编辑: lqwzrs 2017-09-07

1 I( r ) - I( r0 )! t

0 其它 ( 1) 其中 r0 模板的核子, r 是模板内除核之外的任意一个点的位 置, I( r )为r的灰度值, I( r0 )为核心的灰度值, t 为控制生成特 征点数目的一个灰度阈值, c ( r, r0 )是判断 r 是否属于 SUSAN 区域的判别函数.为了使式 ( 1)更稳定, 可采用相似比较函数: c( r, r0 ) = e - I( r ) - I( r 0) t

6 ( 2) 则模板内的所有点与核子灰度比较的和为: n( r0 ) = ? r c( r, r0 ) ( 3) ( 2) 设置一个阈值与 n ( r0 )进行比较, 得到图像的边缘 响应: R ( r0 ) = g - n ( r0 ) n ( r0 ) <

g

0 其它 ( 4) 即SUSAN区域越小, 初始特征点响应越大, 这样对图像中 的特征点信息进行 了增强.其中阈值 g 为经验值, 本文 中取15.

2 .

2 特征点匹配 SUSAN 算法的优点在于特征点检测时计算复杂性低, 不需 插值而且不依赖于前期图像分割的结果, 直接对像素的邻域灰 度值比较即可检测出特征点, 且对噪声不敏感, 因此速度比 H arris算法及 SIFT 算法更快, 在图像处理中得到广泛的应用, 但是 SUSAN方法只能提供特征点的位置, 没有给出各特征点对 应的角度和方向, 建立特征点间的联系, 这给后续的图像匹配应 用带来很大的不便. 基于以上理由, 本文借鉴 SIFT 算法中的匹配方法, 提出利 用由 SUSAN算法提取出的特征点邻域像素的梯度方向分布特 性差别来进行特征点的匹配.经实验证明, 匹配准确性比信息 熵方法要提高很多, 其具体步骤如下: ( 1) 以每一个特征点为中心, 形成一个

7 #

7 的信息框, 计 算框内每个点的梯度幅值: m( x, y) = (L ( x + 1, y ) - L (x, y + 1) )

2 + ( L ( x, y + 1) - L ( x, y -

1 ) )

2 ( 5) 即每个特征点有

7 # 7=

49 个描述信息.将要匹配的源图 像及目标图像的两个特征点集内的点都进行描述信息的计算. ( 2) 当两幅图像的特征点的描述信息计算好后, 利用特征 点描述信息间的欧式距离来作为两幅图像中特征点的相似性判 定度量.取图像 1中的某个特征点为参照点, 并找出其与图像 2中欧式距离最近的前两个特征点, 在这两个关键点中, 如果最 近的距离除以次近的距离少于某个比例阈值, 则接受这一对匹 配点.降低这个比例阈值, 匹配点数目会减少, 但更加稳定.

2 .

3 引入聚类理论 由于公路路况比较复杂, 当路面破损不严重时, 只存在一条 横裂或纵裂, 这样, 图像灰度变化不明显, 特征点提取就相对困 难, SUSAN算法有效地解决了这一问题, 在仅有少量物体的情 况下, 依然能提取出大量的特征点, 有利于后续的匹配;

当路面 破损不严重时, SUSAN提取的特征点数就会相对过多 (红色点 为提取出的特征点 ).而每一特征点都要计算

49 维的梯度幅 值, 计算量大, 会消耗大量的时间 ( 占总程序的 35% ~ 40% 左右), 影响总体运行效率. 针对公路图像的这一特点, 本文提出一种新的改进方法, 即在SUSAN 算法提取特征点成功后, 引入模糊聚类[ 6] 的思想.设 定一阈值, 当检测出特征点少于此阈值时, 按原算法执行;

当检 测出特征点多于此阈值时, 将两幅图像的特征点进行 FCM 聚类.将具有最大相似性的一对聚类当作特征点集, 然后再进行

126 计算机应用与软件 2011年 特征点邻域梯度幅值的计算, 最后进行匹配, 这样, 可以减少大 量计算量, 提高速率. FCM 聚类算法是一种基于划分的聚类算法, 是C均值算法 的改进, C均值算法对于数据的划分是硬性的, 而FCM 则是一 种柔性的模糊划分, 它的思想就是将 n 个向量 xi ( i=

下载(注:源文件不在本站服务器,都将跳转到源网站下载)
备用下载
发帖评论
相关话题
发布一个新话题