王建衛(wèi)

(東北林業(yè)大學(xué) 機(jī)電工程學(xué)院，黑龍江 哈爾濱 150040)

0 引 言

隨著計算機(jī)技術(shù)的發(fā)展，使計算機(jī)具有視覺功能進(jìn)一步得到廣泛關(guān)注和研究，視覺系統(tǒng)已經(jīng)成為計算機(jī)系統(tǒng)不可或缺的一個重要組成部分，建立通用的計算機(jī)視覺系統(tǒng)完成視覺任務(wù)一直是計算機(jī)視覺領(lǐng)域、圖像處理領(lǐng)域的重要研究內(nèi)容。一般地，視覺任務(wù)是以任務(wù)初期獲取的原始圖像的理解為目的，圍繞著圖像理解的一系列研究也納入到了計算機(jī)研究工作者的視野中。通常，圖像理解的關(guān)鍵是通過分割圖像獲得目標(biāo)和背景，邊緣檢測往往是實現(xiàn)目標(biāo)和背景分割的首選方法。在邊緣檢測中，存在著邊緣點和邊緣段同時檢出的問題，角點是邊緣段的方向?qū)傩愿淖儠r所標(biāo)注的特殊的邊緣點。角點作為灰度圖像穩(wěn)定的局部特征，包含了圖像中的重要結(jié)構(gòu)信息[1]。自從1977年Moravec算法提出以來，研究者們開始研究圖像的角點檢測理論和方法[2-4]。由于角點檢測結(jié)果在計算機(jī)視覺理論的應(yīng)用領(lǐng)域都具有重要的作用[5-7]，因此，角點檢測理論始終是計算機(jī)視覺理論、圖像處理領(lǐng)域的研究熱點之一。

由于角點檢測理論的復(fù)雜性，角點很難給出明確的定義，目前將角點描述為二維圖像亮度變化劇烈的點，或邊緣曲線的曲率局部極大值點或多條邊緣曲線的交匯點[8-10]。角點檢測算法可分為三類：基于灰度強(qiáng)度的方法、基于邊緣輪廓的方法和基于角點模型的方法[11-14]。其中第一種方法可直接在灰度圖像上進(jìn)行，角點為在像素點的周圍鄰域內(nèi)有足夠多的像素點與該點處于不同的區(qū)域。角點是圖像各向異性的局部特征[15]，圖像像素的局部灰度變化和結(jié)構(gòu)信息的有效提取和描述是基于灰度強(qiáng)度算法的關(guān)鍵，常用的檢測方法有Moravec[16]、Harris[17-18]、SUSAN[19]和FAST[20-21]等。Moravec算法在檢測出角點的同時，邊緣點也會檢測出。Harris在平滑后的灰度圖像逐一檢測像素點是否為角點，檢測過程較復(fù)雜[17]。SUSAN算子檢測出邊緣點也是不可避免的[19]。FAST算子是在SUSAN算法的基礎(chǔ)上利用機(jī)器學(xué)習(xí)方法提出的，對半徑為3的圓周上的像素點進(jìn)行判決，根據(jù)設(shè)置的閾值提取角點，關(guān)鍵在于閾值的選取[20-21]。為解決角點檢測中邊緣點和邊緣段同時檢出問題，文中提出一種基于圓環(huán)模板和角點標(biāo)志矩陣表示的角點檢測算法。

1 FAST角點檢測算法的原理

FAST角點檢測算法的原理是檢測灰度圖像的Bresenham圓模板區(qū)域中，有足夠多的像素點的灰度值大于該點的灰度值或者小于該點的灰度值，關(guān)鍵在于設(shè)定的閾值和圓形檢測模板的設(shè)計[20-21]。

FAST角點檢測算法步驟如下：

步驟1：輸入灰度圖像I，設(shè)定閾值t；

步驟2：將圖像的左上角的第一個像素點設(shè)置為候選角點p，該像素點的亮度值為I(p)；

步驟3：以p為圓心檢測如圖1所示的Bresenham圓周上的16個像素點x。若有n(n=7,8,9,12)個像素點的像素值小于I(p)+t或者有連續(xù)的n個像素I(p)-t，那么該點為角點；

圖1 Bresenham圓周上的16個像素點

步驟4：檢測圖像中p后續(xù)的所有像素點。

該算法先檢測p點周圍的1，5，9，12四個點中是否有三個點超過I(p)+t，如果有，則直接跳過該像素點；如果沒有，則繼續(xù)使用前面的算法，全部判斷16個點中是否有12個滿足條件。

由于圓周上至少有12個連續(xù)點的灰度值與中心點像素有差值變化，12個連續(xù)點必然包括圓周上的1、5、9、13這4個位置的像素中的3個，所以先檢測位置1和位置9，若它們與中心點像素的灰度差值在規(guī)定的閾值范圍內(nèi)，再檢測位置5和位置13。若上述4個像素點中至少有3個大于或小于閾值，則保留像素點p，否則選取其他的中心像素點進(jìn)行檢測[21]。圖像上的像素點經(jīng)過初步檢測后，符合條件的將成為候選角點。分析FAST算法中16個像素點與檢測點所處的位置，可知其實質(zhì)為半徑為3的圓形模板圓周上的像素點，可以考慮將圓形模板擴(kuò)展為通用模板，如圓形的半徑為1，2，4等。當(dāng)半徑為1時，檢測點的圓形模板退化為該像素的8鄰域。

文中應(yīng)用半徑為4的外圓和半徑為2的內(nèi)圓的圓環(huán)模板作為候選角點確立的模板，該模板的28個像素點如圖2所示。

圖2 28個像素點組成的圓環(huán)模板

2 基于圓環(huán)模板和角點標(biāo)志矩陣表示的角點檢測算法的設(shè)計

2.1 算法原理

文中算法的原理是先設(shè)置較小的閾值，通過簡單的篩選得到角點的與灰度圖像同型的標(biāo)志矩陣，根據(jù)角點在矩陣中所處的行列位置逐步刪除孤立的角點、邊緣段上的角點。算法的關(guān)鍵在于孤立的角點、邊緣段上的角點類型的判斷。

算法步驟為：應(yīng)用圓環(huán)模板提取候選角點；記錄角點在原圖像中的位置，建立與原圖像同型的角點標(biāo)志矩陣；將矩陣按照四叉樹結(jié)構(gòu)分解，并刪除孤立的角點；刪除邊緣段上的角點。

2.2 算法步驟

根據(jù)上述算法原理，corner_detection算法過程如下：

cor=corner_detection(I)

輸入：灰度圖像I；

輸出：角點集合cor。

步驟1：讀入灰度圖像I。

步驟2：設(shè)置閾值t，選擇模板類型(下面以圓環(huán)型模板為例設(shè)計算法)。

步驟3：以模板結(jié)構(gòu)將圖像的邊界進(jìn)行擴(kuò)充，以免將邊界上的角點漏選。文中將邊界上像素值設(shè)置為0，使對角點的選取結(jié)果無影響。

步驟4：根據(jù)模板類型和閾值提取較多的灰度圖像I的亮度變化點作為角點，建立角點集合cor。

應(yīng)用圖2的圓環(huán)模板檢測I的像素點，外圓環(huán)的像素點數(shù)為n1=20，內(nèi)圓環(huán)的像素點數(shù)為n2=8，I的候選角點集合cor元素p的響應(yīng)函數(shù)為：

當(dāng)f1(x)∈{9,10,11,12,13,14,15}且f2(x)∈{4,5,6}時，p∈cor。

步驟5：記錄角點在原圖像中的位置，并將原圖像的對應(yīng)像素值設(shè)置為1，其他像素設(shè)置為0，建立角點標(biāo)志矩陣M。

將角點標(biāo)志矩陣按照四叉樹結(jié)構(gòu)進(jìn)行分解，即分成N×N(N=2n)的子矩陣Mi，一般地N=32,64,128,256?？紤]到圖像子塊的相關(guān)性，文中以N=128為例進(jìn)行后續(xù)步驟。

在傳統(tǒng)的小學(xué)語文教學(xué)中，大多教師局限于“書本”二字，使學(xué)生的視野被限制于語文教材當(dāng)中，學(xué)生只能通過課堂教學(xué)獲取一定的信息和資源。再加上語文教材更新的周期長，許多深受學(xué)生喜愛的、緊跟時代發(fā)展的童話被排斥在語文教材之外，導(dǎo)致教材中的童話對學(xué)生逐漸喪失了吸引力。因此，為充分發(fā)揮童話的審美功能，教師應(yīng)當(dāng)適當(dāng)拓展教學(xué)內(nèi)容，通過課下進(jìn)行互聯(lián)網(wǎng)閱讀、構(gòu)建圖書角、組織閱讀課的形式，適時拓展一些課外童話讀物，增加學(xué)生的閱讀容量，進(jìn)而開闊學(xué)生的視野，充分發(fā)揮童話的審美功能，讓學(xué)生在學(xué)習(xí)過程中逐漸提高童話鑒賞能力。

下面逐一分析各角點標(biāo)志子矩陣Mi(128×128)。分析角點標(biāo)志矩陣，將孤立的1設(shè)置為0，即刪除該角點。

步驟7：分析角點標(biāo)志矩陣，通過距離計算分析將孤立的1設(shè)置為0，即刪除該角點。

設(shè)Mi(h,w)為Mi的h行w列的元素1，若該元素與該子塊中其他元素1的D4距離(行坐標(biāo)之差的絕對值和列坐標(biāo)之差的絕對值之和)的最小值大于3，則該角點為孤立角點，刪除該角點。

步驟8：刪除水平和垂直邊緣段上的連續(xù)角點。

對各個子矩陣Mi按照行的方式進(jìn)行行程編碼，保留連續(xù)1序列的第一個1，后續(xù)的置為0，結(jié)果矩陣為MRi。刪除策略為同一行的各矩陣元素為128個由0或1組成的隨機(jī)序列，保留連續(xù)的1序列中的第一個1，其他的刪除。

例：設(shè)數(shù)據(jù)data為X=[0 1 0 0 0 1 1 1 1 0 1 0]，編碼rle為兩個長度相同的行向量：

data=[0 1 0 1 0 1 0]

rle=[1 1 3 4 1 1 1]

其中，結(jié)合data，分析3的含義是3個0,4的含義是4個1，處理后的X為：

X=[0 1 0 0 0 1 0 0 0 0 1 0]

同理，得到按列的方式處理的結(jié)果子矩陣MCi。

步驟9：依次讀取MRi和MCi的元素，若同行同列的元素為1，則置M的相應(yīng)元素為1，否則為0。

步驟10：記錄矩陣M中矩陣元素為1的行號和列號，在圖像I中將該行列的像素點標(biāo)記為角點。

3 實驗結(jié)果與分析

為驗證該算法在計算機(jī)視覺系統(tǒng)中的通用性，在Windows7系統(tǒng)MATLAB 2016環(huán)境下編程實現(xiàn)上述算法，并選取了具有不同性質(zhì)目標(biāo)的、目標(biāo)數(shù)目不同的以建筑物和樹葉目標(biāo)為主的兩類圖像做了分析和比較。

例1采用以建筑物為主的scene_categories的灰度圖像image_0001.jpg作為測試圖像[12]，原圖像為256×256的灰度圖像，分別采用Moravec算法、SUSAN算法、Harris算法、FAST算法和文中算法進(jìn)行了角點檢測。

為了更好地進(jìn)行比較，該例中采用的是固定閾值。角點檢測結(jié)果如圖3所示，角點檢測數(shù)據(jù)如表1所示。

表1 image_0001.jpg角點檢測數(shù)據(jù)

由表1的數(shù)據(jù)可知，Moravec算法得到的角點數(shù)目較少，且定位不夠準(zhǔn)確；SUSAN算法在角點集中的區(qū)域有角點聚集的現(xiàn)象，算法的執(zhí)行時間也較長；Harris算法得到的角點數(shù)目較少，有漏檢現(xiàn)象，算法的執(zhí)行時間也較長；FAST算法得到的角點數(shù)目較多，有聚集的現(xiàn)象，算法的執(zhí)行時間較短；文中算法檢測出的角點具有相應(yīng)次數(shù)較低、無重復(fù)的優(yōu)點，較好地達(dá)到了精確檢測角點的目的，其中外環(huán)的參數(shù)為15，內(nèi)環(huán)的參數(shù)為6，執(zhí)行時間與Moravec算法和Harris算法接近。

例2采用對比度較低的以樹葉目標(biāo)為主、背景較復(fù)雜的灰度圖像image_leaf.jpg作為測試圖像[12]，原圖像為256×256的灰度圖像。角點檢測結(jié)果如圖4所示。

圖3 圖像image_0001.jpg的角點檢測結(jié)果

圖4 圖像image_leaf.jpg的角點檢測結(jié)果

由圖4可知，Moravec算法的角點定位不夠準(zhǔn)確；SUSAN算法在角點集中的區(qū)域有角點聚集的現(xiàn)象；Harris算法有漏檢的現(xiàn)象；FAST算法與Harris算法類似，角點數(shù)目較少，有漏檢的現(xiàn)象；文中算法適用于背景部分的角點檢測，其中外環(huán)的參數(shù)為10，內(nèi)環(huán)的參數(shù)為5，候選角點數(shù)為1 820，經(jīng)過篩選后得到的角點數(shù)為920，執(zhí)行時間與Moravec算法接近。

上述實驗結(jié)果表明，與Moravec、SUSAN、Harris與FAST等算法相比較，文中算法通過二次篩選保證了提取的角點數(shù)目，在一定程度上解決了角點數(shù)目過少或過多導(dǎo)致角點聚集的問題。

4 結(jié)束語

文中以角點檢測算法的改進(jìn)為主要研究內(nèi)容，為計算機(jī)視覺理論的圖像邊緣檢測中的角點檢測問題提供了一種較合理的解決方法，對計算機(jī)視覺系統(tǒng)的實現(xiàn)具有一定的實踐意義。

實驗證明，該算法具有執(zhí)行速度快、角點檢測準(zhǔn)確的優(yōu)點，可以檢測出較復(fù)雜的三類圖像的各種角點，而且適用面較廣、通用性較強(qiáng)，也在圖像分割研究領(lǐng)域為建立通用的計算機(jī)視覺系統(tǒng)完成視覺任務(wù)提供了新的思路。

該算法的不足之處在于參數(shù)較多，因此還需進(jìn)一步研究像素值與參數(shù)值之間的內(nèi)在關(guān)系，以實現(xiàn)更準(zhǔn)確的提取。