基于SUSAN算法的分层快速角点检测

分析了SUSAN算法在角点检测中运算速度较慢的原因,并提出基于SUSAN算法的分层快速角点检测算法.该算法根据图像中像素周围图像灰度的相似性和角点的特性,引入提升小波变换理论,采用由粗到细的分层策略,首先对图像进行提升小波变换,找到角点的粗略位置,再用SUSAN算法进行精细查找,准确定位角点.实验结果表明,该算法可较大幅度地提高运算速度,节省运算时间.

一种基于自适应阈值的SUSAN角点提取方法

角点是数字图像中重要的几何特征,角点的准确提取对于图像处理和图像测量具有重要意义。文章对SUSAN(Smallest Univalue Segment Assimilating Nucleus)角点提取算法中阈值的确定提出了改进,在图像中每个像素的SUSAN模板内单独计算阈值t,使其在各种不同的对比度下仍能正确提取出角点。实验结果证明了该方法的有效性。

一种改进的SUSAN算法

针对SUSAN角点算法在对实际图像进行角点检测时角点数量太多,不利于角点匹配的局限性,提出了角点"好坏"的判别函数,减少了角点数量;并应用自适应非最大假设策略(ANMS),使改进算法检测的角点均匀分布在图像上。实验结果表明,改进的算法能够有效保留"好"的角点,有利于角点的匹配。

基于SUSAN的种子点生长边缘检测算法

角点是一种特殊的边缘点,是数字图像中重要的几何特征。利用边缘点连续的特性,提出了一种基于SUSAN算法的种子点生长边缘检测算法。利用Susan算法获得图像的角点,再将获得的角点作为种子点,根据边缘点的判断准则对其进行生长,最终实现边缘检测。实验证明,设计的算法具有较高的效率和很好的抗噪声能力,是一种有效的边缘检测方法。

基于改进的SUSAN法的摄像机线性标定方法

设计并实现了一种考虑径向畸变的逐步线性摄像机标定方法。结合边缘检测,缩小了SUSAN法检测角点的范围,并利用角点的邻域特征,剔除伪角点,从而提高了SUSAN法角点检测的速度和准确度。利用此改进的SUSAN法精确提取方格模板角点的亚像素坐标,并通过预标定获得主点坐标;然后在考虑摄像机径向畸变的情况下建立摄像机模型,并求解摄像机内外参数。最后通过实验及误差分析表明,本标定方法具有较高的精度和较好的实时性。

双边几何阈值SUSAN角点提取算法

传统的单边几何阈值SUSAN算法,易将孤立噪声点以及细线段上的点误检测为角点,或者把一些像素点较少的尖锐区域的角点检测出来,在很多的应用场合这些点并非兴趣点。为了有效地消除孤立噪声点的误检测以及剔除不感兴趣点,提出一种双边几何阈值SUSAN算法。

基于SUSAN分层快速角点检测的改进算法

针对传统基于SUSAN算法的分层快速角点检测算法的缺陷,引入判别角点性能的改进算法。通过分层快速角点检测算法找到角点的大概位置,再利用角点性能判别算法,减少角点的数量,最后进行精细查找,准确定位角点。实验表明,该算法可较大幅度提高运算速度,节省运算时间,显著增强角点的匹配效果。

面向增强现实的SUSAN-SURF快速匹配算法

针对增强现实对图像匹配算法的高实时性要求,提出了一种基于SUSAN角点检测和SURF特征描述的快速图像匹配算法。利用SUSAN定位特征点,生成特征点主方向和SURF特征描述符,然后运用随机K-D树并结合摄像机姿态变化完成邻近点搜索,再利用基于点积的相似度度量完成初匹配。通过统计特征点距离误差快速剔除误匹配点,获取最终同名点集。实验表明,该方法的单个特征点匹配耗时仅为SURF算法的23.4%,匹配正确率比SURF算法高9.7个百分点,且对光照变化、噪声干扰有较强的鲁棒性,能够满足增强现实系统对图像匹配算法的速度快、精度高和抗干扰能力强等要求。

加权SUSAN算法与遥感图像矢量化

本文对经典SUSAN算法进行了改进，提出了WSUSAN，即加权SUSAN的概念，与经典算法相比，WSUSAN角点的检出精度大幅提高，而运算复杂度和运算量仍保持在原数量级。作为WSUSAN的应用，本文进行了基于WSUSAN角点的遥感图像矢量化的研究，主要研究的内容包括过检出角点的筛选、角点排序和矢量化等。经过仿真测试，证明该算法有很好的鲁棒性。

一种改进的SUSAN算子棋盘格角点亚像素检测算法

SUSAN算子在检测角点时,只以USAN区域面积的大小作为判断准则,忽略USAN区域形状的影响。因此,该算法对棋盘格标定板中的内角点与边缘点难以区分。针对此问题,本文提出在SUSAN圆模板内再次采用SUSAN算子来实现对棋盘格标定板角点的有效检测。此外,在每个初定位角点的局部邻域内,采用二次曲面拟合法得到角点的亚像素坐标。实验证明,所提出的算法准确、有效、适应性好,能为摄像机标定提供亚像素精度的角点信息。

一种基于提升小波的自适应SUSAN角点检测算法

针对SUSAN角点算法中计算过程复杂及其使用固定阈值的局限性,提出一种基于提升小波变换的自适应改进方法.该算法根据角点的分布特性,引入快速提升小波变换理论,在图像的高频区域筛选出候选角点,缩小需要精确检测的角点范围,提高了算法效率;并根据图像局部灰度信息自动调节核心点与其邻域像素的灰度差值,代替原算法中的单一阈值,以提高算法自适应能力.实验结果证明了该方法的快速有效性.

基于SUSAN算法的图像配准

通过检测物体的特征点来完成两幅图像的配准。根据USAN区域的描述,采用简化了的SUSAN算法检测刚体的特征点,然后通过找到的特征点和刚体形状不变的特性采用特征点之间的几何关系来配准。实验的结果表明,在无旋转条件下的刚体图像配准中,该算法在特征点提取和图像配准过程中速度比较快。

基于小波的多尺度SUSAN角点检测

SUSAN角点检测是一种经典的角点检测算法,但不具有尺变化特性。利用小波变换的多尺度特性,即在小尺度下的定位准确和大尺度下的抗噪性强,该文把多分辨分析的思想引入到该算法中,从而构建了一种新的基于小波变换的SUSAN多尺度角点检测算法。新的角点检测可以在不同的尺度下获取角点,克服了单一尺度的SUSAN角点检测可能存在的角点位置偏移和易受噪声干扰而提取出伪角点等问题。为了综合利用各个尺度下的角点信息,该文提出了由粗到细的角点筛选方案。通过对比实验,新算法明显地提高了图像角点检测性能。

基于SUSAN算法的角点检测

角点是图像目标的重要的局部特征,角点检测是低层次图像处理的一个重要方法。介绍SUSAN算法的原理,介绍该算法在角点检测中的应用,对实验结果进行了比较,并对该算法进行评价,给出评价角点检测算法的标准。

基于SUSAN原理的黄河模型角点检测

分析了SUSAN算法进行角点检测的原理和有效性,在此基础上提出了一种采用改进了的SUSAN算法来提取黄河模型图像的角点特征。利用自适应的选取灰度差阈值的方法;再采用利用设定几何阈值的上下限方法,实现了黄河模型角点的自动识别和检测。实验表明,该方法提取的角点抗噪性能好,清晰真实,细致,定位精确。为下一步立体匹配和三维重构打下了基础。

一种改进的基于Harris的角点检测方法

在研究Harris角点检测算法时发现该算法对一些图像进行角点提取时,存在提取伪角点、角点信息丢失和位置偏移,而且在进行非极大值抑制时不易设置阈值等现象。提出了在进行非极大值抑制时采用双阈值法,分别设置一个相对大和一个相对小的两个阈值,从而得到同一图像不同阈值的角点信息,通过角点信息对比能够很好地解决角点信息丢失和位置偏移并能消除一部分伪角点,然后利用SUSAN的思想消除剩余的伪角点。通过对比实验表明,文中算法提取角点非常有效,比Harris算法具有更好的角点检测性能。

基于灰度差分与模板的Harris角点检测快速算法

为了去除伪角点和减少角点遗漏并且实现图像中角点的实时提取,提出了一种基于灰度差分与模板的Harris角点检测快速算法。改进算法采用灰度差分与小模板相结合的方法筛选出初始角点集,并在此基础上对最小核值相似区（SUSAN）算法进行了改进并采用改进的SUSAN算法精化初始角点集;最后,通过计算初始角点的角点响应函数值并进行非极大抑制,以确定最终的角点。实验结果表明,改进算法能够准确提取图像中的角点并去除大量伪角点。此外,改进算法的角点检测时间显著减少,仅为原算法的4.7%,能够满足角点实时提取的需求。

RSTC不变矩图像特征点匹配新方法

针对图像特征点的匹配中单纯依靠灰度度量会出现多峰值以及匹配不可靠、不准确的问题,提出了一种新的基于RSTC不变矩的匹配方法.该方法首先用改进的SUSAN算法找到角点,然后构造一种新的RSTC不变矩来描述角点特征,并用RSTC不变特征量作为匹配相似度的度量,再结合RANSAC鲁棒估计以及外极线约束进行引导匹配.对实际图像的实验表明,该方法可以获得比较好的匹配结果,消除了野值匹配所导致的长线条,并且精度比灰度匹配方法提高了6%以上.

基于Radon变换的图像角点角度提取算法

针对现有角点检测算法只提取图像角点位置而无法提取角点角度的缺陷,本文在SUSAN角点检测算法的基础上,提出基于Radon变换的图像角点角度提取算法。该算法首先利用SUSAN算子检测候选角点,然后得到候选角点子邻域图像,对其进行角点角度可测量性判定,对满足可测量性的角点子邻域图像中每个像素点进行梯度映射后,利用Radon变换提取角点边缘直线,最后利用坐标几何关系提取角度。并针对Radon变换无法检测直线起始点导致角点角度提取时存在二值歧义性的缺陷,本文借鉴USAN思想,把同值核引入到角度提取中,从而实现了对角度的正确提取。该算法实现简单,实验结果证明了其有效性。

基于灰色绝对关联度的角点检测算法

针对SUSAN角点检测算法存在相似比较能力差和无法检测出对称角点的问题,提出了一种基于灰色绝对关联度分析的角点检测算法。该算法首先计算被测图像中各像素点在上下左右4个方向的灰度差分,确定初始角点集;然后采用圆形模板遍历初始角点,在圆形模板内,基于灰色关联度理论和2个3×3窗口内的像素灰度值,建立两窗口之间的相似比较函数,由相似比较函数计算非核像素组成的关联区域面积;再按关联区域面积及其分布情况设计角点响应函数并进一步去除伪角点;最后将局部窗口内角点响应函数最大值所对应的像素点确定为角点。采用人工合成图像和真实图像进行了角点检测的实验研究,实验结果表明:与Plessey算法和SUSAN算法相比,该算法具有较好的综合检测性能,且算法简单、易于实现。