机器视觉中特征点提取算法的探讨
第26卷 第10期
文章编号:1006-9348(2009) 10-0233-04
计 算 机 仿 真
2009年10月
机器视觉中特征点提取算法的探讨
高彩云, 高满屯, 王少卫
(西北工业大学机电学院, 陕西西安710072)
摘要:机器视觉中特征点的提取是基于点特征图像配准算法的一个非常关键的步骤。首先从特征点定义出发, 介绍了近年来国内外出现的几种常用的点特征提取算法, 然后利用特征提取方法评价标准, , 最后, 通过运用VC ++编程语言工具进行算法仿真, 对试验结果进行比较分析, 理论与实践相结合, 性能、优缺点、适用环境, , 意见。
关键词:特征提取; 点特征; 图像配准中图分类号:TP391 文献标识码:B
A D I n tors for Extracti n g
i n t tures i n Co m puter V isi on
G AO Cai -yun, G AO Man -tun,WANG Shao -wei
(Dep t . of Electr omechanics, North western Polytechnical University, Xi πan Shanxi 710072, China )
ABSTRACT:Feature point extracti on is a key step based on the point -feature characteristics of i m age registrati on, s ome common point -feature extracti on algorith m s were intr oduced first in this paper . And s ome evaluati on criteria f or feature extracti on methods evaluati on were used t o perf or m comp rehensive analysis and discussi on . Then each al 2gorith m was validated by VC ++withexa mp les and the experi m ental results were compared and analyzed with theory and p ractice . These criteria can be used t o effectively evaluate the perf or mance, advantages and disadvantages of va 2ri ous feature extracti on methods . These expositi ons have a good reference value for the learning of i m age detecti on and s pecific app licati on, and p r ovide directi on f or further i m p r ovement . KE YWO R D S:Feature extracti on; Point -feature; I m age registrati on
1 引言
图像配准技术作为图像处理的一种基本手段, 用于将不
同时间, 不同空间, 不同视觉, 不同场景条件下的两幅或多幅图像进行叠加, 拼接, 对准, 匹配等操作, 以校正图像之间的几何差异和灰度差异, 它在军事、遥感、医学等领域有着广泛地应用。
常用配准方法有基于特征点、模板匹配、边界链码等方法。其中基于特征点的方法是应用最广泛的一类算法。它不需要利用整幅图像的像素值, 而是通过选取几个明显的特征点来实现图像配准, 减少了运算量, 可以兼顾实时性和有效性。所谓的特征点提取即提取不同类型图像中保持不变的特征, 即点特征, 它是指那些灰度信号在二维方向上都有
收稿日期:2008-07-15 修回日期:2008-08-26
明显变化的点, 如边缘点、角点、兴趣点等, 作为配准控制点,
要求数量足够且分布较均匀。国内外文献中常见的特征点提取方法有很多, 然而这些方法应用于图像配准这个环境中的实际效果如何, 提取的特征点能否有效用于配准, 对各种类型图像的鲁棒性, 抗噪声性能等如何, 以及各类方法之间的优势劣势比较等, 缺乏相应的比较和总结。
本文主要从两个方面着手展开:特征点提取方法和特征提取方法评价标准, 首先, 根据不同的点特征总结出常见的几种提取算子, 然后对特征提取方法评价标准做了一定的说明, 最后针对每类点特征提取算子中最常用的一种算法作了重点研究, 比较了目前的主流算法之间的性能差异, 为不同应用情形下特征提取方法的选择提供了有力参考, 并进而提出了算法的改进建议, 在今后的工作中将作进一步的研究。
—233—
2 特征点提取方法
图像的特征点是指在两幅图像中对比例、旋转、平移等变换保持一致性的点, 它是进行图像配准的基础, 其质量好坏将直接影响配准的精度和效率。常用的特征点提取方法有:
1) 边缘点提取法, 如:S obel 算子、Lap lacian 算子、Canny
算子、LOG 算子、小波变换等;
2) 角点提取算法, 如:Beaudet 算子、Harris 算子、Deriche
-Giraudon 算子、S US AN 算子等;
3) 各种兴趣算子, Forstner 算子、Moravec 算子、Hannah
算子等。
3 特征提取方法评价标准
对于各种特征点提取方法的好坏, 标准。在图像配准这个应用环境中, 其特定的涵义:特征点的数量应适中, 细的特征点就好, ; 、不变性, 。总结上述特点, :
1) 定位准确性:用来判断提取出的点位置是否接近正确的点位置, 直接关系到两幅待配准图像配准的精度。
2) 提取速度:利用特征提取所用计算时间来衡量。实验条件相同, 计算时间长的表明速度慢, 时间短的表明速度快。
3) 抗噪性:对受噪声污染的图像进行实验, 比较对含噪声图像的特征提取效果。
4 特征提取算法比较
本文对上述三类特征点算法都作了一定研究, 并对每类算法中最常用算法作了重点研究和比较。
4. 1 提取边缘特征点
对于边缘提取, 从处理的途径来分可以分为两种:在时域内对图像进行处理; 在变换域内对图像进行处理。早期大多数边缘检测算子都是基于对空间梯度或Lap lacians 的估计。然而各种边缘检测算子都有其应用的局限性, 如表1所示。
表1 部分边缘检测算子的优缺点
算子
Sobel Lap lacian
小波变换具有很好的时频分析特性, 在多尺度和多分辨
率边缘分析中, 边缘在各尺度间的相关性很大, 相反噪音在各尺度间的相关性非常小, 可以利用小波变换达到更好的抑制噪声效果。同时小波变换法还能提供附加的相位信息, 即边缘的方向信息, 这使得可以有效地构建链码。但其最大的缺点是计算量较大, 对内存和磁盘空间的需求较大。下面主要针对小波变化作详细论述, 其中主要介绍样条小波和Ga 2bor 小波。4. 111 样条小波
, 小波系数的选取是关键。B , 其特点是函数形式简单, , 硬件实现。此外B 样, B 样条小波, 它在检测信号的, 非常适合图像的边缘检测。
:
1) 首先对原始图像进行平滑处理;
2) 对平滑后的图像作二进小波变换, 滤波器系数采用三次B 样条小波;
3) 求得小波的模和相角, 确定模极大值点;
4) 多个尺度的边缘点间的边缘匹配和连结, 构成原始图形的边缘定位。
算法特点:
三次B 样条边缘检测算子用到平滑函数是B 样条, 其滤波器系数简单、长度短, 可以对图像进行多尺度的边缘检测, 它的检测结果与Canny 算子具有相似的视觉效果, 但它具有计算较简单、效率高、对含噪图像处理性能较好等优点。4. 112 Gabor 小波
由于Gabor 小波有极好的方向性, 因此被广泛应用于图像处理的特征提取、纹理分析和立体视差估计等方面。该方法对图像做Gabor 小波变换, 然后抽取具有最大能量测度的点作为特征点。Gabor 小波的定义为:
2) π((2θθ)
Φ(x, y, θ) =e -x +y +j x cos +y sin (1) 式中:x, y 是横纵坐标, θ是空间方向角。
定义能量测度函数:
(2) Q i , j (x, y, θW i (x, y, θW j (x, y, θk ) =G (‖k ) -γk ) ‖) 式中:G () 为任一种非线性转换函数, 尺寸参数α=,
γ=α-2(i -j ) , 对于Q i , j (x, y, θk ) , 首先选取Q i , j (x, y, θk ) , 取最大值的θk , θk ∈(0, π) , 然后再图中选取领域N x, y , 确定N x, y 中使Q i , j (x, y, θk ) 取得最大值(x, y ) , 则(x, y ) 为该特征点。算法特点:
Gabor 小波有良好的方向性, 但它对细节和噪声较为敏感, 适用于背景相对清洁的图像; 当图像中目标较小时, 选取的邻域数较少, 运算量不大; 但当目标较大时, 选取的邻域数增多甚至涵盖整幅图像, 运算量将大幅度增加。4. 2 采用角点作为特征点
角点包含丰富的局部特征和形状信息, 近年来成为研究
j
优点
算法简单、有方向性有方向性, 可任意方向定位
定位准确、检测区域广
缺点
对噪声敏感、不够精确对噪声敏感、对部分边缘可再反应
检测方向性较差、边缘、拐角处灰度值变化剧烈
Log
—234—
的热点。角点检测算法主要有基于模板匹配、边缘检测和灰度变换的方法。其中Harris 算法和S US AN 算法最具代表性。下面就S US AN 算法做详细介绍。
S US AN 角点提取法, 它利用圆形模板在图像上移动, 若模板内像素的灰度与模板中心像素灰度的差值小于一定的阈值, 则认为该点与模板核具有相同的灰度, 由满足这样条件的像素组成的局部区域称为“US AN ”。根据US AN 的尺寸、质心和二阶矩, 可检测边缘、角点等特征。
S US AN 模板在图像上滑动, 在每个位置上, 比较模板内各图像像素的亮度与模板核的亮度:
1, |I (r ) -I (r 0) |≤t
(3) c (r , r 0) 0, |I (r ) -I (r 0) |>t
式中:r 0为二维图像中核心点的位置, r 是模板其他点的位置, I (r ) 是模板中任意象素点的亮值, I (r 0) 是核点的亮度, t 是亮度差的阈值, c (r , r 0) 是亮度比较的结果。
通常对于式(3) 采用更稳定可靠的形式:
c (r , r 0) =e r 0) -I (r ) -I (r )
6t
于初选点采用Forstner 算子在w ×w 像素(或更大) 窗口内计算兴趣值, 兴趣值大于阈值的选为备选点, 最后采用非最大抑制法提取极值点作为特征点。阈值的选取将对特征点的提取及后续的配准精度产生很大的影响。阈值太小, 将大大增加特征点选取及后续匹配的计算量; 阈值太大, 将增加特征点漏选的概率。其步骤如图1所示。
) (5)
:
r , 0
r
图1 Forst ner 算子流程图
将n g , S US AN 角点检测算法将g 设定为n max (定义n max 为US AN 的最大面积) 大小的一半, 通过下式来产生角点的初始响应函数。
R (r ) g -n (r 0) , |n (r 0) |
0, |n (r 0) |≥g
(6)
最后搜索初始角点响应中的局部最大值, 将其对应的像素点标记为角点。
算法特点:
S US AN 角点提取法对角点的检测比对边缘检测的效果好, 适用于基于角点匹配的图像配准, 无需梯度运算, 特征定位比较准确等优点。但S US AN 算法相似比较函数计算复杂, 使其计算量较大, 计算速度慢, 抗噪性也相对差一些; 图像中不同区域处目标与背景的对比程度不一样, 取固定阈值t 不符合实际情况。
4. 3 各种兴趣算子
兴趣点, 是指相对于其邻域表现出某种奇异性的像素点, 它们容易提取, 对信号噪声、数据获取时的参数变化和图像变换等具有较好的鲁棒性。兴趣算子, 是指运用某种算法从影像中提取我们感兴趣的点的方法。现在已提出了一系列算法各异、且具有不同特色的兴趣算子, 比较知名的有Forstner 算子、Moravec 算子与Hannah 算子, 下面就Forstner 算子作详细说明。
Forstner 算子是一种常用的点特征定位算子。该算子通过计算各像素Robert πs 梯度和像素(c, r ) 为中心的一个窗口的灰度协方差矩阵,
在图像中寻找具有尽可能小的接近圆的误差椭圆的点作为特征点。
Forstner 算法一般先用简单的差分算子提取初选点, 对
算法特点:
Forstner 算子通过在最佳窗口内进行加权中心化的操作, 可以将定位精度提高到子像素, 定位精度较高, 计算速度快, 但它的缺点是要确定阈值, 因此受图像灰度、对比度变化的影响, 它的抗噪性有待改善。
5 比较与总结
文中用VC ++
编程语言建立了基于上述3种算法的检测过程。首先, 对原始图像进行预处理, 然后, 以小波算子、S US AN 算子和Forstner 算子对图像边缘检测实现, 通过实验结果的比较, 可以了解各种算法的特点。原始图像如图2所示, 经过检测后的效果如图3-图5所示。几种算子的计算时间和抗噪声效果的比较结果如表2所示。
—235—
根据其效果, 小波变换边缘检测效果好于S US AN 算子和Forstner 算子的检测, 轮廓清楚。通过比较可以为具体的图像处理应用提供参考作用。
表2 几种算子的计算时间和抗噪声效果的比较序列小波变换
S US AN 算子Forstner 算子
计算时间/s
8161115015
特征点正确率
(原影像) /%
786463
特征点正确率
(加躁声) /%
724748
由以上各种算法的比较讨论, 可以得出几种主要特征提
取法的性能比较结果, 如表3所示。
表3 主要特征提取法的性能比较
提取算法小波变换
S US AN 算子Forstner 算子
但物体大小适中, 可采用兴趣算子法, 也可先进行降噪处理
再用Gabor 小波; 若物体包含明显的形状特征等, 则适宜采用角点检测。
4) S US AN 算法计算量较大, 计算速度慢, 因此应改进其计算过程, 先采用简单的方法对角点作初选, 再利用S US AN 算法精确定位, 提高运算速度。S US AN 检测法的抗噪性相对差一些, 对不同的图像有时可能需要调整参数才能更有效。
5) Forstner 算子最大的优点是计算速度快, Forstner 算法提取特征点的效果受初选差分法阈值的影响很大, 对比度不同, , 因此, 要实现基于Forstner 的全自动配准, 置初选阈值, , , 定位准确性
高较高较高
计算速度较快慢快
抗噪效果好———小、S US AN 算子、Forstner 算子的原理, 并从特征提取评价标准的角度对各种算子进行了比较, 分析了各种算子的适应情况, 这对于不同应用目的的特征点提取方法选取有了一定的借鉴意义。参考文献:
[1] 孙慧, 周红霞, 李朝晖. 图像处理中边缘检测技术的研究[J ].
综上所述, 论述, , , 如下:
1) 通过上述理论与实验分析, 在这几种特征点提取方法中, 小波变换的边缘点提取方法展示出了比较好的边缘检测性能, 其定位准确性高, 抗噪性强, 提取的特征点能有效的实现匹配, 在自动配准中能广泛的适用, 然而这种算法的计算量比较大, 需要在计算速度上还有待进一步地提高。由于小波变换是全局的变换, 无法对图像作分块并行处理, 对于大尺寸的图像, 可采用基于金字塔结构的方法逐层提取和映射, 减少计算量, 提高运算速度。
2) Gabor 小波有良好的方向性, 但它对细节和噪声较为敏感, 实际应用中可先做消噪处理, 以提升算法的可靠性。另一方面, 样条小波具有计算较简单、效率高、对含噪图像处理性能较好的优点, 我们可以结合两种小波算子, 提供一种图像边缘两步检测法。先利用样条小波变换模极大值法对图像进行处理, 接着利用阀值法把模值分为边缘点, 非边缘点和待选边缘点。对待选边缘点进行Gabor 小波分解, 再对其系数进行单阈值处理, 就可得到不同尺度下较精确的图像边缘, 提供的方法保留了两种小波变换的优点又进一步提高了检测的精确度和图像边缘的连续性。
3) 特征点是图像特征的提取, 实际应用中应充分利用图像本身的特点, 选取有效的特征点。对于背景相对清洁, 前景物体较小的情况, 适宜采用小波抽取特征点; 若背景复杂,
电脑开发与应用, 2002, (6) :729.
[2] Javad Musevi N iya, A li Aghagolzadeh . Edge Detecti on U sing D i 2
recti onal W avelet Transfor m [J ].(1) :281-284.
[3] S M S m ith, J M B rady . S US AN —A ne w app r oach t o l ow level i m 2
age p r ocessing [J ].1997, 23(1) :45-78.
[4]
管海燕. 常用图像边缘检测算子定位精度对比研究[J ].测绘
I nternati onal Journal of Computer V isi on,
I EEE ME L ECON, 2004, 12
与空间息, 2005, 12(1) :36-40.
[5] 阮秋琦. 数字图像处理[M].北京:电子工业出版社, 2001.
[作者简介]
高彩云(1983-) , 女(汉族) , 陕西人, 硕士研究
生, 研究方向为计算机视觉、图形图像处理技术。
高满屯(1962-) , 男(汉族) , 山西襄汾人, 西北
工业大学教授, 硕士生导师, 主要研究方向为图学理论、计算机视觉、计算机图形学和CAD 。
王少卫(1983-) , 男(汉族) , 陕西人, 硕士研究
生, 主要研究方向为计算机辅助技术、数字化工厂技术。
—236—