基于结构张量的B-样条多尺度表示的角点检测

论文摘要

角点是图像中最不容易因噪声和光照改变,几何和尺度变换等影响而改变的局部特征,因此角点检测已成为计算机视觉和图像处理领域的关键的基础性工作,而且被广泛的应用到目标跟踪、场景分析、图像配准与匹配、机器人导航、形状表示等领域。当前如何引入新的理论和思想改进角点检测算法,并设计出具有较高鲁棒性的角点检测器已成为图像处理工作的热点问题。本文在研究各种经典角点检测算法的基础上,主要做了以下几个方面的工作:①本文采用B-样条尺度空间代替传统线性结构张量中的高斯尺度空间,其只要原因是B-样条函数的卷积特性使其在计算时仅仅与信号或图像本身的大小有关,而与B-样条函数的尺度无关。另外B-样条函数还继承了高斯函数的诸多优良特性,对高斯函数具有很好的逼近效果。②本文在B-样条多尺度空间下定义了图像轮廓在其支撑域内的线性结构张量的多尺度表示,该张量矩阵的行列式能够很好地反映图像的角点特征,然后将各个尺度下行列式的乘积定义为角点的响应函数。角点则为响应函数大于事先给定阈值的局部极大值所对应的点。通过实验证明算法对简单几何图像大多能实现角点的完全定位,而对于实物图像也具有较好的旋转和尺度不变性以及对噪声的鲁棒性。多尺度乘积思想的引入使得随着尺度的增加不同尺度下的角点响应得到保留,从而有效抑制噪声的影响,本文仿真实验证明算法具有很好的优越性。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 引言
• 1.2 角点及角点类型
• 1.3 角点检测的意义和应用
• 1.4 本文主要工作
• 2 角点检测算法研究
• 2.1 角点检测技术发展历程
• 2.2 基于图像灰度的角点检测算法
• 2.2.1 Moravec 算法
• 2.2.2 Harris 算法
• 2.2.3 SUSAN 算法
• 2.3 基于图像边缘信息的角点检测算法
• 2.3.1 CSS 算法
• 2.3.2 基于协方差矩阵的角点检测
• 2.4 角点检测算法步骤
• 2.5 优秀的角点检测器应具备的条件
• 3 图像的结构张量表示
• 3.1 张量定义
• 3.2 图像及其轮廓的结构张量
• 3.3 线性和非线性结构张量
• 4 图像轮廓结构张量 B-样条多尺度表示的角点检测
• 4.1 B-样条函数的基本概念及其特性
• 4.1.1 B-样条函数的基本概念
• 4.1.2 B-样条函数的特性
• 4.1.3 B-样条快速卷积算法
• 4.2 B-样条多尺度表示的图像轮廓结构张量
• 4.3 多尺度乘积的角点检测算法
• 5 算法性能分析和对比实验
• 5.1 角点检测结果
• 5.2 不变性测试
• 5.3 对比实验
• 6 结论与展望
• 致谢
• 参考文献
• 附录