基于角点特征的提取算法比较研究

【中图分类号】R391【文献标识码】A【文章编号】1672-3783（2014）01-0332-01 医学图像配准是当前各个领域的研究热点，是指对不同时间、不同角度或不同影像设备获取的图像序列进行空间变换，使得多幅图像在几何上可以一一对应。图像配准的分类方法有很多种，最常用的是根据确定配准控制点（RCP）的方法不同和图像配准中利用的图像信息的不同分类，将图像配准分为：基于图像灰度的配准、基于变换域的配准以及基于特征的配准。

目前研究的比较多的是基于特征的图像配准，究其原因是这种算法具有计算量小、稳健性强、适应性广的特点。基于特征的图像配准方法，首先是对图像提取特征，然后将所提取的明显特征利用一定的匹配准则进行配准。该类方法由于先要提取特征，速度相对较慢，但与其他方法相比在精度上有较大的提高。

1 特征选择

特征是基准图像和待配准图像之间建立映射关系的基础，正确合理的选择图像特征，可以降低特征空间的复杂性和提高特征匹配算法的准确性。选取特征时必须注意，选取的特征是基准图像和待配准图像所共有的，并且要求所选取的特征应尽可能的分布均匀，尽可能多的用于图像配准。不同的图像所含的特征也是多种多样的，现在常用的基于特征的图像提取算法分为类如图1：

点特征是构成图像的最基本特征，相对于其他图像特征，点特征包含的信息量少，图像配准的速度相对较快；并且点特征的信息随位置移动变化相对明显，图像配准的精度较高；另外一个优点就是点特征较容易进行降噪处理。点特征的这些优点，决定了对它的研究和应用都比较广泛，常见的点特征有高曲率点、角点、以及多分辨率多尺度空间极值点，本文对角点点特征进行了详细研究。

2 常用角点提取算子

角点（corner），没有具体定义，普遍认为角点是指两条或更多边缘的交叉点；或者角点是一阶导数（即灰度的梯度）的局部最大值所对应的像素点。基于图像灰度的角点提取算法原理简单，易于实现。最近几年，常用的特征点提取算子有：Harris算子、SUSAN算子、Moravec算子、Forstner算子以及SIFT算子等[1]。

本文对应用最为广泛的Harris算子、SUSAN算子从原理、提取效果等方面进行比较研究。

⑴ Harris算子

Harris角点检测法也叫Plessey角点检测法，是1988年由C.Harris和J. Stephens在Moravec算子基础上提出来的。基本思想是先计算模板沿任意方向位移时的灰度变化情况，然后运用图像灰度的一阶导数来估算自相关矩阵，当某一像素点的自相关矩阵的特征值都非常大时，则认为该点为角点。Harris角点检测算法可分为以下几步完成： ①读入图像，计算图像每个像素点在x和y方向上的一阶导数，以及两者的乘积，得到矩阵M中4个元素的值。在MATLAB程序中分别通过x，y方向的梯度算子滤波来实现。 ②对第一步所得的图像进行高斯滤波，即使用高斯模板对图像进行图像卷积，得到新的矩阵M。 ③计算原始图像矩阵上对应的每个像素点的兴趣值R。 ④设定阈值T，选取局部极值点。

⑵ SUSAN算子

SUSAN算法，是由英国牛津大学的S.M.Smith，J.M.Brady首先提出来的[2]，全称是Smallest Univalue Segment Assimilating Nucleus。基本依据是：图像中同一特征局域的内部特征值一致或相近。检测角点时，通过移动圆形模板在图像上进行像素灰度匹配，如果模板内的像素灰度值与模板圆心位置的像素灰度值相比，小于给定的门限值，则认为该点与圆心点是同值的，这些同值点组成的区域称为USAN区域。平坦区域像素点的USAN面积最大，边缘点次之，角点处最小。 SUSAN算子检测算法实现步骤： ①选定圆形模板，其内圆心所对应的像素成为核，将核遍历扫描图像中的每个像元。 ②利用公式，计算相似度，得到USAN。 ③计算角点响应值。 ④利用非最大值抑制，找出角点集。

3角点提取算子提取结果比较

一个好的角点提取算子必须满足以下提取准则：适应性好--即鲁棒性较好，要求提取到的角点在几何畸变、辐射畸变以及噪声影响下具有独特性、不变性和稳定性。准确性高--提取到的角点的位置尽可能接近正确的角点位置；速度快--角点提取算子要想满足实时计算的要求，必须具有足够高的速度。对Harris，SUSAN算法从以上三个方面进行比较。适应性借鉴文献[3]提出的重复率标准。重复率定义为两幅图像中重复点的数量和检测出的总点数之比。

其中，Nrepeat是两幅图像中重复点的个数；N1，N2表示从两幅图像提取的特征点数。实验过程中通过计算机间接模拟图像各种变形，如旋转、缩放、以及噪声影响，得到的结果如表1.

以下，随着噪声增大受到的影响较小 0.5以下定位的准确性和速度对角点提取算法来说是非常重要的，本文采用一幅常用的试验图像来进行提取角点，分别用两种提取算子进行实验，结果如图2：

图2 （a）harris提取算子（耗时0.76秒）

（b）SUSAN提取算子（耗时4.06秒）

从实验结果中不难看出，在提取角点的数量相等时，两个算子的精度相似，但是速度上Harris算子比SUSAN快很多。

在实验过程中发现Harris角点检测算法也有它的不足：在对角点进行非极大值抑制时，角点提取的效果完全依赖于阈值的设定，但是阈值的设定比较盲目；Harris角点检测中采用了可调窗口的高斯平滑函数，但在实际应用中高斯窗口的大小很难控制。因此，本文用B样条函数代替高斯窗口，它既能达到去噪的目的，同时能够很好的保护边缘。还用原来的图像进行实验，结果如图3

（a）改进前Harris的提取结果（耗时0.84秒）

（b）改进后Harris的提取结果（耗时0.7秒）

从试验结果可以看出，改进后的Harris算法很好的抑制了角点聚簇现象的产生，使提取的角点更均匀的分布于整个图像。

4结语

本文对目前研究和应用比较广泛的基于角点特征的图像提取算子进行了详细的比较，选取了其中应用最为广泛的两种提取算子：Harris算子，SUSAN算子，从适应性，准确性和速度等方面用实验进行详细比较，得出结果，Harris算子在适应性和提取速度方面都比SUSAN算子优越，尤其是对常用的Harris算子进行改进后，更能满足实时匹配中对速度的要求。

参考文献

[1]常丽萍，冀小平，赵梁. 分块的基于Harris 角点检测的图像配准方法[J]. 电视技术， 2013，37（1）.

[2]唐烁，缪源. 基于Harris 角点的图像匹配算法[J]. 图形、图像与多媒体 2013，32（2）

[3]Ho Lee， Jeongjin Lee. Robust and Fast Shell Registration in PET and MR/CT Brain Images. Computers in Biology and Medicine 2009，11（39）：961-977.

[4]张春美， 龚志辉， 黄艳. 几种特征点提取算法的性能评估及改进.[J] 测绘科学技术学报， 2008，3（25）：231-234

[5]Wolfgang Wein， Shelby Brunke. Automatic CT-ultrasound Registration for Diagnostic Imaging and Image-guided Intervention. Medical Image Analysis， 2008，5（12）：577-585

[6]张小洪， 李博， 杨丹. 一种新的Harris多尺度角点检测[J]. 电子与信息学报，2007，29（7）：1735-1738

[7]张春森. 基于点特征匹配的SUSAN，Harris算子比较[J]. 西安科技大学学报， 2007，4（27）：608-611

[8]罗佳宇， 田会永.基于角点特征的自动图像配准[J].软件.2011，32（2）