唐亞平+陳蘇婷

摘要：針對(duì)Harris角點(diǎn)檢測(cè)過(guò)程中存在定位粗糙、檢測(cè)精度不高以及檢測(cè)效率慢等原因，該文在Harris算法的基礎(chǔ)上，結(jié)合Harris算子和Forstner算子提出一種改進(jìn)的亞像素角點(diǎn)提取算法。該算法采用一種逐層檢測(cè)策略，首先利用Harris算法進(jìn)行角點(diǎn)粗略定位，首先對(duì)角點(diǎn)做一個(gè)初始選擇，利用圖像領(lǐng)域灰度相似度得到大部分角點(diǎn)的粗定位值，大大降低了算法的運(yùn)算量，然后通過(guò)計(jì)算自相關(guān)矩陣的兩個(gè)特征值，利用特征值和閾值比較篩選得到全部角點(diǎn)的粗定位值，避免了CRF（corner reference function角點(diǎn)響應(yīng)函數(shù)）的計(jì)算，最后利用Forstner算子對(duì)粗定位后的角點(diǎn)進(jìn)行亞像素級(jí)精確定位。實(shí)驗(yàn)證明，該算法不僅保證Harris算法的靈活性和Forstner算子的亞像素級(jí)精度，而且速度快，并且抗噪聲性能較強(qiáng)。

關(guān)鍵詞：Harris；Forstner；CRF；亞像素 效率；精度

中圖分類(lèi)號(hào)： TU198+.3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）19-4552-04

An Improved Subpixel Corner Extraction Algorithm

TANG Ya-ping， CHEN Su-ting

（Jiangsu Key Laboratory of Meteorological Observation and Information Processing， Nanjing University of Information Science &Technology， Nanjing 210044， China）

Abstract： In view of the rough positioning、inaccurate detecting and the slow efficiency in the Harris corner detection，According to this，an improved Harris algorithm is presented in this paper， on the basis of the combining with Harris algorithm and Forstner operator . The algorithm adopts a layered detection strategy， firstly using Harris algorithm for corner rough localization， considering the slow detecting， before calculating the CRF we made an initial choice to avoid large amount of multiplication， after geting the coarse position of angular point， we then calculate Forstner operator for accurate positioning. Experiments show that the algorithm not only guarantees the flexibility of Harris algorithm and the subpixel accuracy of Forstner operator ，but also improve the speed and have strong anti-noise performance. The algorithm overcomes the problem on the detection speed and precision in the Harris algorithm.

Key words： Harris； Forstner； CRF； subpixel； accuracy； detection efficiency

圖像特征點(diǎn)的提取是計(jì)算機(jī)視覺(jué)領(lǐng)域中非常重要的一步，其中，圖像角點(diǎn)是最常見(jiàn)的一類(lèi)特征之一，它具有旋轉(zhuǎn)不變性、不隨光照變化等優(yōu)點(diǎn)，因此角點(diǎn)特征被廣泛應(yīng)用于物體跟蹤、三維建模、攝影測(cè)量自動(dòng)化以及遙感圖像匹配等領(lǐng)域。

本文通過(guò)分析Harris角點(diǎn)檢測(cè)過(guò)程中的一些弊端，如在對(duì)角點(diǎn)進(jìn)行選擇定位的過(guò)程中采用了大量乘法運(yùn)算，運(yùn)算量大，大大降低了算法檢測(cè)的效率，同時(shí)Harris算法只能檢測(cè)到像素級(jí)水平的坐標(biāo)，對(duì)于精度要求高，需要準(zhǔn)確定位像素坐標(biāo)的場(chǎng)合不能夠滿(mǎn)足精度要求，該文在Harris算法基礎(chǔ)上提出了一種改進(jìn)的亞像素角點(diǎn)檢測(cè)算法，該算法通過(guò)Harris算法和Forstner算子相結(jié)合，首先用Harris算法進(jìn)行粗定位，在定位過(guò)程中對(duì)角點(diǎn)做一個(gè)初始選擇，避免了大量的乘法運(yùn)算，得到角點(diǎn)的粗定位值后，最后利用Forstner算子對(duì)角點(diǎn)進(jìn)行亞像素級(jí)的精確定位。

1 Harris角點(diǎn)檢測(cè)的原理

1988年，Chris Harris和Mike Stephens提出了Harris角點(diǎn)檢測(cè)算法，該算法突破了Moravec算子在角點(diǎn)檢測(cè)領(lǐng)域的局限性，Harris算法通過(guò)微分算子來(lái)計(jì)算像素點(diǎn)在任意方向的灰度變化，并計(jì)算出目標(biāo)像素點(diǎn)的CRF（角點(diǎn)響應(yīng)函數(shù)值），當(dāng)CRF小于某個(gè)很小的值時(shí)，則認(rèn)為檢測(cè)點(diǎn)在區(qū)域內(nèi)部，即灰度基本上無(wú)變化的區(qū)域，當(dāng)CRF大于給定的閾值時(shí)，認(rèn)為此點(diǎn)就是是角點(diǎn)，CRF小于零時(shí)，認(rèn)為此點(diǎn)屬于邊緣上某點(diǎn)。

2 改進(jìn)的Harris亞像素角點(diǎn)檢測(cè)算法

2.1 Harris算法角點(diǎn)初定位

該算法首先利用Harris算法進(jìn)行角點(diǎn)初定位，并在原算法基礎(chǔ)上加以改進(jìn)，主要是在計(jì)算CRF之前對(duì)所有像素點(diǎn)做一個(gè)初步篩選，因?yàn)檫@一部分主要都是加法運(yùn)算，不涉及乘法操作，因此效率較原算法大大提高。endprint

這里我們提出圖像區(qū)域像素相似度的概念，圖像區(qū)域像素相似度是指檢測(cè)窗口中心點(diǎn)的灰度值與其周?chē)鷑 個(gè)鄰域內(nèi)所有其他像素點(diǎn)灰度值的相似度，用它們的灰度差來(lái)描述這種相似度，如果灰度差小于某個(gè)值，則認(rèn)為該點(diǎn)與中心點(diǎn)相似，反之則與中心點(diǎn)不相似。

我們使用的是3*3的檢測(cè)模板窗口，對(duì)于中心像素點(diǎn)Image （i，j）計(jì)算其周?chē)? 個(gè)鄰域內(nèi)像素點(diǎn)的相似度。并且統(tǒng)計(jì)中心像素點(diǎn)和該范圍內(nèi)像素點(diǎn)灰度值差的絕對(duì)值（記為Δ），若該值小于我們?cè)O(shè)定的閾值，就認(rèn)為目標(biāo)像素點(diǎn)與該像素點(diǎn)相似。

[nlike（i，j）=sum（R（i+x，j+y）） ] （1）

[（-1≤x≤1，-1≤y≤1，x≠0，y≠0）]其中：[1≤Δ（i+x，j+y）≤t]

當(dāng)[Δ（i+x，j+y）>t]時(shí)[R（i+x，j+y）=0]。

從定義中可以看出：[0≤nlike≤8]?，F(xiàn)在討論 [nlike（i，j）]值的含義 。

1） nlike （i ， j） = 8，表示 8 個(gè)鄰域范圍內(nèi)都是和它相似的像素點(diǎn)排除此類(lèi)點(diǎn)作為角點(diǎn)可能性

2） nlike （i ， j） = 0，表示 8 個(gè)鄰域范圍內(nèi)都是和它不相似的像素點(diǎn)，也可以排除。

3） nlike （i ， j） = 7，分為以下兩種情況，圖 2（a） 中，角點(diǎn)可能位于中心像素點(diǎn)正上方的那個(gè)像素點(diǎn)，圖2（b） 中，角點(diǎn)可能位于中心像素點(diǎn)右上方的那個(gè)像素點(diǎn)，這種情況也應(yīng)該排除。

（a） （b）

圖2

4） nlike （i，j） =1，也有兩種情況。由上可知中心像素點(diǎn)也應(yīng)該排除作為角點(diǎn)可能性。

5） 2 ≤ nlike（i，j） ≤ 6，暫時(shí)無(wú)法判定，作為我們的角點(diǎn)候選點(diǎn)集。

對(duì)上述不能通過(guò)圖像領(lǐng)域像素相似度進(jìn)行定位的角點(diǎn)，我們通過(guò)原Harris算法計(jì)算這些角點(diǎn)的自相關(guān)矩陣的特征值，如果兩個(gè)特征值都很小，則說(shuō)明這個(gè)區(qū)域是一個(gè)平坦區(qū)域；如果兩個(gè)特征值一大一小，則是一條直線(xiàn)；如果兩個(gè)值都很大，則這個(gè)點(diǎn)就是角點(diǎn)?；蛘咄ㄟ^(guò)計(jì)算CRF來(lái)進(jìn)行判斷。

[R=C（x，y）=det（M）-ktr2（M）] （2）

其中C只與自相關(guān)矩陣的特征值M有關(guān)，若C大數(shù)值整數(shù)，則為角點(diǎn)，若C為大數(shù)值負(fù)數(shù)，則為邊緣上的點(diǎn)，若C為小數(shù)值整數(shù)，則為平坦區(qū)域中的點(diǎn)。在算法當(dāng)中，我們對(duì)CRF進(jìn)行閾值處理，判斷CRF>threshold，并提取局部最大值點(diǎn)就是我們所需要的角點(diǎn)。

2.2 角點(diǎn)的亞像素級(jí)精確定位

考慮到Harris算法角點(diǎn)檢測(cè)過(guò)程中存在定位不精確的問(wèn)題，而Forstner算子本身就擁有較高的定位精度但是卻受灰度對(duì)比度變化的影響較大，該文通過(guò)將Harris算法與Forstner算子結(jié)合起來(lái)，利用Forstner算子的定位功能對(duì)經(jīng)過(guò)Harris算法粗定位后的角點(diǎn)進(jìn)行亞像素級(jí)坐標(biāo)的精確定位。

2.2.1 最佳窗口的確定

以每一個(gè)候選角點(diǎn)為中心，取一個(gè)3*3的窗口N進(jìn)行計(jì)算窗口興趣值q和w，若興趣值大于給定閾值，并且為局部最大值，則將該窗口作為我們的最佳窗口。其中閾值由上一步Harris算法粗定位過(guò)程中根據(jù)圖像灰度確定的閾值T所決定。

1）首先計(jì)算每個(gè)粗定位角點(diǎn)（c，r）的Roberts梯度：

[gc=?g?c=gi+1，j+1-gi，jgr=?g?r=gi，j+1-gi+1，j] （3）

圖3 Roberts梯度

2） 計(jì)算3*3窗口中的灰度協(xié)方差矩陣Q

[Q=N-1=gc2gcgrgrgcgr2-1] （4）

其中：

[∑gc2=i=c-kc+k-1i=r-kr+k-1（gi+1，j+1-gi，j）2∑gr2=i=c-kc+k-1i=r-kr+k-1（gi，j+1-gi+1，j）2gcgr=i=c-kc+k-1i=r-kr+k-1（gi+1，j+1-gi，j）（gi，j+1-gi+1，j）K=INT（1/2）] （5）

3） 計(jì)算興趣值q和w

在計(jì)算興趣值之前我們首先對(duì)各個(gè)模板窗口做一個(gè)初始選擇，在以某個(gè)角點(diǎn)粗定位值為中心的窗口內(nèi)，分別在x、y方向上計(jì)算Sobel梯度算子大小，當(dāng)它們大于給定閾值時(shí)，才對(duì)所在窗口計(jì)算興趣值q和w。

[Gx=-10+1-20+2-10+1*W and Gx=+1+2+1000-1-2-1*W] （6）

Gx及Gy分別代表經(jīng)橫向及縱向邊緣檢測(cè)的圖像，W表示被選窗口，窗口內(nèi)每個(gè)像素的橫向及縱向梯度近似值為[G=Gx2+Gy2]，當(dāng)G>T時(shí)，對(duì)其計(jì)算興趣值。

接下來(lái)對(duì)粗角點(diǎn)為中心的每個(gè)模板大小窗口計(jì)算興趣值q和w，考慮到矩陣的跡作為分母，當(dāng)矩陣的跡等于0時(shí)，無(wú)法判斷結(jié)果，因此在計(jì)算矩陣跡時(shí)，加上一個(gè)常數(shù)C，避免了矩陣跡為0時(shí)無(wú)結(jié)果的情況。

[q=4Det（N）tr2（N）+Cw=1tr（Q）=Det（N）tr（N）+C] （7）

其中[Det（N）]代表矩陣N的行列式，[tr（N）]為矩陣的跡。

2.2.2 粗定位角點(diǎn)的精確定位

對(duì)Harris算法初步定位出來(lái)的角點(diǎn)進(jìn)行精確定位，首先我們假設(shè)最佳窗口內(nèi)任意粗定位角點(diǎn)（c，r）的邊緣直線(xiàn)L的方程為：

[ρ=rcosθ+csinθ] （8）

上式中，[ρ]為原點(diǎn)到直線(xiàn)L的垂直距離；[θ]為梯度角，[tanθ=gc/gr.gc，gr]為該點(diǎn)的Robert梯度。假設(shè)角點(diǎn)坐標(biāo)為[（c0，r0）]，同時(shí)設(shè)v為點(diǎn)[（c，r）]到直線(xiàn)L的距離，在[（c，r）]處我們給出誤差方程：

[ρ+ν=r0cosθ+c0sinθw（r，c）=Δg2=gr2+gc2] （9）

對(duì)上式進(jìn)行法化，可得下式：

[gr2grgcgrgcgc2.r0c0=gr2rgrgccgrgcrgc2c] （10）

求解上述方程，我們就可以得到角點(diǎn)的亞像素級(jí)坐標(biāo)[（c0，r0）]。

3 實(shí)驗(yàn)結(jié)果及分析

通過(guò)Matlab實(shí)現(xiàn)上面改進(jìn)后的算法，并與Harris原算法提取后的角點(diǎn)進(jìn)行比較，通過(guò)對(duì)多幅圖像的角點(diǎn)提取實(shí)驗(yàn)證明，該算法對(duì)角點(diǎn)目標(biāo)的提取、定位抗噪性能好，運(yùn)算量小且實(shí)現(xiàn)速度快。

3.1 改進(jìn)算法對(duì)角點(diǎn)檢測(cè)的時(shí)間運(yùn)行效率實(shí)驗(yàn)及分析

表1為改進(jìn)前原 Harris 算法和改進(jìn)后的Harris 算法對(duì)6 幅給定圖像進(jìn)行角點(diǎn)提取時(shí)，在核心算法部分（通過(guò)計(jì)算CRF確認(rèn)角點(diǎn)）所消耗的平均時(shí)間的比較。

表1 原算法與改進(jìn)算法在核心算法部分平均消耗時(shí)間的比較（單位：秒）

[圖像名＼&lena.jpg＼&stuff.jpg＼&fruits.jpg＼&baboon.jpg＼& fish.jpg＼&cat.jpg＼&改進(jìn)前 ＼&6.566712＼&6.556286＼&6.755664＼&6.681580＼&6.601732＼&6.569117＼&改進(jìn)后＼&1.170748＼&1.141037＼&1.598029＼&2.172551＼&2.195614＼&1.130464＼&]

3.2 改進(jìn)算法與原算法在圖像角點(diǎn)定位精度方面的比較

通過(guò)對(duì)南京信息工程大學(xué)的遙感圖像利用原算法和改進(jìn)算法分別進(jìn)行角點(diǎn)檢測(cè)，進(jìn)行對(duì)比。

（a）原算法 （b）改進(jìn)算法

圖4

表2 原算法和改進(jìn)算法在遙感圖像上提取的角點(diǎn)坐標(biāo)比較（單位：pixel）

[＼& Harris算法角點(diǎn)像素級(jí)坐標(biāo)＼& 改進(jìn)算法亞像素級(jí)坐標(biāo)＼&1＼&（88，110）＼&（88.1135，110.3272）＼&2＼&（71，107）＼&（71.8135，107.1112）＼&3＼&（197，65）＼&（197.7462，65.9697）＼&4＼&（328，321）＼&（328.7394，321.8376）＼&5＼&（318，235）＼&（318.9163，235.6999）＼&6＼&（212，303）＼&（212.0830，303.1214）＼&7＼&（63，96）＼&（63.3472，96.5439）＼&8＼&（316，343）＼&（316.7932，343.5493）＼&9＼&（329，333）＼&（329.3616，333.7831）＼&10＼&（190，313）＼&（190.1755，313.9654）＼&]

4 結(jié)論

本文通過(guò)改進(jìn)Harris角點(diǎn)檢測(cè)算法，并通過(guò)實(shí)驗(yàn)驗(yàn)證了改進(jìn)算法在角點(diǎn)檢測(cè)方面的優(yōu)越性，分別就提取時(shí)間和提取的準(zhǔn)確度與原算法進(jìn)行了比較。改進(jìn)算法解決了Harris算法定位不精確，運(yùn)算量大等情況，還解決了Foestner算子受閾值選擇以及圖像對(duì)比度和灰度的影響，通過(guò)實(shí)驗(yàn)驗(yàn)證，改進(jìn)算法的運(yùn)算時(shí)間約為原算法的17.83%，并且角點(diǎn)的亞像素定位誤差可達(dá)到0.1265個(gè)像素，可以有效的應(yīng)用于后期的計(jì)算機(jī)視覺(jué)和三維重建當(dāng)中。

參考文獻(xiàn)：

[1] 周龍萍.基于改進(jìn)的Harris算法檢測(cè)角點(diǎn)[J].計(jì)算機(jī)技術(shù)與發(fā)展，2013，23（2）：11-14.

[2] 房超，王小鵬，牛云鵬，王超.基于改進(jìn)Harris算法的角點(diǎn)檢測(cè)[J].計(jì)算機(jī)與數(shù)字工程，2011，39（5）：142-144.

[3] 郭海霞，解凱.基于USAN的改進(jìn)的角點(diǎn)檢測(cè)算法[J].計(jì)算機(jī)工程， 2007，22（33）：232-234. （下轉(zhuǎn)第4571頁(yè)）

（上接第4555頁(yè)）

[4] 張海燕，李元媛，儲(chǔ)晨昀.基于圖像分塊的多尺度 Harris 角點(diǎn)檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用，2011，31（ 2） ：356-357.

[5] 王崴，唐一平，任娟莉.一種改進(jìn)的Harris 角點(diǎn)提取算法[J].光學(xué)精密工程，2008，16（10）：1995-2001.

[6] Ville O， Janne H. Image registration using blur-invariant phase correlation [J].IEEE Signal Processing Letters，2007， 14（7）： 449-452.

[7] Chen Aihua，Zhu Ming，Wang Yanhua，Xue Chen.Image feature points match algorithm based on orientation angles[J].Journal of Optoelectronics-Laser，2009，20（4）.

[8] Bastanlar Y，Yardimci，Y.Corner validation based on extracted comer properties[J].Computer vision and image understanding，2008，112（3）.

[9] Song wei，Hou Jianjun.A novel zero-bit watermarking algorithm based on Logistic chaotic system and singUlar value decomposition[J]Acta Physica Sinca，2009，58（7）.

[10] Zhao Wanjin，Gong Shengrong，Liu Chunping，Shen Xiangjun.A Daptive Harris Corner Detection Algorithm[J]. Computer Engineering，2008，34 （10）：212-215.

[ρ=rcosθ+csinθ] （8）

上式中，[ρ]為原點(diǎn)到直線(xiàn)L的垂直距離；[θ]為梯度角，[tanθ=gc/gr.gc，gr]為該點(diǎn)的Robert梯度。假設(shè)角點(diǎn)坐標(biāo)為[（c0，r0）]，同時(shí)設(shè)v為點(diǎn)[（c，r）]到直線(xiàn)L的距離，在[（c，r）]處我們給出誤差方程：

[ρ+ν=r0cosθ+c0sinθw（r，c）=Δg2=gr2+gc2] （9）

對(duì)上式進(jìn)行法化，可得下式：

[gr2grgcgrgcgc2.r0c0=gr2rgrgccgrgcrgc2c] （10）

求解上述方程，我們就可以得到角點(diǎn)的亞像素級(jí)坐標(biāo)[（c0，r0）]。

3 實(shí)驗(yàn)結(jié)果及分析

通過(guò)Matlab實(shí)現(xiàn)上面改進(jìn)后的算法，并與Harris原算法提取后的角點(diǎn)進(jìn)行比較，通過(guò)對(duì)多幅圖像的角點(diǎn)提取實(shí)驗(yàn)證明，該算法對(duì)角點(diǎn)目標(biāo)的提取、定位抗噪性能好，運(yùn)算量小且實(shí)現(xiàn)速度快。

3.1 改進(jìn)算法對(duì)角點(diǎn)檢測(cè)的時(shí)間運(yùn)行效率實(shí)驗(yàn)及分析

表1為改進(jìn)前原 Harris 算法和改進(jìn)后的Harris 算法對(duì)6 幅給定圖像進(jìn)行角點(diǎn)提取時(shí)，在核心算法部分（通過(guò)計(jì)算CRF確認(rèn)角點(diǎn)）所消耗的平均時(shí)間的比較。

表1 原算法與改進(jìn)算法在核心算法部分平均消耗時(shí)間的比較（單位：秒）

[圖像名＼&lena.jpg＼&stuff.jpg＼&fruits.jpg＼&baboon.jpg＼& fish.jpg＼&cat.jpg＼&改進(jìn)前 ＼&6.566712＼&6.556286＼&6.755664＼&6.681580＼&6.601732＼&6.569117＼&改進(jìn)后＼&1.170748＼&1.141037＼&1.598029＼&2.172551＼&2.195614＼&1.130464＼&]

3.2 改進(jìn)算法與原算法在圖像角點(diǎn)定位精度方面的比較

通過(guò)對(duì)南京信息工程大學(xué)的遙感圖像利用原算法和改進(jìn)算法分別進(jìn)行角點(diǎn)檢測(cè)，進(jìn)行對(duì)比。

（a）原算法 （b）改進(jìn)算法

圖4

表2 原算法和改進(jìn)算法在遙感圖像上提取的角點(diǎn)坐標(biāo)比較（單位：pixel）

[＼& Harris算法角點(diǎn)像素級(jí)坐標(biāo)＼& 改進(jìn)算法亞像素級(jí)坐標(biāo)＼&1＼&（88，110）＼&（88.1135，110.3272）＼&2＼&（71，107）＼&（71.8135，107.1112）＼&3＼&（197，65）＼&（197.7462，65.9697）＼&4＼&（328，321）＼&（328.7394，321.8376）＼&5＼&（318，235）＼&（318.9163，235.6999）＼&6＼&（212，303）＼&（212.0830，303.1214）＼&7＼&（63，96）＼&（63.3472，96.5439）＼&8＼&（316，343）＼&（316.7932，343.5493）＼&9＼&（329，333）＼&（329.3616，333.7831）＼&10＼&（190，313）＼&（190.1755，313.9654）＼&]

4 結(jié)論

本文通過(guò)改進(jìn)Harris角點(diǎn)檢測(cè)算法，并通過(guò)實(shí)驗(yàn)驗(yàn)證了改進(jìn)算法在角點(diǎn)檢測(cè)方面的優(yōu)越性，分別就提取時(shí)間和提取的準(zhǔn)確度與原算法進(jìn)行了比較。改進(jìn)算法解決了Harris算法定位不精確，運(yùn)算量大等情況，還解決了Foestner算子受閾值選擇以及圖像對(duì)比度和灰度的影響，通過(guò)實(shí)驗(yàn)驗(yàn)證，改進(jìn)算法的運(yùn)算時(shí)間約為原算法的17.83%，并且角點(diǎn)的亞像素定位誤差可達(dá)到0.1265個(gè)像素，可以有效的應(yīng)用于后期的計(jì)算機(jī)視覺(jué)和三維重建當(dāng)中。

參考文獻(xiàn)：

[1] 周龍萍.基于改進(jìn)的Harris算法檢測(cè)角點(diǎn)[J].計(jì)算機(jī)技術(shù)與發(fā)展，2013，23（2）：11-14.

[2] 房超，王小鵬，牛云鵬，王超.基于改進(jìn)Harris算法的角點(diǎn)檢測(cè)[J].計(jì)算機(jī)與數(shù)字工程，2011，39（5）：142-144.

[3] 郭海霞，解凱.基于USAN的改進(jìn)的角點(diǎn)檢測(cè)算法[J].計(jì)算機(jī)工程， 2007，22（33）：232-234. （下轉(zhuǎn)第4571頁(yè)）

（上接第4555頁(yè)）

[4] 張海燕，李元媛，儲(chǔ)晨昀.基于圖像分塊的多尺度 Harris 角點(diǎn)檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用，2011，31（ 2） ：356-357.

[5] 王崴，唐一平，任娟莉.一種改進(jìn)的Harris 角點(diǎn)提取算法[J].光學(xué)精密工程，2008，16（10）：1995-2001.

[6] Ville O， Janne H. Image registration using blur-invariant phase correlation [J].IEEE Signal Processing Letters，2007， 14（7）： 449-452.

[7] Chen Aihua，Zhu Ming，Wang Yanhua，Xue Chen.Image feature points match algorithm based on orientation angles[J].Journal of Optoelectronics-Laser，2009，20（4）.

[8] Bastanlar Y，Yardimci，Y.Corner validation based on extracted comer properties[J].Computer vision and image understanding，2008，112（3）.

[9] Song wei，Hou Jianjun.A novel zero-bit watermarking algorithm based on Logistic chaotic system and singUlar value decomposition[J]Acta Physica Sinca，2009，58（7）.

[10] Zhao Wanjin，Gong Shengrong，Liu Chunping，Shen Xiangjun.A Daptive Harris Corner Detection Algorithm[J]. Computer Engineering，2008，34 （10）：212-215.

[ρ=rcosθ+csinθ] （8）

上式中，[ρ]為原點(diǎn)到直線(xiàn)L的垂直距離；[θ]為梯度角，[tanθ=gc/gr.gc，gr]為該點(diǎn)的Robert梯度。假設(shè)角點(diǎn)坐標(biāo)為[（c0，r0）]，同時(shí)設(shè)v為點(diǎn)[（c，r）]到直線(xiàn)L的距離，在[（c，r）]處我們給出誤差方程：

[ρ+ν=r0cosθ+c0sinθw（r，c）=Δg2=gr2+gc2] （9）

對(duì)上式進(jìn)行法化，可得下式：

[gr2grgcgrgcgc2.r0c0=gr2rgrgccgrgcrgc2c] （10）

求解上述方程，我們就可以得到角點(diǎn)的亞像素級(jí)坐標(biāo)[（c0，r0）]。

3 實(shí)驗(yàn)結(jié)果及分析

通過(guò)Matlab實(shí)現(xiàn)上面改進(jìn)后的算法，并與Harris原算法提取后的角點(diǎn)進(jìn)行比較，通過(guò)對(duì)多幅圖像的角點(diǎn)提取實(shí)驗(yàn)證明，該算法對(duì)角點(diǎn)目標(biāo)的提取、定位抗噪性能好，運(yùn)算量小且實(shí)現(xiàn)速度快。

3.1 改進(jìn)算法對(duì)角點(diǎn)檢測(cè)的時(shí)間運(yùn)行效率實(shí)驗(yàn)及分析

表1為改進(jìn)前原 Harris 算法和改進(jìn)后的Harris 算法對(duì)6 幅給定圖像進(jìn)行角點(diǎn)提取時(shí)，在核心算法部分（通過(guò)計(jì)算CRF確認(rèn)角點(diǎn)）所消耗的平均時(shí)間的比較。

表1 原算法與改進(jìn)算法在核心算法部分平均消耗時(shí)間的比較（單位：秒）

[圖像名＼&lena.jpg＼&stuff.jpg＼&fruits.jpg＼&baboon.jpg＼& fish.jpg＼&cat.jpg＼&改進(jìn)前 ＼&6.566712＼&6.556286＼&6.755664＼&6.681580＼&6.601732＼&6.569117＼&改進(jìn)后＼&1.170748＼&1.141037＼&1.598029＼&2.172551＼&2.195614＼&1.130464＼&]

3.2 改進(jìn)算法與原算法在圖像角點(diǎn)定位精度方面的比較

通過(guò)對(duì)南京信息工程大學(xué)的遙感圖像利用原算法和改進(jìn)算法分別進(jìn)行角點(diǎn)檢測(cè)，進(jìn)行對(duì)比。

（a）原算法 （b）改進(jìn)算法

圖4

表2 原算法和改進(jìn)算法在遙感圖像上提取的角點(diǎn)坐標(biāo)比較（單位：pixel）

[＼& Harris算法角點(diǎn)像素級(jí)坐標(biāo)＼& 改進(jìn)算法亞像素級(jí)坐標(biāo)＼&1＼&（88，110）＼&（88.1135，110.3272）＼&2＼&（71，107）＼&（71.8135，107.1112）＼&3＼&（197，65）＼&（197.7462，65.9697）＼&4＼&（328，321）＼&（328.7394，321.8376）＼&5＼&（318，235）＼&（318.9163，235.6999）＼&6＼&（212，303）＼&（212.0830，303.1214）＼&7＼&（63，96）＼&（63.3472，96.5439）＼&8＼&（316，343）＼&（316.7932，343.5493）＼&9＼&（329，333）＼&（329.3616，333.7831）＼&10＼&（190，313）＼&（190.1755，313.9654）＼&]

4 結(jié)論

本文通過(guò)改進(jìn)Harris角點(diǎn)檢測(cè)算法，并通過(guò)實(shí)驗(yàn)驗(yàn)證了改進(jìn)算法在角點(diǎn)檢測(cè)方面的優(yōu)越性，分別就提取時(shí)間和提取的準(zhǔn)確度與原算法進(jìn)行了比較。改進(jìn)算法解決了Harris算法定位不精確，運(yùn)算量大等情況，還解決了Foestner算子受閾值選擇以及圖像對(duì)比度和灰度的影響，通過(guò)實(shí)驗(yàn)驗(yàn)證，改進(jìn)算法的運(yùn)算時(shí)間約為原算法的17.83%，并且角點(diǎn)的亞像素定位誤差可達(dá)到0.1265個(gè)像素，可以有效的應(yīng)用于后期的計(jì)算機(jī)視覺(jué)和三維重建當(dāng)中。

參考文獻(xiàn)：

[1] 周龍萍.基于改進(jìn)的Harris算法檢測(cè)角點(diǎn)[J].計(jì)算機(jī)技術(shù)與發(fā)展，2013，23（2）：11-14.

[2] 房超，王小鵬，牛云鵬，王超.基于改進(jìn)Harris算法的角點(diǎn)檢測(cè)[J].計(jì)算機(jī)與數(shù)字工程，2011，39（5）：142-144.

[3] 郭海霞，解凱.基于USAN的改進(jìn)的角點(diǎn)檢測(cè)算法[J].計(jì)算機(jī)工程， 2007，22（33）：232-234. （下轉(zhuǎn)第4571頁(yè)）

（上接第4555頁(yè)）

[4] 張海燕，李元媛，儲(chǔ)晨昀.基于圖像分塊的多尺度 Harris 角點(diǎn)檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用，2011，31（ 2） ：356-357.

[5] 王崴，唐一平，任娟莉.一種改進(jìn)的Harris 角點(diǎn)提取算法[J].光學(xué)精密工程，2008，16（10）：1995-2001.

[6] Ville O， Janne H. Image registration using blur-invariant phase correlation [J].IEEE Signal Processing Letters，2007， 14（7）： 449-452.

[7] Chen Aihua，Zhu Ming，Wang Yanhua，Xue Chen.Image feature points match algorithm based on orientation angles[J].Journal of Optoelectronics-Laser，2009，20（4）.

[8] Bastanlar Y，Yardimci，Y.Corner validation based on extracted comer properties[J].Computer vision and image understanding，2008，112（3）.

[9] Song wei，Hou Jianjun.A novel zero-bit watermarking algorithm based on Logistic chaotic system and singUlar value decomposition[J]Acta Physica Sinca，2009，58（7）.

[10] Zhao Wanjin，Gong Shengrong，Liu Chunping，Shen Xiangjun.A Daptive Harris Corner Detection Algorithm[J]. Computer Engineering，2008，34 （10）：212-215.