰度信息，只對邊緣像素點進行角點檢測也減少了算法所需要的時間，再用歐氏距離過濾掉一部分偽角點，提高了角點檢測的準確率。從對原始圖片和旋轉圖片的檢測結果來看，本文算法的角點檢測準確率均優于H arris算法和SUSAN算法。但是，由本文方法檢測到的正確角點數目不夠充足，下一步將針對這一點進行改進。

參考文獻：

[1] Li J，Allinson N M.A comprehensive review of current local fea-tures for computer vision[J].Neurocomputing，2008，71（10/11/12）：1771-1787.

[2] Harris C，Stephens M.A combined corner and edge detector[C]//Procedings of the Alvey Vision Conference 1988. Manchester.Alvey Vision Club， 1988： 147-151.

[3]章毓晉.圖象工程一上冊一圖象處理和分析[M].北京：清華大學出版社，1999.

[4] Canny J.A computational approach to edge detection[J].IEEETransactions on Pattern Analysis and Machine Intelligence，1986，PAMl- 8（6）：679-698.

[5] Schmid C，Mohr R，Bauckhage C Evaluation of interesting pointdetectors [J]. International Journal of Computer Vision， 2000，37（2）：151-172.

[6]張海燕，李元媛，儲晨昀，基于圖像分塊的多尺度H arris角點檢測方法[Jl.計算機應用，201 1，31（2）：356-357.

[7]何海清，黃聲享，改進的Harris亞像素角點快速定位[J].中國圖象圖形學報，2012，17（7）：853-857.

[8]鄭永斌，黃新生，豐松江.SIFT和旋轉不變LBP相結合的圖像匹配算法[J].計算機輔助設計與圖形學學報，2010，22（2）：286-292.

[9]章為川，程冬，朱磊.基于各向異性高斯核的多尺度角點檢測[J].電子測量與儀器學報，2012，26（1）：37-42.

[10]張海燕，李元媛，儲晨昀，基于圖像分塊的多尺度Harris角點檢測方法[Jl.計算機應用，2011，31（2）：356-357.

[11]陳白帆，蔡自興.基于尺度空間理論的Harris角點檢測[J].中南大學學報（自然科學版），2005，36（5）： 45-47.

[12]王冠群，馬苗，張艷寧，等.基于高斯變換的多尺度SUSAN角點檢測方法[J].計算機工程與應用，2016，52（12）：184-188.

【通聯編輯：唐一東】

作者簡介：鄭昊（1995-），男，安徽淮南人，碩士研究生，研究方向：圖像處理;林玉娥，安徽理工大學計算機科學與工程學院副教授，博士，主要研究方向為模式識別和圖像處理。