数字图像处理角点检测方法研究毕业论文
图像中角点(特征点)提取与匹配算法
角点提取与匹配算法实验报告1 说明本文实验的目标是对于两幅相似的图像，通过角点检测算法，进而找出这两幅图像的共同点，从而可以把这两幅图像合并成一幅图像。
下面描述该实验的基本步骤:1.本文所采用的角点检测算法是Harris 角点检测算法，该算法的基本原理是取以目标像素点为中心的一个小窗口，计算窗口沿任何方向移动后的灰度变化，并用解析形式表达。
设以像素点(x,y)为中心的小窗口在X 方向上移动u ，y 方向上移动v ，Harris 给出了灰度变化度量的解析表达式：2,,|,|,,()(x y x y x u y v x y x y I I E w I I w uv o X Y∂∂=-=++∂∂∑∑ (1) 其中，,x y E 为窗口内的灰度变化度量；,x y w 为窗口函数，一般定义为222()/,x y x y w e σ+=；I 为图像灰度函数，略去无穷小项有：222222,,[()()2]2x y x y x y x y E w u I v I uvI I Au Cuv Bv =++=++∑（2）将,x y E 化为二次型有：,[]x yu E u v M v ⎡⎤=⎢⎥⎣⎦(3)M 为实对称矩阵：2,2x y x x y x y y I I I M w I I I •⎤⎡=⎥⎢•⎢⎥⎣⎦∑ (4)通过对角化处理得到：11,200x y E R R λλ-⎛⎫= ⎪⎝⎭(5)其中，R 为旋转因子，对角化处理后并不改变以u,v 为坐标参数的空间曲面的形状，其特征值反应了两个主轴方向的图像表面曲率。
当两个特征值均较小时，表明目标点附近区域为“平坦区域”；特征值一大一小时，表明特征点位于“边缘”上；只有当两个特征值均比较大时，沿任何方向的移动均将导致灰度的剧烈变化。
Harris 的角点响应函数(CRF)表达式由此而得到：2(,)det()(())CRF x y M k trace M =-(6)其中：det(M)表示矩阵M的行列式，trace(M)表示矩阵的迹。
基于Harris算子的灰度图像角点检测方法研究
基于Harris算子的灰度图像角点检测方法研究
赵慧
【期刊名称】《产业与科技论坛》
【年(卷),期】2015(000)020
【摘要】角点是图像中的一个重要特征，含有丰富的信息量，决定了图像中目标的形状。
角点对图像处理有足够的约束力，利用角点信息可有效地提高运算速度。
角点特征可应用于很多领域，例如运动估计、目标描述、图像匹配、目标跟踪等。
本文主要研究了数字图像的Harris角点检测算法。
Harris角点检测原理中角点与自相关函数的曲率特性有关，是计算像素点所在位置的梯度变化，若沿水平方向和垂直方向的绝对值都比较大，则这个像素点被判为角点。
【总页数】2页(P55-56)
【作者】赵慧
【作者单位】天津摩比斯汽车零部件有限公司
【正文语种】中文
【相关文献】
1.一种快速自适应的Harris角点检测方法研究 [J], 王慧勇
2.基于Harris角点检测与聚类算法的空间自旋目标干涉三维成像 [J], 梁婷;罗迎;樊昌周;张群;田泰方
3.基于K-means和Harris角点检测的麦苗识别研究 [J], 许鑫;李海洋;冯洋洋;马新明;沈帅杰;乔新昱
4.基于Harris-CPDA的角点检测算法 [J], 胡晓彤;朱博文;程晨
5.基于SIFT算法与Harris角点检测的PCB板Mark点匹配研究 [J], 李大双;徐雷;王鑫;张莉萍
因版权原因，仅展示原文概要，查看原文内容请购买。
机器视觉中角点检测算法研究
机器视觉中角点检测算法研究机器视觉中角点检测算法研究摘要：角点是图像中具有显著性质的特征点，广泛应用于图像处理、机器视觉和计算机视觉等领域。
本文对机器视觉中常用的角点检测算法进行了详细研究和分析，包括Harris角点检测算法、Shi-Tomasi角点检测算法、FAST角点检测算法以及SIFT特征点检测算法等。
通过对比各种算法的优缺点，并结合实际应用场景，本文探讨了角点检测算法在机器视觉中的应用情况和研究进展。
希望能为相关领域的研究人员提供一些参考和借鉴。
关键词：角点检测算法；机器视觉；Harris算法；Shi-Tomasi算法；FAST算法；SIFT算法一、引言随着计算机和图像处理技术的不断发展，计算机视觉和机器视觉成为了热门领域。
角点作为图像中的显著特征点，具有较好的鲁棒性和区分度，被广泛应用于图像匹配、目标跟踪、相机定位、物体识别等领域。
角点检测算法是机器视觉中重要的基础技术之一，研究角点检测算法对于进一步提高图像处理和计算机视觉系统的性能具有重要意义。
二、Harris角点检测算法Harris角点检测算法是最早应用于角点检测的算法之一，该算法通过计算图像灰度变化的局部自相关函数来判断图像中的角点位置。
该算法简单高效，对图像尺度和光照变化具有一定的鲁棒性，但对于图像旋转和尺度变化不具备不变性。
三、Shi-Tomasi角点检测算法Shi-Tomasi角点检测算法是对Harris算法的改进，通过选择特征值较小的特征点作为角点，增强了对尺度变化和旋转的不变性。
该算法在保持检测精度的同时，减少了计算量，因此在实际应用中更加常用。
四、FAST角点检测算法FAST（Features from Accelerated Segment Test）角点检测算法是一种快速的角点检测算法，通过检测局部邻域像素亮度变化特征来判断是否为角点。
该算法速度快，对于尺度、光照和旋转变化具有一定的鲁棒性。
然而，该算法对于噪声和边缘模糊的图像容易产生误判。
图像配准中角点检测算法的研究与比较
第25卷第2期2006年4月郑州航空工业管理学院学报(社会科学版)Journal of Zhengzhou I nstitute of Aer onautical I ndustry Manage ment (Social Science Editi on )Vol .25No .22006.4收稿日期:2006-02-10基金项目:湖北省教育厅科学技术研究基金资助项目(2004D004)作者简介:李玲玲(1973-),女,河南开封人,博士,研究方向为计算机视觉、图像处理和模式识别。
图像配准中角点检测算法的研究与比较李玲玲,李印清(郑州航空工业管理学院,河南 郑州 450015)摘 要:特征点的提取是基于点特征图像配准算法的一个关键步骤,在所有的特征点检测方法的研究中,以角点检测方法的研究最受关注。
文章对图像配准中角点检测算法进行了理论研究,并进行了对比实验和分析。
关键词:图像配准;角点检测;角点响应函数中图分类号:T9391.41 文献标识码:B 文章编号:1009-1750(2006)02-0190-03 基于点特征的图像配准方法对灰度变化有较强适应能力,能够处理图像间存在的较大未对准情况,且计算量小,因此,它在计算机视觉、目标识别、医学图像处理、遥感等领域的应用越来越广泛。
特征点的选择是基于点特征配准算法的一个关键步骤,特征点选择的成功与否对于下一步的匹配有着至关重要的影响。
角点是图像配准的一个很好特征,本文对图像配准中角点检测算法进行了理论研究与实验比较。
一、角点检测算法角点是指沿图像边缘曲线上的曲率局部极大值点,或者在一定条件下可以放宽为曲率大于一定阈值的点。
也就是说,角点是指图像上在两维空间内灰度和边缘方向变化剧烈的点,和周围的邻点有着明显差异。
目前,角点检测算法主要分为两大类:第一类是基于图像边缘的角点提取算法,第二类是直接基于图像灰度的角点检测算法。
基于图像边缘的角点检测算法的基本思想是:角点首先是一种边缘上的点,是一种特殊的边界点。
机器视觉中角点检测算法研究
机器视觉中角点检测算法研究机器视觉中角点检测算法研究随着科技的快速发展，机器视觉技术已经渗透到我们的生活中的各个领域。
机器视觉主要是指通过计算机对图像或视频进行处理和分析，从而实现对图像或视频的理解和认知。
在机器视觉中，角点检测是一个非常重要的技术，它可以帮助我们更好地理解图像中的特征，并进行更精确的图像处理和分析。
角点是图像中特殊的点，具有明显的方向变化。
角点检测算法的目标就是在图像中找到这些角点，以便后续的处理和分析。
角点的检测在很多应用中都起着至关重要的作用，比如在物体识别、目标追踪、图像匹配和摄像机标定等领域。
目前，角点检测算法中最常用的方法是基于灰度信息的角点检测算法。
这类算法通过对图像中的像素点进行灰度值的差异性分析，来确定角点的位置。
其中最著名的算法是哈里斯角点检测算法。
该算法通过计算图像中每个像素点的一个角点响应函数值，从而得到图像中的角点位置。
哈里斯角点检测算法的核心思想是通过计算图像中每个像素点周围区域的灰度值的变化情况，来判断该点是否为角点。
具体而言，算法通过计算每个像素点的灰度梯度和局部窗口内的灰度差异来确定角点的位置。
如果在局部窗口内存在多个方向的灰度变化，那么就判断该点为角点。
该算法对角点的检测效果非常好，但是在图像中存在噪声的情况下，效果会有所下降。
除了基于灰度信息的角点检测算法外，还有一些基于特征描述子的角点检测算法。
这类算法是基于图像中稳定的特征点来进行角点的检测。
最常用的算法是SIFT（尺度不变特征转换）算法和SURF（加速稳健特征）算法。
这些算法通过特征描述子的计算和匹配来确定图像中的角点位置。
SIFT算法通过检测不同尺度下的极值点来确定图像中的角点。
该算法先通过高斯滤波器来检测不同尺度的高斯金字塔图像，在每个尺度下计算图像的梯度和方向，然后通过极值点检测来确定角点。
SIFT算法在不同尺度下都能够进行角点的检测，具有良好的稳定性和鲁棒性。
SURF算法是一种基于SIFT算法的改进算法，它通过加速和简化SIFT算法的计算过程来实现更快速和更鲁棒的特征提取和匹配。
图像角点检测方法的研究
7.会议论文肖阳辉.张帆一种改进的红外图像角点检测算法2006
在SUSAN算法的基础上,本文提出了一种改进的角点检测算法,该算法在检测角点位置的同时,可以完成角的大小和方向的检测.实验结果表明,该算法角点检测准确,实时性好,角点特征稳定,对灰度变化不敏感,适用于部分遮挡目标的识别。
8.学位论文王玉珠图像角点检测算法研究2007
角点检测问题是图像处理领域的一个基础问题,是低层次图像处理的一个重要方法。角点是图像的重要特征,在目标识别,视觉匹配和运动估计等
领域都有重要的应用。本文基于B样条尺度空间提出了曲率乘积角点检测算法,并利用角点评价准则对该算法进行了评估。
本文根据尺度空间的曲线表示和演化理论,引入了B样条曲率尺度空间框架理论并且展示了B样条表示曲线的优良特性。为了获得更好的角点检测效果,接着提出了多尺度曲率积的思想,同时用实验验证了多尺度曲率积的有效性。因此,把该思想引入到了本文的角点检测算法中。在B样条曲率尺度空间框架下,本文提出了多尺度曲率积角点检测算法。根据在不同尺度下的轮廓曲率乘积,建立了尺度积函数。当曲率积大于某一阈值时,在不同尺度的曲率积的局部极大值点作为角点。
同时,为了验证该算法的有效性,引入了CNN和ACU评价准则角点评价准则。根据该准则,把本文算法和本文中提到的其它角点检测算法通过实验进行了比较,从实验结果可以看出,本文提出的算法具有最高的角点数量一致性和正确性。而且本文角点检测算法获得了更好的角点检测结果算法,具有更好的检测性能。实验也验证多尺度曲率积算法具有更强的鲁棒性。
Harris角点检测原理的亚像素角点检测方法,利用角点邻域内图像灰度梯度
变化与角点到邻域内任一点的矢量点乘为零的性质,采用迭代算法,获得了
基于角点特征的提取算法比较研究
基于角点特征的提取算法比较研究角点特征是计算机视觉领域常用的一种特征提取方法，用于在图像中定位角点。
角点通常表示图像中明显的边缘交汇点，具有较高的灰度变化，因此在计算机视觉应用中具有重要的作用。
本文将对几种常用的角点特征提取算法进行比较研究，包括Harris角点检测算法、Shi-Tomasi角点检测算法和FAST角点检测算法。
首先，我们介绍Harris角点检测算法。
Harris角点检测算法是经典的角点检测算法之一，它通过计算图像的局部灰度变化来确定角点位置。
该算法通过计算图像窗口内像素灰度值的方差和协方差矩阵的特征值来判断是否为角点。
Harris角点检测算法对于光照变化和噪声具有一定的鲁棒性，但对于尺度和旋转变化较为敏感。
其次，Shi-Tomasi角点检测算法是对Harris算法的改进，它通过选择特征值较小的角点来提高角点检测的稳定性。
Shi-Tomasi角点检测算法在计算特征值时采用了更加简洁的计算方式，大大减少了计算复杂度。
此外，该算法还引入了一个自适应阈值，可以根据角点的数量来自动调整阈值，提高了检测结果的鲁棒性。
最后，FAST角点检测算法是一种高效的角点检测算法，它通过对图像像素进行快速的比较来检测角点。
FAST算法通过比较一个像素与其周围像素的灰度值来确定是否为角点，并采用了一种快速的方式来确定角点的阈值。
FAST算法具有较高的检测速度和较好的鲁棒性，但对光照变化和噪声敏感。
对于这三种角点特征提取算法，我们可以从几个方面来比较它们的优劣。
首先是鲁棒性，即对图像中的光照变化、噪声等干扰的容忍程度。
从实验结果来看，Harris角点检测算法对于光照变化和噪声比较敏感，Shi-Tomasi角点检测算法在这方面有所改善，而FAST角点检测算法具有较好的鲁棒性。
其次是检测速度，即算法的执行时间。
从实验结果来看，FAST角点检测算法具有最快的速度，Harris和Shi-Tomasi算法速度较慢。
另外，算法的实现复杂度也是一个考虑因素，FAST算法实现相对简单，而Harris和Shi-Tomasi算法相对复杂。
角点检测技术研究及进展
文 章 编 号 ： ０ ３５ ５ （ ０ Ｏ ０ － ０ ０ ０ １ ０—８ ０ ２ １ ）３０４ —５
角点 检 测 技 术 研 究 及 进 展
Ｒｅ ｅ ｒ ｈ ａ ｏ ｒ ｓ ｎ Ｃｏ ｎ ｒ Ｄｅ ｅ ｔｏ ｓ ａ ｃ ｎｄ Ｐｒ ｇ ｅ ｓ ｉ ｒ ｅ ｔ ｃ ｉ ｎ
新 研 究 动 态 及 发 展方 向 。 【 键 词 １ 角点 检 测 ， 特 征 提 取 ，性 能评 价 关
中图 分 类号 ： Ｐ ９ ． 】 Ｆ ３ １ ４ 文献 标 识 码 ：Ａ
ＡＢＳ ＴＲＡＣＴ Ｃｏ ｎ ｒ ｉ ｉ ｎｉｉａ ｏ ａ ｅ ｔ ｅ ｏ ｍ ａ ｅ ． Ｃｏ ｎ ｒｄｅ ｅ ｔｏ ａ ｅ ｎ ｗ ｉｅ ｙ ｕ ｅ ｎ ｍ ａ ｍ ａ ｅ ｐ ｏｃ ｓ ｉ ａ ｋｓ ｒ ｅ ｓ ａ ｓｇ ｆｃ ｎｔｌｃ ｌｆ ａ ｕｒ ｆｉ ｇ ｓ ｒ ｅ ｔ ｃ ｉｎ ｈ ｓ ｂ ｅ ｄ ｌ ｓ ｄ ｉ ｎｙ ｉ ｇ ｒ ｅ ｓｎｇ ｔ ｓ ｉ ｌ ｄｉ ｉ ａ ｅ ｒ ｇｉｔ ａ ｉ ｎｃｕ ｎｇ ｍ ｇ ｅ ｓ ｒ ｔｏｎ． ｉ ａ ｅ ｕ ｅ ｓ ａ ｎｇ ｎｄ ｍ ｇ ｎｄ ｒ ｔｎｄｉ ａ ｐａ ｔ ｒ ｔｅ ｎ ｒ ｃ ｇｎｔｏ ｅ ｏ ｉｉｎ． Ｔ ｈ ｃ ｎ ｒ ｅ ｅ ｔｏｎ ｅ ｏｒ ｅ ｄ ｔ ｃ ｉ ｍ ｅ ｈｏ ｗｅ ｅ ｒ ｖｉｗｅ ｔ ｄｓ ｒ ｅ ｅ ｄ． ｃ ｔ ｇｏ ｉｅ ｎｄ ｃ ｍ ｐａ ｅ ｎ ｈｉ ｐ ｐ ． Ｔｈｅ ｅ ｆ ｍ ａ ｅ ｅ ａｌ ｔｏｎ ｏ ｏｒ ｅ ｅｔｃ ｉ ａ ｉ ｅ ｔｇ ｅ ａ ｅ ｒｚ ｄ ａ ｏ ｒ ｄ ｉ ｔ ｓ ａ ｅｒ ｐ ｒｏｒ ｎｃ ｖ ｕａ ｉ ｆ ｃ ｎ ｒ ｄ ｅ ｔｏｎ ｗ ｓ ｎｖ ｓ ｉａｔｄ． Ｆｉ ｌｙ ｔ ｅ ｉｔｎ ｎａ ｌ． ｈｅ ｘｓ ｉ ｇ ｐｒ ｅ ｓ １ｔ ｓ ｅ ｅ ｒ ｈ ｐ ｏ ｅ ｓ ａ ｄ ｄ ｖ ｏ ｏｂｌｍ ． ａ ｅ ｔｒ ｓ ａ ｃ ｒ ｇｒ ｓ ｎ ｅ ｅｌｐｍｅｎ ｒ ｎ ｒ ｎａ ｙ ｅｄ ｔｔ ｅ ｄｓ ｗｅ ｅ ａ ｌ ｚ ．
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数字图像角点特征检测方法研究目录引言 (3)1 研究背景与发展 (6)1.1研究背景 (6)1.2研究现状和发展概述 (6)1.3应用软件M ATLAB (7)2 角点检测概念与原理 (9)2.1角点的定义 (9)2.2角点概念及特征 (9)2.3角点检测意义 (9)2.4角点检测原理 (10)2.5角点检测技术的基本方法 (10)2.5.1 基于模板的角点检测 (10)2.5.2 基于边缘的角点检测 (11)2.5.3 基于灰度变化的角点检测 (13)3 角点算法概述 (14)3.1角点检测的标准 (14)3.2H ARRIS角点检测算子 (14)3.2.1 Harris角点检测算子流程图 (19)3.2.2 Harris角点检测算子的特点 (20)3.2.3 Harris角点检测性质 (20)3.2.4 Harris和Moravec算子角点检测实验结果 (21)3.3一种改进的H ARRIS的算法 (23)3.3.1试验结果 (24)3.4S USAN角点检测算子 (25)3.3.1 SUSAN角点检测一般步骤 (27)3.3.2 Susan角点检测算子特点 (29)3.3.3 Susan角点检测试验结果 (29)4 其他算子简介 (33)4.1小波变换算子 (33)4.2F ORSTNER算子 (33)4.3CSS角点检测算法 (35)4.4ACSS角点检测算法 (36)4.5各种角点检测算法的比较 (36)结论 (39)致谢 (41)参考文献 (42)附录1 HARRIS算法程序 (44)附录2 MORA VEC算法程序 (46)附录3 改进的HARRIS算法 (48)附录4 SUSAN算法程序 (50)本文主要研究了数字图像的角点特征检测方法，应用了Matlab软件对图像进行处理。
在计算机视觉中、机器视觉和图像处理中，特征提取都是一个重要的方向。
角点决定了图像中目标的形状，这是一个重要的特征。
此特征应用于很多领域，例如运动估计、目标描述、图像匹配、目标跟踪等，因此提取角点的意义很重要。
角点含有很大的信息量，对图像处理有足够的约束力。
这使运算量降低，有效的提高运算速度。
角点检测问题是图像处理领域的一个基础问题,是低层次图像处理的一个重要方法。
角点检测的目的是为了匹配,而匹配的效率取决于角点的数量。
通过应用MATLAB编写程序，本文编辑有Harris算法、Susan算法、Moravec算和改进的Harris算法的程序。
通过MATLAB运行得出图像提取角点的结果，分析了各种算法的优缺点。
Harris角点检测原理中角点与自相关函数的曲率特性有关。
描述了局部图像灰度的变化程度是自相关函数。
根据邻近像素灰度相似度这个概念提出改进后的算法。
Moravec角点检测算法思路简单,计算过程易于实现,判断条件少。
SUSAN角点检测算法直接利用图像灰度相似性的比较,而不需计算梯度。
关键词：角点；图像比配；检测；图像处理；Harris算子This paper mainly studied the method of digital image feature detection and processed image by the Matlab. In computer vision, machine vision and image processing, this was an important direction for feature extraction. The corner point determines the shape of the target image, which was an important characteristic.The characteristic applied to a wide variety of domain, such as motion estimation, goal description, image matching, target tracing and so on. Therefore corner points were extracted that was important meaning. The corner points had a large number of information that could provide enough constraints on image processing. This marked the computation reduction, effectively improved the computing speed. Corner detection was a question. In the field of image processing, the corner detection was bases question, and was an important method in low level image processing. Corner detection was designed to match. The matching efficiency depended on the number of corner points.By means of the use of MATLAB to wrote program. This article editing program had Harries algorithm, Susan algorithm, modified harries algorithm, Moravec algorithm. By running the MATLAB reached image to extract corner point results, and analyzed the advantages and disadvantages of various algorithms. In Harris’ corner detection principle, corner point was related to the curvature properties of the autocorrelation function. The auto correlative function described the local change of image gray degree.According to adjacent pixel gray level’s similarity, which came up with improved algorithm.Moravec’s corner detection algorithm had Simple way of thinking, and counting process was apt to come true, and had very less judging criteria. Susan’s corner detection algorithm based on comparing the image gray similarity, and didn’t need to calculate the gradient.Keywords:Angular point；Image match；Detection；Image processing；Harris operator随着时代的发展,计算机应用到各个领域。
人类正在步入信息时代，计算机将越来越广泛的进入更多的领域。
一方面是更多训练和培养专业的计算机人才来应用计算机，另一方面是计算机的功能越来强,越来越多,使用方法越来越复杂。
这就使人在计算机应用的灵活性于目前使用计算机时所要求严格的规定之间产生了矛盾。
让更多的人能够使用复杂繁琐的计算机，必须改变让人来适应计算机，来死记硬背计算机使用规则的情况。
相反是让计算机与人的习惯和要求相适应，用人所习惯的方式与人进行信息交换，就是让计算机拥有人的听觉、视觉、说话的能力。
特征提取是图像分析和配准的基础,也是物体运动跟踪的关键步骤。
图像特征是由于拍摄场景的物理特性和几何学特性使图像中部分的灰度产生明显变化而形成的。
在实际中顺利进行摄像机标定和立体视觉研究的前提和基础是图像特征的获取。
图像特征主要包括图像角点、边缘点、边界、转折点（拐点）和纹理等。
特征提取的结果影响到后面的匹配精度和标定精度[1]。
多媒体信息正在迅速成为信息交流与服务的主流，例如图像、音频和视频等。
传统的数据库检索中采用根据关键词的检索方式已不能满足人们的需求,然而基于内容的多媒体检索成为一个新的研究热点[2]。
基于内容的多媒体检索的前提是正确的识别图像、音频和视频中的内容。
图像检测角点是完成视觉处理的基本任务，也是图像处理的基本任务[3]。
角点拥有光照条件不受影响的结果和旋转不变的特点是图像的重要特征。
使用角点进行图像处理时不损坏图像的形状和图像灰度的信息，也可减少计算是参与运算的参数。
在图像匹配中，可以利用角点的特性。
这样可以提高匹配的精度和速度。
角点没有明确的数学定义。
普遍认为角点是二维图像亮度变化剧烈的点或图像边缘曲线上曲率的极大值点。
这些点在保留图像图形重要特征的同时有效地减少信息的数据量，提高信息含量，提高了计算速度。
这样有利于图像匹配的可靠度,使得实时处理成为可能[4]。
角点作为图像上的特征点，包含有重要的信息。
在图像融合和目标跟踪及三维重建中有重要的应用价值[5]。
但在实际应用的基础上，从角点检测的准确性、迅速性、鲁棒性等要求出发，可以看出对不同角点检测算法的分析各有利有弊[6]。
直接图像的角点检测基本上是全局搜索；边缘轮廓的角点检测数据量较少，可以采用多分辨分析同时进行处理，从灰度图像得到边缘轮廓曲线要经过两次以上的全局搜索，对角点的误检和漏检要比直接基于图像的方法好，但速度不是很快[7]。
首先,简单介绍有关角点检测的研究意义与它的背景。
这里主要谈了国内外学者对角点检测以及图像处理方法的一些研究成果。
整个论文主要运用Harris和SUSAN两种不同的算法,并对其同一张图像进行不同方法的角点检测，实现被检测的图像，并比较其中的不同，然后得出检测结果，再加以分析两种检测方法的优缺点。
同时在对Harris算法进行改进,观察改进的Harris的算法与原Harris算法有什么不同。
用同样的图片进行比较。
本文应用Matlab进行图像程序运行。
应用Matlab对图像进行处理已经普遍引用到各个领域。