CN105574864A - 基于角度累加的自适应角点检测方法 - Google Patents

Abstract

基于角度累加的自适应角点检测方法，所提方法在获取图像边缘后，定义反映边缘点局部特征的角度累加的概念，并计算边缘点角度累加值，以此作为角点初始响应；然后构造候选角点的局部自适应阈值来去除圆形角点；接着获取角点特征值，并构造全局阈值来去除虚假角点，得到最终角点检测结果。

Description

基于角度累加的自适应角点检测方法

技术领域

本发明涉及一种基于角度累加的自适应角点检测方法，可应用于目标识别、立体匹配、运动跟踪、3D重建等方面，属于图像处理技术领域。

背景技术

角点是图像的一种重要局部特征，角点在保留物体重要特征信息的同时有效地减少了信息的数据量，使图像处理的运算量大大减少。此外角点集中了图像上的很多重要的形状信息，并且具有旋转不变性，因此角点几乎不受光照条件的影响。在基于特征的图像配准、图像理解及模式识别等领域中，角点检测具有十分重要的意义。

到目前为止，有大量基于边缘的角点检测方法被提出，这些方法主要分为以下三类：

(1)基于CSS的角点检测

基于CSS的角点检测的一般方法为：先在较大的尺度下计算出边缘点曲率，取局部极大值点为候选角点，通过全局阈值来去除伪角点，最后在低尺度下对角点进行精确定位。这类方法面临着以下不足：一是由于曲率自身的性质，需要计算一阶二阶导数，使得算法对边缘局部的变化非常敏感；二是选择适当的高斯尺度依然非常困难。所以该类角点检测方法的正确率比较低。

(2)基于CPDA的角点检测

基于CPDA的角点检测方法采用点到弦距离累加来作为边缘点的特征描述，由于该特征的计算完全是基于欧式距离，所以算法避免了CSS算法存在的问题。但这类方法却面临着以下问题：由于不同类型的角点的特征值相差很大，不同弦长下同类型的角点特征值相差也很大，从而此类算法必须对角点特征值进行归一化(除以同一条曲线上的最大值)，但这会带来新的问题：如曲线上存在尖锐角点，其特征值非常大，则特征值较小的角点在归一化后并不能同伪角点有效区分开；又如曲线上若不存在真实角点，则一些伪角点通过归一化后的特征值将会非常大，会被误检测为角点。

(3)基于Angle的角点检测算法

基于Angle的角点检测，采用边缘点与一条弦的端点连线构成的角度来作为特征描述，Angle的大小不仅可以反映边缘点特征，并且Angle值永远固定在一定的范围之内：[0,π]，所以并不需要进行归一化，避免了基于CPDA的方法所存在的缺点。但是这类方法尚存在着很多不足：不能检测出邻近角点，无法有效去除圆形角点、虚假角点。

本发明属于第(3)类基于Angle的角点检测方法，称为基于角度累加的自适应角点检测方法。

发明内容

为了克服现有的基于边缘的角点检测方法中存在的缺陷，如角点错误率过高、角点定位精度低等问题，本发明提出一种基于角度累加的自适应角点检测方法，以便快速而准确的定位出角点。

为实现上述目的，本发明提出了基于角度累加的自适应角点检测方法，所提方法在获取图像边缘后，定义反映边缘点局部特征的角度累加的概念，并计算边缘点角度累加值，以此作为角点初始响应；然后构造候选角点的局部自适应阈值来去除圆形角点；接着获取角点特征值，并构造全局阈值来去除虚假角点，得到最终角点检测结果。

本发明基于角度累加的自适应角点检测方法具体步骤包括以下几个步骤：

(1)采用canny算子来提取边缘，由一个小窗口高斯核来平滑曲线；

(2)采用L值为6的弦来计算边缘点的角度累加值，取极小值点为候选角点；

在步骤(2)中，首先定义了角度累加的概念：将边缘上的像素点分别标为P₁,P₂,...,P_k,P_k+1,…,P_n，n为曲线上边缘点个数，对于曲线上各边缘点P_k，弦C_L从P_k-L+1P_k+1位置开始，连接弦P_k-L+1P_k与弦P_kP_k+1，计算这两条弦的夹角θ_k,k-L+1，然后弦C_L右移一个像素到P_{k-L+ 2}P_k+2，计算弦P_k-l+2P_k与弦P_kP_k+2的夹角θ_k,k-L+2，由此类推，直到弦C_L移动到P_k-1P_k+L-1位置为止，计算所有夹角之和，即为边缘点P_k处的角度累加值θ_L(k)。

${\mathrm{\θ}}_L\left(k\right)=\underset{i=k-L+1}{\overset{k-1}{\Σ}}{\mathrm{\θ}}_{k,i}---\left(1\right)$

然后取一根较短的弦C_L(L＝6)，计算曲线上各像素点的θ_L(k)值，由于θ_k,k-L+j的范围为[0,π]，所以θ_L(k)的范围为[0,(L-1)π]，为了使实验数据更加直观，将角度累加值进行式(2)变换得到θ’_L(k)，其范围为[0,1]，取极小值点并入候选角点集合。

${\mathrm{\θ}}_L^{\′}\left(k\right)=\frac{{\mathrm{\θ}}_L\left(k\right)}{(L-I)\mathrm{\π}}---\left(2\right)$

(3)构造候选角点的局部自适应角度阈值来去除圆形角点；

在步骤(3)中，通过角点邻域内的边缘点θ’_L(k)值来构造自适应阈值T_k，如式(3)所示，若候选角点的θ’_L(k)大于自适应阈值的是圆形角点，从候选角点集合中剔除。

$T_k=x\×\frac{1}{L_1+L_2+1}\underset{i=k-L_1}{\overset{k+L_2}{\mathrm{\Σ}}}{{\mathrm{\θ}}^{,}}_L\left(i\right)---\left(3\right)$

其中，x为比例系数，取值为0.96。L₁和L₂分别为左右邻域大小，L₁＝min(L,left)，L₂＝min(L,right)，L＝6，left、right分别为点P_k到左、右边极大值点的边缘点数。

(4)对候选角点采用L值分别为10、20、30的弦来计算候选角点的特征值，并构造全局阈值来去除伪角点，得到最终角点集合。

在步骤(4)中，采用长分别为10、20、30的弦，如式(4)对三者进行乘积得到候选角点的特征值Φ(k)，然后由式(5)构造全局阈值T，其中angle是人为设定的钝形角度值，若候选角点的特征值Φ(k)小于全局阈值，则为虚假角点，从候选角点集合中剔除。

$\mathrm{\Φ}\left(k\right)=\underset{j=1}{\overset{3}{\Π}}(1-{\mathrm{\θ}}_{L_j}^{\′}(k\left)\right)---\left(4\right)$

$T={(1-\frac{angle}{180})}^3---\left(5\right)$

与现有方法相比，本发明的优越性体现在：

(1)仅仅使用了图像边缘结构信息，方法简洁明了；

(2)对图像中的每一条曲线，以边缘上的各点角度累加作为其特征值，使角点检测鲁棒性更强；

(3)构造了局部自适应阈值，能有效的去除圆形角点；

(4)通过‘多弦’方法来获取了角点的特征值，使真实角点和虚假角点更加有效的区分开来；

(5)具有较强的抵抗噪声干扰的能力。

附图说明

图1是本发明方法的流程图；

图2是进行角点检测的原始图像；

图3是对原始图像进行边缘提取后的效果图；

图4是计算角度累加的原理示意图；

图5是原始图像中提取出的候选角点；

图6是去除圆形角点的原理示意图；

图7是选择比例系数的实验图；

图8是对原始图像去除虚假角点的实验图；

图9是原始图像中检测出的最终角点图。

具体实施方式

为了更好的理解本发明的技术方案，下面结合附图和实施例，对本发明作进一步的详细描述。

本发明方法对图像进行角点检测的流程图如图1所示。

读入图像后进行边缘检测，高斯平滑；计算边缘上个点的角度累加值；构造局部自适应阈值去除圆形角点；计算角点的特征值，构造全局阈值去除虚假角点。

本发明的实施例按附图1所示步骤进行，具体如下：

1、读取图像、边缘检测、高斯平滑

读取的原始图像如图2所示，用边缘检测算子对图像进行处理，得到二值化边缘后进行高斯平滑，图3为对高斯平滑后的效果图。

2、候选角点初始集合

图4为计算边缘点角度累加值的原理示意图，下面对照图4来对角点累加进行具体的说明。

图4中，在图像边缘局部轮廓上，P₁，P₂，…，P_n是曲线上的n个边缘点。计算边缘点P_k的角度累加的原理为：由一条长为L的弦C_L从P_k-L+1P_k+1位置开始，连接弦P_k-L+1P_k与弦P_kP_k+1，计算这两条弦的夹角θ_k,k-L+1，如式(1)所示，然后弦C_L右移一个像素到P_k-L+2P_k+2，计算弦P_{k-l+ 2}P_k与弦P_kP_k+2的夹角θ_k,k-L+2，由此类推，直到弦C_L移动到P_k-1P_k+L-1位置为止，计算所有夹角之和，即为边缘点P_k处的角度累加值θ_L(k)，如式(2)所示。

${\mathrm{\θ}}_{k,k-L+j}={\cos }^{-1}\frac{{\left|P_{k-L+j}{P}_k\right|}^2+{\left|P_k{P}_{k+j}\right|}^2-{\left|P_{k-L+j}{P}_{k+j}\right|}^2}{2*\left|P_{k-L+j}{P}_k\right|*\left|P_k{P}_{k+j}\right|}---\left(1\right)$

${\mathrm{\θ}}_L\left(k\right)=\underset{i=k-L+1}{\overset{k-1}{\Σ}}{\mathrm{\θ}}_{k,i}---\left(2\right)$

所提方法的依据是：在角点处，左右两条弦构成的支撑角度比较小，并且会在局部形成一个极小值。本文通过移动C_L来获取更多的支撑角，通过求和得到角度累加值，鲁棒性更高，能更好的反映出边缘点特征。由于θ_k,k-L+j的范围为[0,π]，所以θ_L(k)的范围为[0,(L-1)π]，为了使实验数据更加直观，将角度累加值进行式(3)变换得到θ’_L(k)，使其范围变为[0,1]：

${\mathrm{\θ}}_L^{\′}\left(k\right)=\frac{{\mathrm{\θ}}_L\left(k\right)}{(L-I)\mathrm{\π}}---\left(3\right)$

选取出局部极小值点为候选角点如图5所示，图5为从原始图像中检测出的角点效果图，用‘□’标示的即为候选角点。

3、去除圆形角点

圆形物体并不会在人眼中产生很明显的角点，所以在对图像的识别中，圆形角点并不那么有意义。但是圆形角点的θ’_L(k)值与一些真实角点相似，并且也会形成局部极小值，所以在2步骤中进行候选角点的提取中，圆形角点也被选入在内。为了剔除圆形角点，接下来所提算法构造了局部自适应阈值来去除圆形角点。

经实验发现，如图6所示，相对于钝形角点和尖锐角点，圆形角点邻域内边缘点的θ’_L(k)值上升比较缓慢，而钝形角点和尖锐角点邻域内的边缘点θ’_L(k)值上升比较迅速，从而相对来说，圆形角点的θ’_L(k)值与其邻域内的θ’_L(k)平均值比较接近。根据这个特性，所提算法根据角点邻域内的边缘点θ’_L(k)值来构造自适应阈值T_k，如式(4)所示，若角点θ’_L(k)值大于它的局部自适应阈值，则该角点为圆形角点，从候选角点集合中剔除，若角点θ’_L(k)值小于它的局部自适应阈值，则为尖锐角点或钝形角点。

$T_k=x\×\frac{1}{L_1+L_2+1}\underset{i=k-L_1}{\overset{k+L_2}{\mathrm{\Σ}}}{{\mathrm{\θ}}^{,}}_L\left(i\right)---\left(4\right)$

其中，x为比例系数，L₁为左邻域的长度，L₂为右邻域的长度。接下来讨论一下上述方法中存在的两个关键问题：邻域大小和比例系数的选择。

3.1邻域大小

关于所选邻域大小，可以选择角点左右两侧极大值点为界限，但是这样的邻域范围太大，不管是圆形角点还是非圆形角点，邻域两侧末端的边缘点θ’_L(k)值都已接近于1，若将这些边缘点考虑进去的的话会使自适应阈值整体增大，不利于区分出候选角点是否为圆形角点。考虑到候选角点是由弦长L来计算θ’_L(k)值得到的，可将左右邻域长度定为弦长L，如式(5)所示，其中，Ω(P_k)为角点P_k的邻域范围，P_k-i与P_k+i分别为角点P_k左右邻域内第i个像素点。

Ω(P_k)＝{P_k-L,...,P_k-1,P_k,P_k+1,...P_k+L}(5)

实验表明，上述邻域范围有着良好的效果，但是对于邻近角点却失效了，算法会错误的将邻近角点剔除。在邻近角点的邻域内，由于存在着其他角点，所以其邻域Ω(P_k)内边缘点的θ’_L(k)值并没有一直递增，导致在该邻域内的平均θ’_L(k)值降低，使得角点θ’_L(k)值大于它的局部自适应阈值，从而邻近角点被剔除。所以所提算法最终结合了弦长和邻域内极大值点来定义了角点的邻域范围，如式(6)所示：

Ω(P_k)＝{P_{k-min(L,left)},...,P_k-1,P_k,P_k+1,...P_{k+min(L,right)}}(6)

其中min(a,b)为取a、b中的较小值，left为到左边极大值点的长度，right为到右边较大值点的长度，即L₁＝min(L,left)，L₂＝min(L,right)。

3.2比例系数

由于圆形角点的定义是比较难的，所以比例系数比较难以确定。如一个圆形的物体是没有任何角点是毋庸置疑的，但是对于一个椭圆物体来讲，若其长轴与短轴的比值b/a较大，则在其长轴处的角点就很扁，可认为该角点为真实角点。

实验设计了两组图像来测试角点θ’_L(k)值与所选邻域内的平均θ’_L(k)值的比值关系。第一组为圆角图像，短轴与长轴的比值(即b/a)在区间[1,4.2]内，间隔为0.2，共17张图像，实验结果如图7(a)所示，它们比值的取值范围为[0.96,1]。第二组图像为钝角、尖角图像，在区间[10°,170°]内，间隔为10°，共17张图像，实验结果如图7(b)所示，它们比值的取值范围为[0.58，0.96]。

由于椭圆角点在b/a值增大的过程中，在比值超过4.2时，它在离散化下的特性已经偏向于钝形角点，所以可视为真实角点，而超过170°的角点也已经不太明显，故本文的比例系数x取值0.96。

4、去除虚假角点

由于曲线是离散化的，并且存在噪声影响，所以曲线边缘点的θ’_L(k)极小值点会很多，其中大部分为虚假角点。在构造角点局部自适应阈值去除圆形角点时，虽然有些虚假角点本身θ’_L(k)值就很小，并且它与邻域内的边缘点θ’_L(k)值相差无几，从而使得其θ’_L(k)值小于局部自适应阈值而被剔除，但是还有一大部分虚假角点还是保留了下来。

虚假角点的θ’_L(k)值虽然都较小，但它们的值域还是相对比较大的，很难选择一个固定的阈值来区分真实角点和虚假角点。所提算法为了能设定一个全局阈值来准确的去除虚假角点，采用了‘多弦’的方法，使真实角点和虚假角点能更好的被区分开，方法如下：

采用长分别为10、20、30的弦，如式(7)分别得到各自的θ’_L(k)值：

${\mathrm{\θ}}_{L_j}^{\′}\left(k\right)=\frac{{\mathrm{\θ}}_{L_j}\left(k\right)}{(L_j-1)\mathrm{\π}},j=1,2,3---\left(7\right)$

然后如式(8)对三者进行乘积得到候选角点的特征值Φ(k)：

$\mathrm{\Φ}\left(k\right)=\underset{j=1}{\overset{3}{\Π}}(1-{\mathrm{\θ}}_{L_j}^{\′}(k\left)\right)---\left(8\right)$

该特征值可以让真实角点更加区分于虚假角点，如真实角点的θ’_L(k)值分别为0.2、0.25、0.3，虚假角点的θ’_L(k)值分别为0.8、0.85、0.9。取1减去θ’_L(k)后，真实角点的值分别为0.8、0.75、0.7，伪角点的值分别为0.2、0.15、0.1，它们的比值分别为4倍、5倍、7倍。在进行三者乘积后，真实角点的特征值Φ(k)＝0.42，虚假角点的特征值为Φ(k)＝0.003，乘积后真实角点的特征值是虚假角点的140倍。

如图8所示，这四幅图分别为对图4(a)采用弦长为10、20、30得到的[1-θ’_L(k)]值，以及它们三者的乘积。从图8(a)、8(b)、8(c)中可以看出，真实角点和虚假角点并没有很好的被区分开，所以并不能有效的设定一个全局阈值来去除虚假角点，而从8(d)中可以看出，真实角点和虚假角点得到了很好的区分，使设定一个统一全局阈值来去除虚假角点成为了可能。由于之前是使用较短的弦来获取候选角点时，所以邻近角点已被很好的区分并保留下来，此时采用三根较长的弦来计算角点特征值并不会错误剔除邻近角点，因为此时邻近角点并不用达到极大值，只要它的特征值大于全局阈值即可。

下面构造全局阈值T来剔除虚假角点，由于钝形角点是真实角点中θ’_L(k)值最大的，所以本文采用钝形角度来构造全局阈值如式(9)所示：

$T={(1-\frac{angle}{180})}^3---\left(9\right)$

其中，angle是人为设定的钝形角度，可以根据不同的需求来设定不同的角度值，本文选择170°来计算全局阈值T。大于阈值T的角点为真实角点，小于阈值T的角点为虚假角点，从候选角点中剔除。

经过以上步骤即可检测出图像中的角点，如图9所示，图9为原始图像进行角点检测的最终结果，用‘□’标示的即为最终角点。

Claims (1)

1.基于角度累加的自适应角点检测方法，具体包括以下步骤：

(1)采用canny算子来提取边缘，由一个小窗口高斯核来平滑曲线；

(2)采用L值为6的弦来计算边缘点的角度累加值，取极小值点为候选角点；

在步骤(2)中，首先定义了角度累加的概念：将边缘上的像素点分别标为P₁,P₂,...,P_k,P_k+1,…,P_n，n为曲线上边缘点个数，对于曲线上各边缘点P_k，弦C_L从P_k-L+1P_k+1位置开始，连接弦P_k-L+1P_k与弦P_kP_k+1，计算这两条弦的夹角θ_k,k-L+1，然后弦C_L右移一个像素到P_k-L+2P_k+2，计算弦P_k-l+2P_k与弦P_kP_k+2的夹角θ_k,k-L+2，由此类推，直到弦C_L移动到P_k-1P_k+L-1位置为止，计算所有夹角之和，即为边缘点P_k处的角度累加值θ_L(k)；

${\mathrm{\θ}}_L\left(k\right)=\underset{i=k-L+1}{\overset{k-1}{\Σ}}{\mathrm{\θ}}_{k,i}---\left(1\right)$

然后取一根较短的弦C_L，L＝6，计算曲线上各像素点的θ_L(k)值，由于θ_k,k-L+j的范围为[0,π]，所以θ_L(k)的范围为[0,(L-1)π]，为了使实验数据更加直观，将角度累加值进行式(2)变换得到θ’_L(k)，其范围为[0,1]，取极小值点并入候选角点集合；

${\mathrm{\θ}}_L^{\′}\left(k\right)=\frac{{\mathrm{\θ}}_L\left(k\right)}{(L-1)\mathrm{\π}}---\left(2\right)$

(3)构造候选角点的局部自适应角度阈值来去除圆形角点；

在步骤(3)中，通过角点邻域内的边缘点θ’_L(k)值来构造自适应阈值T_k，如式(3)所示，若候选角点的θ’_L(k)大于自适应阈值的是圆形角点，从候选角点集合中剔除；

$T_k=x\×\frac{1}{L_1+L_2+1}\underset{i=k-L_1}{\overset{k+L_2}{\mathrm{\Σ}}}{{\mathrm{\θ}}^{,}}_L\left(i\right)---\left(3\right)$

其中，x为比例系数，取值为0.96；L₁和L₂分别为左右邻域大小，L₁＝min(L,left)，L₂＝min(L,right)，L＝6，left、right分别为点P_k到左、右边极大值点的边缘点数；

(4)对候选角点采用L值分别为10、20、30的弦来计算候选角点的特征值，并构造全局阈值来去除伪角点，得到最终角点集合；

在步骤(4)中，采用长分别为10、20、30的弦，如式(4)对三者进行乘积得到候选角点的特征值Φ(k)，然后由式(5)构造全局阈值T，angle是人为设定的钝形角度值，若候选角点的特征值Φ(k)小于全局阈值，则为虚假角点，从候选角点集合中剔除；

$\mathrm{\Φ}\left(k\right)=\underset{j=1}{\overset{3}{\Π}}(1-{\mathrm{\θ}}_{L_j}^{\′}(k\left)\right)---\left(4\right)$

$T={(1-\frac{angle}{180})}^3---\left(5\right).$