數(shù)字圖像處理課程設(shè)計

1、<p><b>　　摘 要</b></p><p>　　圖像處理是一門很有價值的學科，在科學技術(shù)不斷發(fā)展的今天它的技術(shù)已趨于成熟。同時圖像之間的處理， 在實際應(yīng)用中也顯的越來越重要。本課程設(shè)計的主要任務(wù)是實現(xiàn)對數(shù)字圖像的頻譜特性的分析，觀察結(jié)果，并進行結(jié)果分析。本課程設(shè)計的系統(tǒng)開發(fā)平臺為MATLAB，程序運行平臺為Windows98/2000/XP</p><p

2、>　　在圖像理解、圖像匹配、三維重建及模式識別等領(lǐng)域中，特征點的檢測具有十分重要的意義。特征點在保留圖像中物體的重要特征信息的同時有效地減少了信息的數(shù)據(jù)量，使得對圖像處理時運算量大大減少。特征點的的定義有多種不同的表述，如圖像中灰度值和像素劇烈變化的點、圖像邊界上具有較高曲率的點等。對于特征點的定義決定了特征點的特性，同時也決定了所檢測出的特征點的檢測所采用的方法。</p><p>　　SUSAN(Smal

3、lest Univalue Segment Assimilating Nucleus)算法是上世紀九十年代中期提出的一種邊角點檢測算法，該算法是一種基于圖像局部灰度特征，利用一個圓形的模板對圖像進行掃描，比較模板內(nèi)部的點與模板中心點的灰度值，如果灰度差值小于一定的閾值，就認為該點與中心點的灰度相同，否則就認為該點與中心點有明顯的差異。統(tǒng)計模板內(nèi)部與中心點灰度相同的點的個數(shù)，與一個全局閾值進行比較，判斷該點是否屬于角點，從而實現(xiàn)對圖像特征

4、點的檢測。</p><p>　　本文采用matlab語言實現(xiàn)了SUSAN特征點監(jiān)測并利用模擬圖像和真實圖像對算法進行了驗證，實驗表明SUSAN特征點檢測算法能有效提取圖像中的特征點。與傳統(tǒng)的角點檢測算法相比，SUSAN算法是一種基于圖像灰度比較的算法，不涉及梯度的計算。具有速度快、抗干擾能力強等特點。</p><p>　　關(guān)鍵字： SUSAN算法；邊緣檢測；角點檢測；matlab</

5、p><p><b>　　目 錄</b></p><p><b>　　1課程設(shè)計目的1</b></p><p><b>　　2課程設(shè)計要求2</b></p><p>　　3特征點檢測的原理及方法3</p><p>　　3.1 SUSAN算法基本原理3&

6、lt;/p><p>　　3.2 SUSAN算法的實現(xiàn)6</p><p>　　3.2.1讀入圖像6</p><p>　　3.2.2 SUSAN算法顯示邊緣圖6</p><p>　　4.matlab程序代碼7</p><p>　　5.算法的應(yīng)用12</p><p>　　6.算法的評價14&l

7、t;/p><p>　　6.1算法的改進14</p><p>　　6.2參數(shù)對角點的影響14</p><p>　　6.2.1去除真角點附近的偽角點14</p><p>　　6.2.2邊緣輪廓上的偽角點處理15</p><p>　　6.3 Harris與SUSAN算法的比較15</p><p>

8、;　　6.3.1 Harris基本原理15</p><p>　　6.3.2實驗分析變化17</p><p>　　6.4 Harris與SUSAN小結(jié)18</p><p><b>　　結(jié)論19</b></p><p><b>　　參考文獻20</b></p><p>

9、<b>　　1課程設(shè)計目的</b></p><p>　?。?）學習并了解 Matlab軟件的實用，并了解Matlab在數(shù)字圖像中的應(yīng)用。學會編寫Matlab程序并調(diào)試、運行。</p><p>　　（2）了解圖像的檢測運算在數(shù)字圖像處理中的初步應(yīng)用。</p><p>　?。?）體會圖像特征檢測過程和處理前后圖像的變化。</p>&l

10、t;p><b>　　2課程設(shè)計要求</b></p><p>　?。?）了解Matlab軟件的實用，在Matlab環(huán)境下學會用軟件對圖像進行處理，并獲得預期的結(jié)果。</p><p>　?。?）了解圖像特征檢測的原理和作用。</p><p>　?。?）對比處理后的圖像與原圖像，得出處理后的結(jié)論。</p><p>　　3

11、特征點檢測的原理及方法</p><p>　　3.1 SUSAN算法基本原理</p><p>　　SUSAN算法是由Simth SM和Brady JM首先提出的一種低層次圖像處理小核值相似區(qū)的方法SUSAN（Small Univalue Segment Assimilating Nucleus)即小核值相似區(qū)。該算法直接利用像素的灰度進行角點檢測。而不考慮曲率等復雜的角點特征。SUSAN檢測

12、算子的基本原理是通過統(tǒng)計某一像素局部區(qū)域內(nèi)與該像素等灰度值近似的的點的個數(shù)，實現(xiàn)角點檢測。</p><p>　　該算法一般利用一個37像素的圓形模板來實現(xiàn)的，如圖2.1所示。圖2.2中圓形模板e的圓心稱為核心，假如模板中的某些像素的亮度與核心相同或相似，就定義這些像素組成的區(qū)域為USAN（核值相似區(qū)）區(qū)域。圖2.3顯示出了不同位置的USAN區(qū)域面積大小。USAN區(qū)域包含了圖像結(jié)構(gòu)的以下信息：在a位置，核心點在角點

13、上，USAN面積達到最小:在b位置，核心點在邊緣線上時，USAN區(qū)域面積接近最大值的一半；在 c、d位置，核心點處于黑色矩形區(qū)域之內(nèi)，USAN區(qū)域面積接近最大值。因此，可以根據(jù)USAN區(qū)的面積大小檢測出角點。</p><p>　　圖3.1 包含37個像素的圓形模板</p><p>　　圖3.2 簡單圖像中的四個圓形模板</p><p>　　圖3.3 不同位置USAN

14、區(qū)域面積的大小</p><p>　　具體檢測時，是用圓形模板掃描整個圖像，比較模板內(nèi)每一像素與中心像素的灰度值。并給定閾值來判別該像素是否屬于USAN區(qū)域，式2.1是SUSAN算法的原始相似比較函數(shù)。式2.2是在實際應(yīng)用中比較常用的相似比較函數(shù) ： </p><p><b>　?。?.1） </b></p><p><b>　?。?

15、.2） </b></p><p>　　用于計算以每個像素點為核心的USAN區(qū)的像素個數(shù)；是模板中心像素(核)的灰度值；為模板內(nèi)其他任意像素的灰度值；t是區(qū)分特征目標與的一個重要閾值，一般取25。</p><p>　　圖像中某一點USAN區(qū)域大小可由下式2.3表示：</p><p><b>　?。?.3）</b></p>

16、<p>　　式中，是以為圓心的模板。</p><p>　　在得到每個像素的USAN區(qū)域后。再由下式2.4角點響應(yīng)函數(shù)(Corner- Response Function，CRF )產(chǎn)生角點初始響應(yīng)：</p><p>　?。?.4） </p><p>　　式中，g是抑制噪聲的幾何閾值 ，它決定了輸出角點的USAN區(qū)域的

17、最大值。同時它還決定了所檢測到的角點的尖銳程度。g取得越小，所檢測到的角點越尖銳。用這種原理，取不同的幾何門限，不但能檢測角點．還可以檢測交點、邊緣等特征。</p><p>　　SUSAN算子計算簡單，不需要用導數(shù)求邊緣強度及方向梯度，增強了抗噪能力；且計算時間明顯減少，易于硬件實現(xiàn)。然而SUSAN算法并不能完全消除孤立噪聲點及由于模糊導致而致立體匹配誤差率較高。SUSAN算法流程圖如圖4.4所示。</p&

18、gt;<p>　　圖3.4 SUSAN算法流程圖</p><p>　　3.2 SUSAN算法的實現(xiàn) </p><p><b>　　3.2.1讀入圖像</b></p><p>　　關(guān)閉所有窗口(程序運行產(chǎn)生的，不包括命令窗，editor窗和幫助窗），清除所有工作空間中的變量，讀入圖像并顯示原始圖像。</p><p

19、>　　3.2.2 SUSAN算法顯示邊緣圖</p><p>　　構(gòu)造半徑為3個像素的圓型模板，遍歷圖像的每一個點。當像素位于模板內(nèi)時，根據(jù)公式（10）求c 和n（n的最大值為37），</p><p>　?。?.5） </p><p>　　其中，為掩模核在圖像中的坐標，(x,y)為掩模區(qū)域其它點的坐標。、I(x,y)分別為點和的灰度值。閾值決定了兩個點相

20、似的最大差異。C為輸出的結(jié)果。其中：為USAN中象素個數(shù)，它給出了USAN值。將與某固定閾值相比較，得到SUSAN算法對圖像角點的響應(yīng)函數(shù)（2.5）：其中，（為的最大值），恰好是理想邊緣的USAN區(qū)大小，而對于實際有噪聲影響的圖像，邊緣的USAN區(qū)一般都大于。并以n為基礎(chǔ)創(chuàng)建一個新的窗口figure（2）并顯示結(jié)果為圖像的邊緣。</p><p>　　4.matlab程序代碼</p><p>

21、;　　clc,clear;</p><p>　　harris_result=[];</p><p>　　%----保存圖像所有信息、讀取圖像-----</p><p>　　FileInfo=imfinfo(' F:\0.jpg');</p><p>　　Image=imread(' F:\0.jpg');<

22、;/p><p>　　%-----轉(zhuǎn)換為灰度值圖像---------</p><p>　　if(strcmp('truecolor',FileInfo.ColorType)==1)</p><p>　　Image=im2uint8(rgb2gray(Image));</p><p><b>　　end</b>&

23、lt;/p><p>　　%------------------計算圖像的方向?qū)?shù)------------------</p><p>　　%-----橫向Prewitt差分模板</p><p>　　dx=[-1 0 1;</p><p><b>　　-1 0 1;</b></p><p><b&

24、gt;　　-1 0 1];</b></p><p>　　Ix2=filter2(dx,Image).^2;</p><p>　　Iy2=filter2(dx',Image).^2;</p><p>　　Ixy=filter2(dx,Image).*filter2(dx',Image);</p><p>　　%---

25、-----------------計算局部自相關(guān)矩陣----------------</p><p>　　%----生成9*9的高斯窗口（窗口越大，探測到的角點越少）</p><p>　　h=fspecial('gaussian',9,2);</p><p>　　A=filter2(h,Ix2);</p><p>　　B=fi

26、lter2(h,Iy2);</p><p>　　C=filter2(h,Ixy);</p><p>　　%---------------矩陣Corner用來保存候選角點位置------------</p><p>　　nrow=size(Image,1);</p><p>　　ncol=size(Image,2);</p>&l

27、t;p>　　Corner=zeros(nrow,ncol);</p><p>　　%-----------------相似性篩選------時間優(yōu)化------------</p><p>　　%-----參數(shù)t：點(i,j)八鄰域的“相似度參數(shù)”，中心點與鄰域其他八個點的像素值之差在</p><p>　　%------------(-t,+t)之間，則確認他

28、們?yōu)橄嗨泣c</p><p><b>　　t=20;</b></p><p>　　boundary=8; %---去除邊界上boundary個像素</p><p>　　for i=boundary:1:nrow-boundary+1</p><p>　　for j=boundary:1:ncol-boundary+1<

29、;/p><p>　　nlike=0; %----相似點的個數(shù)</p><p>　　if Image(i-1,j-1)-Image(i,j)>-t&&Image(i-1,j-1)-Image(i,j)<t</p><p>　　nlike=nlike+1;</p><p><b>　　end</b>&

30、lt;/p><p>　　if Image(i-1,j)-Image(i,j)>-t&&Image(i-1,j)-Image(i,j)<t</p><p>　　nlike=nlike+1;</p><p><b>　　end</b></p><p>　　if Image(i-1,j+1)-Image

31、(i,j)>-t&&Image(i-1,j+1)-Image(i,j)<t</p><p>　　nlike=nlike+1;</p><p><b>　　end</b></p><p>　　if Image(i,j-1)-Image(i,j)>-t&&Image(i,j-1)-Image(i,j

32、)<t</p><p>　　nlike=nlike+1;</p><p><b>　　end</b></p><p>　　if Image(i,j+1)-Image(i,j)>-t&&Image(i,j+1)-Image(i,j)<t</p><p>　　nlike=nlike+1;&l

33、t;/p><p><b>　　end</b></p><p>　　if Image(i+1,j-1)-Image(i,j)>-t&&Image(i+1,j-1)-Image(i,j)<t</p><p>　　nlike=nlike+1;</p><p><b>　　end</b&g

34、t;</p><p>　　if Image(i+1,j)-Image(i,j)>-t&&Image(i+1,j)-Image(i,j)<t</p><p>　　nlike=nlike+1;</p><p><b>　　end</b></p><p>　　if Image(i+1,j+1)-Im

35、age(i,j)>-t&&Image(i+1,j+1)-Image(i,j)<t</p><p>　　nlike=nlike+1;</p><p><b>　　end</b></p><p>　　if nlike>=2&&nlike<=6</p><p>　　Cor

36、ner(i,j)=1;</p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　%-----------計算角點響應(yīng)函數(shù)值---corness = det(u) - k*trace(

37、u)^2-------</p><p>　　CRF=zeros(nrow,ncol);</p><p>　　CRFmax=0; %----圖像中角點響應(yīng)函數(shù)的最大值，作閾值用</p><p><b>　　k=0.05;</b></p><p>　　for i=boundary:1:nrow-boundary+1<

38、;/p><p>　　for j=boundary:1:ncol-boundary+1</p><p>　　if Corner(i,j)==1</p><p>　　M=[A(i,j) C(i,j);</p><p>　　C(i,j) B(i,j)];</p><p>　　CRF(i,j)=det(M)-k*(trace(M)

39、)^2;</p><p>　　if CRF(i,j)>CRFmax</p><p>　　CRFmax=CRF(i,j);</p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b&g

40、t;</p><p><b>　　end</b></p><p>　　%--------判定當前位置是否為角點------------</p><p>　　count=0;%----角點個數(shù)</p><p><b>　　t=0.01;</b></p><p>　　for i=

41、boundary:1:nrow-boundary+1</p><p>　　for j=boundary:1:ncol-boundary+1</p><p>　　if Corner(i,j)==1</p><p>　　if CRF(i,j)>t*CRFmax&&CRF(i,j)>CRF(i-1,j-1)...</p><

42、p>　　&&CRF(i,j)>CRF(i-1,j)&&CRF(i,j)>CRF(i-1,j+1)...</p><p>　　&&CRF(i,j)>CRF(i,j-1)&&CRF(i,j)>CRF(i,j+1)...</p><p>　　&&CRF(i,j)>CRF(i+1,j

43、-1)&&CRF(i,j)>CRF(i+1,j)...</p><p>　　&&CRF(i,j)>CRF(i+1,j+1)</p><p>　　count=count+1;</p><p><b>　　else</b></p><p>　　Corner(i,j)=0;</

44、p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　figure,imshow(Image);&

45、lt;/p><p><b>　　hold on;</b></p><p>　　for i=boundary:1:nrow-boundary+1</p><p>　　for j=boundary:1:ncol-boundary+1</p><p>　　column_ave=0;</p><p>　　ro

46、w_ave=0;</p><p><b>　　k=0;</b></p><p>　　if Corner(i,j)==1</p><p>　　for x=i-3:1:i+3</p><p>　　for y=j-3:1:j+3</p><p>　　if Corner(x,y)==1</p>

47、<p>　　row_ave=row_ave+x;</p><p>　　column_ave=column_ave+y;</p><p><b>　　k=k+1;</b></p><p><b>　　end</b></p><p><b>　　end</b><

48、/p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　if k>0</b></p><p>　　harris_result=[harris_result;round(row_ave/k) round(column_a

49、ve/k)];</p><p>　　plot(column_ave/k,row_ave/k,'b.');</p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></p>&

50、lt;p><b>　　5.算法的應(yīng)用</b></p><p>　　為了更好地驗證本文中所提出算法的有效性，利用復雜模擬圖像和真實圖像對算法進行了檢測。輸入真實的樓房圖像如圖6.1所示：</p><p><b>　　圖5.1 原始圖</b></p><p>　　提取了角點后的圖如5.2所示：</p>&l

51、t;p>　　圖5.2 提取了角點后的圖像</p><p>　　因為各個圖形的角點離其他圖形很近，且在一張圖內(nèi)，各個角點相距較遠，所以使用較大的抑制窗口，如果兩個真角點在同一個抑制窗口內(nèi)就會有一個不剔除。實驗結(jié)果表明本算法可以有效提取圖像中好的角點，并使角點均勻的分布在圖像上。</p><p><b>　　6.算法的評價</b></p><p&

52、gt;<b>　　6.1算法的改進</b></p><p>　　本文通過在灰度圖像上尋找SUSAN算子的極值提取特征點，使用matlab語言編程實現(xiàn)了SUSAN特征點檢測算法，首先構(gòu)造一個圓形模板遍歷整個圖像利用相似比較函數(shù)得出的結(jié)果與閾值t進行比，然后計算出USAN區(qū)域的大小n與閾值g比較得到角點的相應(yīng)函數(shù)，與原來的SUSAN算法相比，為了得到正確的角點對檢測出的角點群利用非極大值抑制函數(shù)

53、(NMS)方法篩選出具有局部最大角點響應(yīng)值的候選點，并把它們確認為最終的角點檢測結(jié)果。NMS法的范圍選定在以被檢測點為中心的方形鄰域內(nèi)，最大值抑制使偽角點大大減少。</p><p>　　6.2參數(shù)對角點的影響</p><p>　　在運用SUSAN 研究發(fā)現(xiàn)，在使用基本SUSA算法提取角點時經(jīng)常會提取到兩種不相關(guān)的點，一種是真角點附近的點，另外一種是邊緣輪廓上的點，這些點成為偽角點被一起提取

54、出來。針對兩種偽角點的產(chǎn)生原因分別提出兩種簡潔的方法進行處理，達到較好的效果。</p><p>　　6.2.1去除真角點附近的偽角點</p><p>　　算法對圖像進行處理時，很難對一些曲率較高的角點進行單像素精度的提取這是因為當進行USAN區(qū)域面積與門限值g的對比時，一些曲率較大的角點，其周圍一些邊緣點或內(nèi)部點同樣滿足USAN面積小于g的條件因此，在角點提取時這些點同時被提取出來并成為偽

55、角點。原則上可以令g取較小的值而避免這些偽角點的出現(xiàn)，但這樣同時造成對曲率較大的角點提取失敗的結(jié)果。</p><p>　　在SUSAN算法中，可以根據(jù)不同的情況，即根據(jù)圖像邊緣的形狀，以及目標和背景的灰度對比度，選擇合適的門限t和g。</p><p>　　6.2.2邊緣輪廓上的偽角點處理</p><p>　　有時候在提取角點時發(fā)現(xiàn)一些邊緣上經(jīng)常會產(chǎn)生大量的偽角點。這

56、主要是因為圓形模板面積過小而導致閾值g的選取過于粗糙，而若對所有像素都采用大模板進行覆蓋處理，則必將大大降低處理速度。因此，在進行一輪小的模板提取角點后，針對邊緣上的偽角點進行第二輪的角點提取。主要算法思路是選取更大的模板(例如11×11的模板)對第一輪檢測到的所有角點進行覆蓋，同時選擇合適的閾值g剔除不滿足閾值要求的偽角點。</p><p>　　6.3 Harris與SUSAN算法的比較</p&

57、gt;<p>　　和SUSAN算法一樣，Harris算法也是基于灰度圖像特征點檢測的算法suansan算法原理在第二章已論述過不再贅述，下面介紹Harris基本原理。</p><p>　　6.3.1 Harris基本原理</p><p>　　Harris角點檢測算法是由Chris Harris和MikeStephens 在1988年提出該算法是在Moravec算法的基礎(chǔ)上發(fā)展

58、起來的Moravec算法是研究圖像中一個局部窗口在不同方向進行少量的偏移后考察窗口內(nèi)圖像亮度值的平均變化需要考慮下面三種情況：</p><p>　　(1) 如果窗口內(nèi)區(qū)域圖像的亮度值恒定那么所有不同方向的偏移幾乎不 發(fā)生變化。</p><p>　　(2) 如果窗口跨越一條邊那么沿著這條邊的偏移。幾乎不發(fā)生變化 但是與邊垂直的偏移會發(fā)生很大的。</p><p>　

59、　(3) 如果窗口包含一個孤立的點或者角點那么所有不同方向的偏移會發(fā)生很大的變化。</p><p>　　下面介紹Moravec算法以及Harris算法在其基礎(chǔ)上做出的一些改進</p><p>　?。?）計算像素點的自相關(guān)值的時候只考慮了像素點的8個方向Harris等通過區(qū)域變化擴展將一些灰度強度變化比較小的體現(xiàn)出來 如式（11）所示：</p><p>　?。?.1）

60、 這里一階導數(shù)可以近似為：</p><p><b>　　（6.2）</b></p><p>　　因此灰度強度變化比較小的情況可以寫成：</p><p><b>　?。?.3）</b></p><p><b>　　其中</b></p><p><b&

61、gt;　　(6.4）</b></p><p>　　（2）Moravec算法沒有對圖片進行降噪處理所以對噪聲比較敏感Harris算法使用平移的圓形窗口對圖像進行預處理來降噪這里使用了高斯窗口：</p><p>　?。?.5）（3）Moravec算法對邊緣響應(yīng)比較敏感解決方法灰度變化比較小時</p><p>　　可以精確寫為，式中M為：</p>

62、<p><b>　?。?.6）</b></p><p>　　為了避免求M的特征值使用TrM和Det（M）：</p><p><b>　?。?.7）</b></p><p>　　定義角點響應(yīng)函數(shù)(CRF)為：</p><p><b>　?。?.8）</b></p

63、><p>　　上式中角點響應(yīng)函數(shù)R在角點的區(qū)域是正值在邊界的區(qū)域是負值不變化的區(qū)域是很小的值在圖像角點檢測的過程中如果R值大于某個給定的閾值則這個點為角點。</p><p>　　總體來說Harris算法是一種非常有效的角點檢測算法優(yōu)點主要表現(xiàn)在以下兩個方面：</p><p>　　(1) 提取的角點比較穩(wěn)定只要不是在大尺度狀態(tài)下提取的角點Harris算法提取出來的角點是比

64、較穩(wěn)定的。</p><p>　　(2) Harris 算法提取的角點比較均勻合理根據(jù)實驗可以得出在紋理信息比較豐富的區(qū)域Harris算法可以提取出比較多的有用的角點而在紋理信息比較少的區(qū)域提取的角點則比較少。</p><p>　　6.3.2實驗分析變化</p><p>　　通過某計算機立體視覺系統(tǒng)分別獲取模型汽車的單幅影像與立體影像對，在matlab7.8平臺上編程

65、實現(xiàn)對SUSAN、Harris算子的點特征提取，并采用基于匹配支持度的松弛匹配算法對立體影像對進行匹配比較。</p><p>　　對于單幅影像，由于Harris算子點特征提取操作是通過確定圖像中所能提取的最大可能的特征點數(shù)目來選擇值最大的若干象素點作為特征點，因此，當采用Harris算子提取同一目標物影像中的特征點時，可設(shè)置不同數(shù)目的來觀察提取特征點的分布和數(shù)量。 </p><p>　　

66、隨著的不同，提取出特征點的數(shù)量和分布在相應(yīng)不斷調(diào)整。在SUSAN算子特征提取中，包括掩模核與掩模區(qū)域中其它點灰度值最大差異的閾值，SUSAN算法對影像特征點響應(yīng)的閾值，排除影像孤立噪聲點干擾的閾值等多組閾值參數(shù)。相比之下，采用Harris算子提取影像中的特征點，其閾值參數(shù)的選擇就要簡單的多，只需選擇確定影像中所能提取的最大可能的特征點數(shù)目，并可以此作為調(diào)整特征點分布的參考。 </p><p>　　當對大小為24

67、00×1600象元的航空影像分別采用上述兩種算子進行點特征提取時，整幅影像中SUSAN算子有些房屋角點未能提取出，而Harris算子提出了幾乎所有角點特征。但SUSAN算子提取所用時間較Harris算子少近10倍。</p><p>　　6.4 Harris與SUSAN小結(jié)</p><p>　　Harris算子是計算機視覺界使用較為廣泛的一種點特征提取算子，SUSAN算子是國際上新

68、近推出并已得到廣泛應(yīng)用的保持結(jié)構(gòu)算子。與傳統(tǒng)點特征算子比較，前者具有簡單、穩(wěn)定、易于實現(xiàn)的特點。由上述點特征提取與隨后的立體影像匹配結(jié)果分析可得出：利用Harris算子不需設(shè)置閾值，整個過程的自動化程度高，可以根據(jù)匹配結(jié)果，定量調(diào)整提取的特征點數(shù)。同時它抗干擾強、精度高。SUSAN算子提取特征點分布合理，較適合提取圖像邊緣上的拐點，由于它不需對圖像求導數(shù)，所以也有較強的抗噪聲能力，利用SUSAN算法提取圖像拐點，閾值的選取是關(guān)鍵。它沒有

69、自適應(yīng)算法，也不象Harris算法可根據(jù)需要提出一定數(shù)目的特征點。但該算法編程容易，易于硬件實現(xiàn)。為克服影像灰度值分布不均對提取SUSAN算子角點的影響，可對影像采取二值化（或多值化）分割，以進一步改進提取效果。</p><p><b>　　結(jié)論 </b></p><p>　　本文用matlab語言實現(xiàn)了SUSAN角點算法，并著重分析了基本的SUSA算法在提取角點時出

70、現(xiàn)多余的偽角點，并討論了真角點附近及邊緣輪廓上的偽角點的處理方法。經(jīng)實驗證明，采用改進的算法后，角點提取精度有較明顯的提高。對各種類型的角點都能能獲得較好的結(jié)果。但是SUSAN角點檢測存在不足有：</p><p>　　①采用固定閾值不適合一般的情況，需要只有閾值g自適應(yīng)，閾值t只能手動修改 </p><p>　?、趫D像中的噪聲對所提取的特征有較大影響，實驗表明此算法可靠性稍差。</

71、p><p>　　角點檢測算法的設(shè)計與實現(xiàn)涉及多方面的理論、方法和技術(shù)，本算法還有許多新的問題需要解決，需要在實際應(yīng)用中不斷的積累和完善，在以下幾個方面還需要做進一步的完善和開發(fā)：</p><p>　　能智能選取閾值t及檢測模版的大小，減少參數(shù)輸入的個數(shù)。</p><p>　　能判斷角點的好壞，去除大量無用的偽角點。有效的減少噪點。能在復雜的圖像中有效剔除噪點。</

72、p><p>　　通過這次的課程設(shè)計，我深深的感受到了自身的不足。進行課程設(shè)計不但需要多方面的知識，同時還要考驗一個人的獨立動腦能力和動手能力，這在課本上學不到的。另外，這還要求我們具有一定的自學能力，在面對多次錯誤時要能冷靜，并且還要有堅定的意志力。在這次課程設(shè)計中，我得到的不僅僅是知識的補充，更多的是問題分析能力的提高，雖然只有短短一周時間，卻給了我比平常更多的磨練，也讓我在鞏固書本知識的同時學到了更多的東西。在這

73、次的課程設(shè)計中，我看到了理論與實際相結(jié)合的重要性，同樣，我還感受到了將理論實現(xiàn)于現(xiàn)實的重大喜悅，當代碼最終成功運行并出現(xiàn)正確的仿真結(jié)果時，那種巨大的成就感是無法用言語來形容的。雖然本次課程設(shè)計已經(jīng)結(jié)束了，但是我不會忘記從中收到的感受與啟發(fā)，相信在以后的學習中，我將更加認真努力，爭取從知識以及動手能力方面都能更上一層樓！最后，向我的實驗老師致以最真摯的謝意!</p><p><b>　　參考文獻</

74、b></p><p>　　[1]田原，梁德群，吳更石.直接基于灰度圖像的多尺度角點檢測方法[J]信號處理，1998，14(7-11):6-9.</p><p>　　[2]楊莉，初秀琴，李玉山.最小亮度變化角點自適應(yīng)檢測算法研究[J].西安電子科技大學學報，2003，30(4):530-533.</p><p>　　[3]費旭東，荊仁杰.基于知識的快速角點提取[

75、J].計算機學報，1994，17(1):30-36.</p><p>　　[4]G Giraudon，R Derich.On Corner and Vertex Detection[J].Com-puter Vision and Pattern Recognition，1991，3(6):650-655.</p><p>　　[5]肖茜，魯宏偉.基于高斯平滑的自適應(yīng)角點檢測[J].計算機輔

76、助設(shè)計與圖形學學報，2003，15(11):1358-1</p><p>　　[6]王展，黃埔堪，萬建偉.基于多尺度小波變換的二維圖像角點檢測技術(shù)[J].國防科技大學學報，1999，21(2):46-49.</p><p>　　[7]馮麗輝.DCS、FCS、CIPS的集成與應(yīng)用[J].工業(yè)儀表與自動化裝置，200- 2(2)，7-12．</p><p>　　[8]戚