1、一種自適應閾值的角點檢測算法     摘  要  針對SUSAN算子只采用固定閾值和定位不夠精確的問題，本文利用角點像素與其所在的角之間具有連通性的特點，給出了一種角點精確定位的改進方法，并采用了自適應閾值，在圖像中每個像素的 SUSAN 模板內單獨計算閾值 t，使其在各種不同的對比度下仍能正確提取出角點。實驗結果證明了該方法的有效性。     關鍵詞  SUSAN 算法；角點提取；自適應閾值；圖像連通性  1  引言    角點是圖像上曲率足夠

2、高、并且位于圖像中不同亮度區域交界處的點。由于角點包含了很多的圖像中的信息，因此，角點在圖像匹配、運動物體的跟蹤以及目標識別等方面有著廣泛的應用。如何快速準確的提取出圖像中的角點成為了一個關鍵的問題。     SUSAN算法是由英國牛津大學的Brady首先提出的，它是一種直接利用圖像灰度有效地進行邊緣、角點檢測的低層次圖像處理算法。它具有方法簡單，抗噪能力強和處理速度快等特點。本文首先介紹SUSAN角點提取的原理，然后分析了該算法的缺點，提出SUSAN模板中自適應閾值的選取的方法，并利用角點像素與其所在的角之間具有連通性的特點，給出了一種角點精確定位的改進方法。

3、2  SUSAN算法的基本原理1    圖1顯示了一個在白色背景下的黑色的長方形，圖中a，b，c，d，e五個位置分別是五個圓形的模板在圖像中不同的位置，窗口的中心被稱之為“核”。窗口中所有具有與核相同或相似灰度的像素，把這些像素構成的區域稱為USAN ( Univalue Segment Assimilating Nucleus)。由圖1可以看出，當核像素處在圖像中的灰度一致區域時，USAN的面積會達到最大（超過一半），當核處在直邊緣處約為最大值的一半，當核處在角點處更小，約為最大值的四分之一。因此，利用USAN面積的上述變化性質可檢測邊緣或角點。 &#

4、160;                             圖1  SUSAN模板在圖像中的幾種位置                 

5、              本文所使用的是一個包含37個像素的圓形模板，半徑為3.4個像素，如圖2。為了提取出邊緣，需要將模板內每個像素的灰度與模板中心的灰度進行比較，式(1)為相似比較函數：           （1）     式中：（x,y） 和（x0,y0） 分別是模板中心點和模板中其它點的坐標，c（x0,y0;x,y） 為比較的結果，f(x

6、,y) 為該點的亮度值，t為灰度差閾值，一般取25。USUAN區域的大小可以由式(2)給出：     然后，由式(3)可以得到圖像的初始角點響應，取響應的局部最大值作為角點。式中g為幾何閾值。在用SUSAN算法進行邊緣提取的時候通常取 ，在進行角點提取的時候，通常取 。一般而言，對于g不需要通過調整就能取得較好的效果。              （2）         

7、;              （3）     由式(3)得到的角點初始響應符合 SUSAN 原理，即 USAN 區域越小，初始角點響應越大，這樣便對圖像中的角點信息進行了增強。 圖2  包括37個像素的SUSAN圓形模板 3  改進的 SUSAN 角點提取算法    對SUSAN算法進行改進的實現，主要考慮到兩方面：對于不同對比度和噪聲情況的圖像，SUSAN算法中閾值t的選取不同，因此門

8、限的取值不應該依賴于人為的干涉，而應根據不同條件自動給出最優值，即自適應選取閾值t ；針對在角點檢測時定位不夠精確，容易出現角點偏移和錯誤判斷的情況，采用圖像連通性的概念解決問題。 3.1  自適應閾值t的選取    在SUSAN算法中，對于對比度較好的圖像，閾值t的選取要很大；對于對比度較小或要得到圖像更多細節信息的情況，閾值t的選取就要較小才能滿足要求。本文通過對像素灰度值進行分析，提出不同圖像對比度下t的自適應取值方法。     對于每個像素的SUSAN模板，通過計算模板內每個像素與中心像素的灰度差得到該模板的灰度差直

9、方圖，然后根據灰度差直方圖通過迭代法確定該模板的閾值t，使得根據不同條件自動給出最優值t 2。        第一步是確定初始值To。計算模板中每點與中心點的灰度差閾值，然后取灰度差值的均值為迭代初始值To，如式(4)：                 （4）     第二步是計算出迭代值 。根據迭代初值將灰度差直方圖分為兩部分，由式(5)計算下一

10、個迭代值 ：        （5）     式(5)中m為模板中像素點和中心像素點的灰度差值，h(m)為模板中具有該灰度差值的點的數量，Cmax 為灰度差值的最大值。每次迭代后進行判斷，若一 Ti+1-Ti=0，那么停止迭代，取Ti+1作為最后的SUSAN模板的灰度差閾值。       3.2  對虛假點的篩選    通過SUSAN算法檢測出來的點不都是角點，還包括一些離角點很近的點以及由噪聲引起的USAN

11、區域分散的假特征點。本文將在這方面做一些工作，不僅對錯誤匹配的角點判斷，而且對其進行更進一步的精確化的操作，將錯誤匹配的點移至精確定位處。     綜合以上分析，本文打算采用的一個方法：根據圖像連通性的概念3，我們可以認為，如果圖像中的某一點是角點，那么可以發現，在以它為核點所計算的灰度差窗口中，該角點與其所在的角區域必定存在某種意義上的連通性。也就是說，在核點的8-鄰域中，必定是有與其值相同的連續點存在的。     這樣，我們可以通過對核點的8-鄰域中的點按一定的順序編號（順時針或者逆時針），判斷是否有連續值的點，來確定核點是不是真

12、正的角點。通過計算灰度差計算，可以得到下圖：     圖3   經過灰度差計算的窗口     在以（x0,y0） 為核心區域的3×3 的窗口內。按順時針的順序計算 中值為1的連續像素的個數n。若 2n5 則認為核點是正確的角點，若n<2，則可迅速判斷核心點為假特征點，可以篩除。篩除虛假的核點后，完成角點進一步的精確定位。對窗口中以核點為中心的 m×m大小的區域（m=l-2，l為窗口直徑）內除核點以外的其他所有值為1的點的8-鄰域中n的值。使得 2n5的點即為準確的角點位

13、置，將其取為角點，篩除核點。若沒有符合條件的點，則只篩除核點。     改進后的SUSAN角點提取算法的具體步驟如下：     （1）計算模板內像素點與模板中心的灰度差值，得到迭代初始值To。     （2）通過計算得到的迭代值t，然后計算該點SUSAN區域的大小。     （3）用SUSAN算子進行初步檢測，對于一個已經被SUSAN判定為角點的點，在本算法中作為候選點角點，繼續做下面的分析。     計算候選核點的n值。   

14、;  若 2n5，則認為候選核點就是角點。若 n<2，則對窗口中以核點為中心的 m×m大小的區域（m=l-2，l為窗口直徑）內除核點以外的其他所有值為1的點的8-鄰域中n的值。使得 2n5的點即為準確的角點位置，將其取為角點，篩除核點。若沒有符合條件的點，則只篩除核點。    重復3，直到所有候選點都被分析過。    4  實驗結果    用改進算法所實現的角點檢測，在SUSAN角點檢測的基礎上，可以實現自動取閾值t，并且可以對原有的點進行篩選，排除虛假點，對

15、不夠精確的點實現自動尋找精確定位。     實驗比較的結果如下圖，可見使用了改進的算子后，角點檢測的位置比原圖像更靠近角點的真實位置，所以新的算子對大部分的角點都可以得到很好的響應，不過算法也有一些不足之處，在某些角點上也存在被多次檢測的現象，在以后的工作中需要進一步解決。      實驗原圖                    改進前 SUSAN算子    &#