图像配准中特征点检测算法的探讨_纪利娥

［ 6 ］
［ 7 ］
算子检测
（2 ） （3 ）
r ≠r 0
| I（ r） －I（ r 0） | t
→
C（ r， r0 ） = e － （
）6
式中： r 为模板内除核以外的其他位置； r0 为模板核的位 置； I 为像素灰度值； t 表示所能检测角点的最小对比度， r0 ） 表示灰度比较的 其值越小， 提取的角点越多； C（ r， 结果。 （2）计算角点响应值 Ｒ ( r0 ) Ｒ （ r0 ） = （1 ） ； ω 为高斯平滑模板； I x ， Iy
J］ ． 电视技术， 2013， 37（19） ． 【本文献信息】 纪利娥， 杨风暴， 王志社， 等 . 图像配准中特征点检测算法的探讨［
图像配准中特征点检测算法的探讨
纪利娥， 杨风暴， 王志社， 陈 磊
（中北大学 信息与通信工程学院， 山西 太原 030051）
【摘 要】 特征点是图像的一种重要局部特征， 特征点检测是基于特征点图像配准的关键技术。通过特征点的提取与处理， 对 把握图像的局部及整体特征， 特别对图像配准及目标识别等领域都具有重要的实际意义。详细介绍了图像配准中主流的特征 点提取方法， 并分析其优缺点。通过实验， 利用特征点评价方法对各种算法的性能进行比较， 对图像配准的研究具有一定的指 导意义。 【关键词】 图像配准；特征点检测；特征点匹配 【中图分类号】 TN911． 73；TP391. 41 【文献标志码】 A
目标识别等技术的关键前提， 在医学、 军事及遥感等领域
。近几年， 国内外出现了许多特征点检测方法， 然而
对这些方法应用于图像配准这个环境中的实际效果如何， 提取的特征点是否有利于图像配准， 以及各种特征点检测 算法的性能如何， 都缺乏相应的分析与比较， 对特征点提 取方法也缺乏相应的评价标准。 本文主要从特征点检测与评价这两个方面出发， 详 细介绍了目前主流的特征点检测算法， 并对特征点提取算 法的评价标准作了一定的具体说明。通过实验， 比较了各 种算法的性能， 为不同应用情形下特征点提取方法的选择 提供有力的参考。
基金项目：国家自然科学基金项目（61171057）；山西省回国留学人员科研资助项目（910122）；教育部高等学校博士学科点专项科 研资助项目（ 博导类）
《电视技术》 投稿网址 http：www．VideoE．cn | 第 37 卷第 19 期（ 总第 422 期）
27
1. 1 人
［ 4 ］
基于 NSCT 的特征点检测方法 非下采样轮廓波变换（ NSCT ） 是 Cunha 和 Zhou 等 提出的一种多尺度多分辨率分析手段， 具有快速变
y） 在 x 和 y 方向上的梯度； * 表示卷积运算； 是 I（ x ， detM、 traceM 分别为矩阵 M 的行列式和迹； α 为经验常 数， 取值为 0. 04 ～ 0. 06 。 当某点的响应值 Ｒ 大于阈值 t ， 进行局部极大值抑 制， 获得最终的角点。 Harris 算法的特点是： （1）算法只用到了灰度一阶差分， 计算简单， 速度快。 （2）算法通过计算图像每个位置的响应值， 在合适的 领域内选择最优点， 提取的点特征均匀合理， 在纹理信息 丰富的区域， 角点的数量较大， 反之亦然。 （3）通过对极值点进行统一排序， 根据时间和精度要 求选取数量合理的最优角点。 （4） Harris 算子对图像平移旋转和光照变化具有不变 性， 能够稳定地检测特征点；对噪声比较敏感， 在信噪比低 特征点数量明显增加， 加大了特征匹配的难度； 的条件下， 且不具有尺度不变性和仿射不变性。 为了使 Harris 算子具有尺度不变性， 把尺度空间理论 引入到 Harris 特征点检测上。Harris－Laplace 的特征点具有尺度不变性。 Harris－Affine［7］是一种新颖的检测仿射不变特征点 的方法。在大尺度缩放变化的情况下， 具有很好的性能； 由于初始点检测和仿射区域的归一化， 计算具有一定的复 杂度。 2） Susan 算法 Susan 算法是由 S. M. Smith 等人［8］提出的， 主要用来 计算图像中的角点特征。SUSAN 角点提取法主要有以下 3 步： （1）计算核值相似区 USAN 的大小 n ( r0 ) n （ r0 ） = r） ∑ C（ r，
（4 ）
式中： g 为固定阈值， 通常 g = n max / 2； n max 为模板的大小 减 1， 其大小不仅决定了角点的个数， 也决定所检测角点 的尖锐程度。 （3）去除虚假角点， 并利用非极大值抑制确定角点：
[
I2 x Ix Iy
Ix Iy I
2 y
]
28
《电视技术》 第 37 卷第 19 期（ 总第 422 期） | 投稿网址 http：www．VideoE．cn
0
→
换、 多尺度、 多方向、 平移不变、 边缘保持、 频率不混淆以及 变换后图像大小不变的优点；在 NSCT 域中， 尺度内、 尺度 间的系数都具有一定的相关性， 噪声和细节在尺度间、 尺 度内各方向分布也具有不同的特点。 基于 NSCT 的特征点检测方法
［ 5 ］
步骤如下：
1） 对图像进行 N 级 NSCT 变换， 得到低频子带图像 及各尺度 L 个方向上的高频方向子带系数矩阵。 2） 对于高频分量， 求相邻尺度同一方向子带的差值 得到 L 个差值子带图像。 模值， 3） 对于所获得的差值子带图像， 针对图像每一个像 素点位置， 进行模极大值检测， 得到一幅 NSCT 模极大值 图像。 4） 在 NSCT 模极大值图像上利用硬阈值 Th 去除非 显著的特征点， 如 NSCT 模极大值大于阈值 Th ， 则保留这 Th = c（ δ + μ） ， c 是用户自定义参数， 些点；其中， δ和μ 是 NSCT 模极大值图像的标准方差和均值。 5） 以 4）保留下来的模极大值点为中心， 在w ×w的 最后得到的点作为所提取的特 邻域内进行非极大值抑制， 征点。 基于 利用了 NSCT 域尺度内、 尺度间系数的相关特性这一特点， 能有效地抑 增强特征点； 制噪声、 2） NSCT 具有很好的方向性， 提取的特征点多位于图 拐角处， 具有很高的精度且鲁棒性强， 很好地表 像的边缘、 征图像的显著特征； 3） NSCT 是全局变换， 由于其非下采样， 变换后的图 与小波变换相比， 计算速度慢， 对图像配准而 像大小不变， 言缺乏实时性。 1. 2 基于灰度的角点检测方法 1） Harris 算法 Harris 角点
对于那些与正确角点相关的 USAN 区域， 其重心位置远离 模板的中心位置， 利用加权法求重心， 计算核到重心的距 距离比较大， 则认为该角点是候选角点。 离， r （ r0 ） = r） ∑ rC（ r， r） ∑ C（ r，
0 0
式中： L 所在的尺度为每个特征点所在尺度。 为确保旋转不变性， 将高斯图像坐标轴旋转为特征 在每个 点的主方向。取以特征点为中心的 4 × 4 子区域， 子区域计算 8 个方向的梯度强度信息， 共有 4 × 4 × 8 = 128 维的 SIFT 特征向量。此时该向量具有尺度及旋转不 变性。再对特征向量归一化， 可去除光 照 变 化 带 来 的 影响。 SIFT 算法的特点： （1）在多尺度空间采用 DOG 算子检测关键点， 相比 运算速度大大加快； 传统的基于 LOG 算子的检测方法， （2）该算法提取的特征点较稳定， 能够在图像仿射变 换、 视角变换及噪声等条件下具有很好的匹配能力； （3）传统的 SIFT 算法维数较高， 计算量大， 速度慢； （4） SIFT 提取的特征点较多， 使匹配时搜索范围大， 增加了匹配时间和错匹配的概率。 Ke 等人 针对 SIFT 算法速度较慢的问题，
Discussion of Feature Points Extration Methods in Image Ｒegistration
JI Li'e， YANG Fengbao， WANG Zhishe， CHEN Lei
（ Information and Communication Engineering College， North University of China， Taiyuan 030051 ， China）
【Abstract】Feature point is a key local feature of image， and feature point extration is an important step of image registration based on the feature points. Through the feature point extration and processing， it has the important practical significance for grasping the local and general characteristics of especially for image registration and target recognition， and so on . This paper introduces several popular methods of feature points， and analyzes the image， the advantages and disadvantages. Experiments show that some feature point detection methods are compared by means of evaluation factors， which has certain directive significance for image recongistion. 【Key words】image registration；feature points extration；feature points matching
0 0
检测算法的思想是：使图像中的一个局