CN104463896B - 基于核相似区分布特性的图像角点检测方法及*** - Google Patents
基于核相似区分布特性的图像角点检测方法及*** Download PDFInfo
- Publication number
- CN104463896B CN104463896B CN201410830491.2A CN201410830491A CN104463896B CN 104463896 B CN104463896 B CN 104463896B CN 201410830491 A CN201410830491 A CN 201410830491A CN 104463896 B CN104463896 B CN 104463896B
- Authority
- CN
- China
- Prior art keywords
- area
- angle
- circle template
- nuclear phase
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于核相似区分布特性的图像角点检测方法及***,包括:步骤1,构造一个圆模板和m个角模板;步骤2,获得圆模板和角模板的核相似区面积;步骤3,按核相似区面积大小对角模板对应的方向排序,获得方向序列;步骤4,基于方向序列确定主方向并判断主方向连续性;步骤5,根据圆模板的核相似区面积、角模板中最大核相似区面积和最小核相似区面积的差值、主方向数量和主方向连续判断模板中心是否为候选角点;步骤6,基于步骤5的判断结果进行非极大值抑制,确定图像角点。在角点提取过程中,本发明同时考虑了核相似区的面积和分布特性,可避免角点的误提取,从而提高角点检测精度。
Description
技术领域
本发明属于图像处理技术领域,涉及一种基于核相似区分布特性的图像角点检测方法及***。
背景技术
角点是图像的重要局部特征之一,它是描述图像中目标形状的重要信息之一,因此角点检测是目标识别与跟踪、图像匹配、三维重建等领域中的关键技术之一。至今,已有许多学者从事角点检测的研究,也产生了大量角点检测算子。这些算子可以分为两类:基于图像边缘的算子和基于图像灰度的算子,SUSAN(Small univalue segment assimilatingnucleus)子就是基于图像灰度特征的典型算子之一。SUSAN算子由牛津大学的Smith和Brady提出,采用圆模板,通过比较模板内部每个像素点与模板中心像素点的灰度值检测角点。若模板内某个像素的灰度与模板中心像素灰度的差值小于一定值,则认为该点与模板中心相似,并统计模板内与中心像素点相似的像元数量即核相似区(Univalue SegmentAssimilating Nucleus,USAN)面积,当USAN小于给定阈值,则判断该中心点为所检测的点。
SUSAN算子所需的参数较少便于控制,受模板尺寸的影响小,在有噪声的条件下依然能检测到所需角点。因此,SUSAN算子已成为目前较为常用的角点检测算子之一,并在图像匹配、摄影机标定、以及目标识别与运动目标跟踪等领域得到了充分的应用。
至今,依然有很多学者不断地对SUSAN算子进行改进。这些改进主要从三个方面对SUSAN进行改进:一是针对SUSAN算子中所涉及参数的自适应选取方法进行改进,通常是对其中的灰度相似度阈值的自适应选取进行改进,如毕务忠等和吕海霞等所做的改进。二是对SUSAN算子中的相似度比较过程进行改进,如许兵等用模板中心一定区域内像素均值来取代模板中心像素的灰度值来提高在信噪比不同、复杂度较大的图像中角点检测的效果。三是将SUSAN算子与基于图像边缘的角点检测方法结合以综合两类方法的优点,如张坤华等在SUSAN提取角点的基础上,利用边沿元对初角点沿边缘方向跟踪排序并根据图像边缘特征检测的边界方向变化情况来剔除由于图象数字化而导致的虚假角点。
尽管SUSAN算子在角点检测方面有着突出的优点,并在众多学者的不断改进下逐步完善,但在某些情况下仍会存在检测出错误角点的现象,如对于有噪声的图像,会将噪声误判为角点。
发明内容
针对现有技术中SUSAN算子检测噪声图像存在的角点误提取问题,本发明提供了一种可避免噪声图像中角点误提取的、基于核相似区分布特性的图像角点检测方法及***。
为解决上述技术问题,本发明采用如下的技术方案:
一、基于核相似区分布特性的图像角点检测方法,用于灰度图像进行角点检测,包括步骤:
步骤1,构造一个圆模板和m个角模板,将圆模板等分为m个圆心角相等的扇形即角模板,各角模板代表不同方向,m取6~12;
步骤2,依次以灰度图像中各像素点为圆模板中心,对圆模板内像素点和圆模板中心的灰度值进行相似性判断,获得圆模板和角模板在各圆模板中心下的核相似区面积;
步骤3,按核相似区面积从大到小对角模板对应的方向排序,获得方向序列{O1,O2,...Om};
步骤4,基于方向序列确定主方向并判断主方向连续性,本步骤进一步包括子步骤:
4.1顺次计算方向序列中相邻两方向对应的角模板核相似区面积的衰减程度,即两方向对应的角模板核相似区面积的差值与排序在前方向对应的角模板核相似区面积的比值,获得与方向序列{O1,O2,...Om}对应的衰减程度序列{D1,2,D2,3,...Dj,j+1,...Dm-1,m};
4.2从衰减程度序列中顺序找寻第一个大于0.5的元素,记为Dk,k+1,则主方向集为{O1,O2,…,Ok};若衰减程度序列所有元素均不大于0.5,则主方向集为{O1,O2,...Om};
4.3当主方向集中所有方向对应的角模板在圆模板中均相邻时,则主方向连续;
步骤5,将同时满足圆模板的核相似区面积小于阈值a·S、角模板中最大核相似区面积和最小核相似区面积的差值大于阈值a·Si、主方向数量不为m且主方向连续的圆模板中心记为候选角点,a根据角点的尖锐程度取值,S和Si分别为圆模板和角模板包含的像素点数;
步骤6,基于步骤5的判断结果进行非极大值抑制,以确定角点。
若原始图像为单波段图像,上述灰度图像即原始图像;若原始图像为彩色图像或多波段图像,上述灰度图像为各波段像素灰度值的平均值。
上述步骤2进一步包括子步骤:
2.1依次以灰度图像中各像素点作为圆模板中心;
2.2逐一比较圆模板和角模板内所有像素点与圆模板中心的灰度值,获得与圆模板中心相似的像素点;
2.3分别统计圆模板和角模板内与圆模板中心相似的像素点,获得圆模板和角模板在该模圆板中心下的核相似区面积。
上述步骤6进一步子步骤:
6.1基于步骤5的判断结果计算角点响应值,即,候选角点的角点响应值为阈值a·S与圆模板核相似区面积的差值,非候选角点的角点响应值为0;
6.2根据角点响应值进行非极大值抑制,以从候选角点中确定角点。
二、基于核相似区分布特性的图像角点检测***,用于灰度图像进行角点检测,包括:
(1)目标构造模块,用来构造一个圆模板和m个角模板,将圆模板等分为m个圆心角相等的扇形即角模板,各角模板代表不同方向,m取6~12;
(2)核相似区面积统计模块,用来依次以灰度图像中各像素点为圆模板中心,对圆模板内像素点和圆模板中心的灰度值进行相似性判断,获得圆模板和角模板在各圆模板中心下的核相似区面积;
(3)方向序列获得模块,用来按核相似区面积从大到小对角模板对应的方向排序,获得方向序列{O1,O2,...Om};
(4)主方向连续性判断模块,用来基于方向序列确定主方向并判断主方向连续性,本模块进一步包括子模块:
衰减程度序列获得子模块,用来顺次计算方向序列中相邻两方向对应的角模板核相似区面积的衰减程度,即两方向对应的角模板核相似区面积的差值与排序在前方向对应的角模板核相似区面积的比值,获得与方向序列{O1,O2,...Om}对应的衰减程度序列{D1,2,D2,3,...Dj,j+1,...Dm-1,m};
主方向集获得子模块,用来从衰减程度序列中顺序找寻第一个大于0.5的元素,记为Dk,k+1,则主方向集为{O1,O2,…,Ok};若衰减程度序列所有元素均不大于0.5,则主方向集为{O1,O2,...Om};
连续性判断子模块,当主方向集中所有方向对应的角模板在圆模板中均相邻时,则主方向连续;
(5)候选角点判断模块,用来将同时满足圆模板的核相似区面积小于阈值a·S、角模板中最大核相似区面积和最小核相似区面积的差值大于阈值a·Si、主方向数量不为m且主方向连续的圆模板中心记为候选角点,a根据角点的尖锐程度取值,S和Si分别为圆模板和角模板包含的像素点数;
(6)非极大值抑制模块,用来基于候选角点判断模块的判断结果进行非极大值抑制,以确定角点。
上述核相似区面积统计模块进一步包括子模块:
圆模板中心获得子模块,用来依次以灰度图像中各像素点作为圆模板中心;
像素点相似性判断子模块,用来逐一比较圆模板和角模板内所有像素点与圆模板中心的灰度值,获得与圆模板中心相似的像素点;
核相似区面积统计子模块,用来分别统计圆模板和角模板内与圆模板中心相似的像素点,获得圆模板和角模板在该模圆板中心下的核相似区面积。
上述非极大值抑制模块进一步包括子模块:
角点响应值获得子模块,用来基于候选角点判断模块的判断结果计算角点响应值,即,候选角点的角点响应值为阈值a·S与圆模板核相似区面积的差值,非候选角点的角点响应值为0;
非极大值抑制子模块,用来根据角点响应值进行非极大值抑制,以从候选角点中确定角点。
在采用SUSAN算子提取角点时,一般需定义圆模板,使圆模板中心与图像某像素重合,圆模板内包含的所有像素中与圆模板中心位置对应像素(后文简称模板中心)的灰度值相似的像素构成核相似区,核相似区包含的像素个数即核相似区面积,记为USAN。当圆模板在图像上移动时,核相似区面积会随着图像特征产生变化。在圆模板从目标外部经过目标角点进行目标内部的移动过程中,核相似区面积会形成由大变小再由小变大的规律性变化,且当圆模板中心与目标角点重合时核相似区面积最小、且核相似区包含的像素集中在圆模板的某一方向上。
本发明利用图像角点核相似区的面积与分布特性进行角点检测,对原SUSAN算子进行改进,基于圆模板定义了m个角模板,并利用角模板分别统计核相似区在不同方向上的面积,记为O-USAN;根据USAN判断核相似区面积,根据角模板的O-USAN确定核相似区的分布情况,进而判断模板中心是否为角点。
和现有技术相比,本发明具有如下优点和有益效果:
在角点提取过程中,本发明在考虑角点核相似区面积的变化特点的基础上,充分考虑了角点的分布特性,基于圆模板构建了角模板,并采用基于角模板核相似区面积大小构建的方向序列描述分布特性,进而进行角点提取。因此,本发明不仅保留了传统SUSAN算子检测角点的优势,又可避免角点的误提取,从而提高角点检测精度。
附图说明
图1为本发明实施例的流程图;
图2为本发明实施例中所构造的角点检测模板示意图。
具体实施方式
为了更好地理解本发明技术方案,下面结合附图和具体实施方式对本发明做进一步说明。参照图1,本发明具体实施方式的步骤如下:
步骤a,图像灰度化。
本发明是对灰度图像进行角点提取,因此需要将原始图像转换为灰度图像。对于多波段图像,其灰度图像为多波段像素灰度值的平均值,即:
式(1)中,(x,y)表示像素位置,I(x,y)表示灰度图像中像素(x,y)的灰度值,Mk(x,y)表示原始图像中第k个波段像素(x,y)的灰度值。
步骤b,构造角点检测模板。
构造的角点检测模板包括一个圆模板和m个角模板,本具体实施中m取8,即将圆模板等分为8个圆心角均为45度的扇形获得角模板。角模板必须遵守各角模板所包含像素总数相同的原则。角模板与其所包含的像素并不是一一对应的,部分像素会同时属于两个相邻角模板。
图2为具体实施方式中构造的角点检测模板示意图,该组角点检测模板是半径为5.5像素的圆模板(图(a))及基于该圆模板构建的8个角模板(图(b)~图(i)),图(b)~图(i)中角模板分别代表方向1、2、…8。为方便表述,将圆模板包含的像素的集合记为T0,角模板包含像素的集合记为Ti,其中i表示角模板的方向编号,i∈{1,2,...,8}。
步骤c,像素点相似性判断及核相似区面积统计。
依次以步骤a计算得到的灰度图像中各像素点作为步骤b所构造的圆模板的模板中心,并逐一比较圆模板内部所有像素点与模板中心的灰度值,若圆模板内某像素点与模板中心的灰度差值小于像素点相似度阈值,则认为该像素点与模板中心相似。
像素点相似性的判断过程可用下式表示:
式(2)中,(x0,y0)表示模板中心位置,(x,y)表示圆模板范围内像素点,c((x,y),(x0,y0))表示像素点(x,y)与模板中心的相似性;I(x0,y0)、I(x,y)分别表示模板中心(x0,y0)和圆模板内像素点(x,y)的灰度值;t为像素点相似度阈值,像素点相似度阈值t与待检测角点的最小对比度有关,其确定方法为SUSAN算子提取角点算法中的常规技术,在此不作赘述。
当|I(x,y)-I(x0,y0)|不大于t时,表示像素点(x,y)与模板中心(x0,y0)相似;否则,不相似。
对圆模板内所有像素进行相似性判断后,分别在圆模板和8个角模板内对满足相似条件的像素点数量进行统计,即分别累加各模板内所有像素点的c((x,y),(x0,y0)),式(3)~(4):
式(3)~(4)中,N(x0,y0)表示在模板中心(x0,y0)下圆模板包含的核相似区面积,Ni(x0,y0)表示在模板中心(x0,y0)下方向为i的角模板包含的核相似区面积;T0表示模板中心为(x0,y0)的圆模板包含的所有像素点的集合,Ti表示方向为i的角模板包含的所有像素点的集合。
步骤d,构造角模板的方向序列。
根据步骤c统计得到的各角模板的核相似区面积,按照核相似区面积从大到小的顺序对8个角模板对应的方向进行排序,构成方向序列{O1,O2,O3,O4,O5,O6,O7,O8},其中,Oj分别对应角模板方向i,即Oj=i,其中,j表示方向序列编号,i表示角模板方向编号。
步骤e,确定主方向并判断主方向连续性。
顺次计算方向序列中相邻方向对应的角模板的核相似区面积衰减程度Dj,j+1:
式(5)中,分别表示方向序列中Oj、Oj+1对应的角模板的核相似区面积;Dj,j+1表示Oj+1和Oj对应的角模板核相似区面积的衰减程度。
从方向序列中O1开始,采用公式(5)顺次计算方向序列中所有相邻方向的核相似区面积衰减程度,获得如下核相似区面积的衰减程度序列:
{D1,2,D2,3,D3,4,D4,5,D5,6,D6,7,D7,8}
从核相似区面积衰减程度序列中顺序寻找第一个大于0.5的Dj,j+1,则主方向集合为{O1,O2,…,Oj};若核相似区面积衰减程度序列中所有Dj,j+1均不大于0.5,则主方向集合为{O1,O2,…,O8}。
本发明认为,主方向连续且主方向数量与总方向数不相同,则表明核相似区分布有明显的方向性。主方向是否连续通过主方向连续性CO(x0,y0)判断,判断主方向集合{O1,O2,…,Oj}中各方向对应的角模板在圆模板中是否相邻,当主方向集合中所有方向对应的角模板在圆模板中均相邻时,则CO(x0,y0)=1,表明主方向连续;否则,CO(x0,y0)=0,表明主方向不连续。
步骤f,判断角点并计算角点响应值。
根据圆模板的核相似区面积N(x0,y0)、角模板的核相似区面积Ni(x0,y0)、主方向数量NO(x0,y0)、主方向连续性CO(x0,y0)进行角点判断。当模板中心像素点(x0,y0)满足式(6)时,将像素点(x0,y0)标记为候选角点,用corner(x0,y0)=1表示;否则,corner(x0,y0)=0。
式(6)中,g为给定的圆模板核相似区面积阈值,其确定方法为SUSAN算子提取角点算法中的常规手段,在此不作赘述;g一般可表示为a·S,S为圆模板包含的所有像素点数量,a为比例系数,根据提取角点的尖锐程度取值;og为给定的角模板核相似区面积最大差异阈值,og=a·Si,Si表示圆模板包含的所有像素点数量。
为了进行非极大值抑制需计算角点响应值,候选角点的角点响应值为圆模板核相似区面积阈值g与圆模板核相似区面积的差值,非候选角点的角点响应值为0,见式(7):
步骤g,非极大值抑制。
根据步骤f获得的角点响应值R(x0,y0)进行非极大值抑制,最终从候选角点中确定图像角点。
Claims (7)
1.基于核相似区分布特性的图像角点检测方法,用于灰度图像进行角点检测,其特征在于,包括步骤:
步骤1,构造一个圆模板和m个角模板,将圆模板等分为m个圆心角相等的扇形即角模板,各角模板代表不同方向,m取6~12;
步骤2,依次以灰度图像中各像素点为圆模板中心,对圆模板内像素点和圆模板中心的灰度值进行相似性判断,获得圆模板和角模板在各圆模板中心下的核相似区面积;
步骤3,按核相似区面积从大到小对角模板对应的方向排序,获得方向序列{O1,O2,...Om};
步骤4,基于方向序列确定主方向并判断主方向连续性,本步骤进一步包括子步骤:
4.1顺次计算方向序列中相邻两方向对应的角模板核相似区面积的衰减程度,即两方向对应的角模板核相似区面积的差值与排序在前方向对应的角模板核相似区面积的比值,获得与方向序列{O1,O2,...Om}对应的衰减程度序列{D1,2,D2,3,...Dj,j+1,...Dm-1,m};
4.2从衰减程度序列中顺序找寻第一个大于0.5的元素,记为Dk,k+1,则主方向集为{O1,O2,…,Ok};若衰减程度序列所有元素均不大于0.5,则主方向集为{O1,O2,...Om};
4.3当主方向集中所有方向对应的角模板在圆模板中均相邻时,则主方向连续;
步骤5,将同时满足圆模板的核相似区面积小于阈值a·S、角模板中最大核相似区面积和最小核相似区面积的差值大于阈值a·Si、主方向数量不为m且主方向连续的圆模板中心记为候选角点,a根据角点的尖锐程度取值,S和Si分别为圆模板和角模板包含的像素点数;
步骤6,基于步骤5的判断结果进行非极大值抑制,以确定角点。
2.如权利要求1所述的基于核相似区分布特性的图像角点检测方法,其特征在于:
若原始图像为单波段图像,所述的灰度图像即原始图像;若原始图像为彩色图像或多波段图像,所述的灰度图像为各波段像素灰度值的平均值。
3.如权利要求1所述的基于核相似区分布特性的图像角点检测方法,其特征在于:
步骤2进一步包括子步骤:
2.1依次以灰度图像中各像素点作为圆模板中心;
2.2逐一比较圆模板和角模板内所有像素点与圆模板中心的灰度值,获得与圆模板中心相似的像素点;
2.3分别统计圆模板和角模板内与圆模板中心相似的像素点,获得圆模板和角模板在该圆模板中心下的核相似区面积。
4.如权利要求1所述的基于核相似区分布特性的图像角点检测方法,其特征在于:
步骤6进一步子步骤:
6.1基于步骤5的判断结果计算角点响应值,即,候选角点的角点响应值为阈值a·S与圆模板核相似区面积的差值,非候选角点的角点响应值为0;
6.2根据角点响应值进行非极大值抑制,以从候选角点中确定角点。
5.基于核相似区分布特性的图像角点检测***,用于灰度图像进行角点检测,其特征在于,包括:
(1)目标构造模块,用来构造一个圆模板和m个角模板,将圆模板等分为m个圆心角相等的扇形即角模板,各角模板代表不同方向,m取6~12;
(2)核相似区面积统计模块,用来依次以灰度图像中各像素点为圆模板中心,对圆模板内像素点和圆模板中心的灰度值进行相似性判断,获得圆模板和角模板在各圆模板中心下的核相似区面积;
(3)方向序列获得模块,用来按核相似区面积从大到小对角模板对应的方向排序,获得方向序列{O1,O2,...Om};
(4)主方向连续性判断模块,用来基于方向序列确定主方向并判断主方向连续性,本模块进一步包括子模块:
衰减程度序列获得子模块,用来顺次计算方向序列中相邻两方向对应的角模板核相似区面积的衰减程度,即两方向对应的角模板核相似区面积的差值与排序在前方向对应的角模板核相似区面积的比值,获得与方向序列{O1,O2,...Om}对应的衰减程度序列{D1,2,D2,3,...Dj,j+1,...Dm-1,m};
主方向集获得子模块,用来从衰减程度序列中顺序找寻第一个大于0.5的元素,记为Dk,k+1,则主方向集为{O1,O2,…,Ok};若衰减程度序列所有元素均不大于0.5,则主方向集为{O1,O2,...Om};
连续性判断子模块,当主方向集中所有方向对应的角模板在圆模板中均相邻时,则主方向连续;
(5)候选角点判断模块,用来将同时满足圆模板的核相似区面积小于阈值a·S、角模板中最大核相似区面积和最小核相似区面积的差值大于阈值a·Si、主方向数量不为m且主方向连续的圆模板中心记为候选角点,a根据角点的尖锐程度取值,S和Si分别为圆模板和角模板包含的像素点数;
(6)非极大值抑制模块,用来基于候选角点判断模块的判断结果进行非极大值抑制,以确定角点。
6.如权利要求5所述的基于核相似区分布特性的图像角点检测***,其特征在于:
所述的核相似区面积统计模块进一步包括子模块:
圆模板中心获得子模块,用来依次以灰度图像中各像素点作为圆模板中心;
像素点相似性判断子模块,用来逐一比较圆模板和角模板内所有像素点与圆模板中心的灰度值,获得与圆模板中心相似的像素点;
核相似区面积统计子模块,用来分别统计圆模板和角模板内与圆模板中心相似的像素点,获得圆模板和角模板在该圆模板中心下的核相似区面积。
7.如权利要求5所述的基于核相似区分布特性的图像角点检测***,其特征在于:
所述的非极大值抑制模块进一步包括子模块:
角点响应值获得子模块,用来基于候选角点判断模块的判断结果计算角点响应值,即,候选角点的角点响应值为阈值a·S与圆模板核相似区面积的差值,非候选角点的角点响应值为0;
非极大值抑制子模块,用来根据角点响应值进行非极大值抑制,以从候选角点中确定角点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410830491.2A CN104463896B (zh) | 2014-12-26 | 2014-12-26 | 基于核相似区分布特性的图像角点检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410830491.2A CN104463896B (zh) | 2014-12-26 | 2014-12-26 | 基于核相似区分布特性的图像角点检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104463896A CN104463896A (zh) | 2015-03-25 |
CN104463896B true CN104463896B (zh) | 2017-04-12 |
Family
ID=52909878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410830491.2A Active CN104463896B (zh) | 2014-12-26 | 2014-12-26 | 基于核相似区分布特性的图像角点检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463896B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023171B (zh) * | 2016-05-12 | 2019-05-14 | 惠州学院 | 一种基于转弯半径的图像角点检测方法 |
CN106846412B (zh) * | 2017-01-23 | 2020-03-13 | 上海兴芯微电子科技有限公司 | 一种棋盘格角点检测方法及装置 |
CN109919957B (zh) * | 2019-01-08 | 2020-11-27 | 同济大学 | 一种基于动态视觉传感器的角点检测方法 |
CN116128804B (zh) * | 2022-11-28 | 2024-02-27 | 深圳技术大学 | 多尺度多方向的无人机图像角点检测方法、***及终端 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789637A (zh) * | 2012-07-12 | 2012-11-21 | 北方工业大学 | 基于改进的susan算子的显著性区域提取 |
CN103279956A (zh) * | 2013-05-30 | 2013-09-04 | 华南理工大学 | 一种检测贴片机元器件定位精度的方法 |
-
2014
- 2014-12-26 CN CN201410830491.2A patent/CN104463896B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789637A (zh) * | 2012-07-12 | 2012-11-21 | 北方工业大学 | 基于改进的susan算子的显著性区域提取 |
CN103279956A (zh) * | 2013-05-30 | 2013-09-04 | 华南理工大学 | 一种检测贴片机元器件定位精度的方法 |
Non-Patent Citations (3)
Title |
---|
SUSAN—A New Approach to Low Level Image Processing;Stephen M.Smith等;《International Journal of Computer Vision》;19970531;第23卷(第1期);第45-78页 * |
一种基于USAN的特征点检测算法;杨幸芳等;《机械科学与技术》;20110731;第30卷(第7期);第1120-1123页 * |
一种稳健的高效角点特征提取变换;陈敏 等;《武汉大学学报(信息科学版)》;20130831;第38卷(第10期);第1142-1147页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104463896A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107248159A (zh) | 一种基于双目视觉的金属工件缺陷检测方法 | |
CN106683091A (zh) | 一种基于深度卷积神经网络的目标分类及姿态检测方法 | |
CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
CN109447065A (zh) | 一种乳腺影像识别的方法及装置 | |
CN104680538B (zh) | 基于超像素的sar图像cfar目标检测方法 | |
CN110532894A (zh) | 基于边界约束CenterNet的遥感目标检测方法 | |
CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
CN104933709A (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
CN104463896B (zh) | 基于核相似区分布特性的图像角点检测方法及*** | |
CN106204540B (zh) | 视觉检测方法 | |
CN110232379A (zh) | 一种车辆姿态检测方法及*** | |
CN109363698A (zh) | 一种乳腺影像征象识别的方法及装置 | |
CN103186904A (zh) | 图片轮廓提取方法及装置 | |
CN109977968B (zh) | 一种深度学习分类后比较的sar变化检测方法 | |
CN105513066B (zh) | 一种基于种子点选取与超像素融合的通用物体检测方法 | |
CN109948593A (zh) | 基于结合全局密度特征的mcnn人群计数方法 | |
CN109363699A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
CN103218605A (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
CN107909593B (zh) | 基于感受野子区域的非方向选择性轮廓检测方法 | |
CN105678792A (zh) | 一种人体轮廓提取方法及*** | |
CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
CN104517095A (zh) | 一种基于深度图像的人头分割方法 | |
CN104966305A (zh) | 基于运动矢量划分的前景检测方法 | |
CN108664994A (zh) | 一种遥感图像处理模型构建***和方法 | |
CN109363697A (zh) | 一种乳腺影像病灶识别的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |