基于互信息技术和遗传算法的数字图像配准(1)(2)
2015-10-11 01:14
导读：(2-1) (2-2) 图1 pv插值法2.2 特征点的提取 由于角点是景物轮廓线上曲率的局部极大点，对掌握景物的轮廓特征具有决定作用。一旦找到了景物的轮廓特征点也
(2-1)
(2-2)
图1 pv插值法2.2 特征点的提取 由于角点是景物轮廓线上曲率的局部极大点，对掌握景物的轮廓特征具有决定作用。一旦找到了景物的轮廓特征点也就大致掌握了景物的形状。直观的讲，角点就是图像上所显示的物体边缘拐角所在的位置点。 Harris角点检测法[3]是一种基于图像灰度的检测方法，这类方法主要通过计算点的曲率及梯度来检测角点。该方法是由Harris和Stephen提出来的，也叫Plessey角点检测法。其基本思想与Moravec角点算子相似，但对其作了许多改进。 Moravec角点算子计算各象素沿小同方向的平均灰度变化，选取最小值作为对应象素点的角点响应函数。定义在一定范围内具有最大角点响应的象素点为角点。假设图像的灰度定义为I那么平移(x，y)所得到的灰度变化的计算公式为：
(2-3) 这里W表示图像窗口，平移(x，y)表示了四个方向：水平、垂直、对角线和反对角线，即(0，1)，(1，0)，(1，1)，(-1，1)。 Moravec角点算子简单快速，但是它存在一些缺点，Harris角点算子正是针对这些缺点做了很大的改进。 首先，Moravec角点算子是各向异性的，因为它的角点响应只计算了四个方向。故为了包含所有的方向，Harris角点算子对式(2-3)进行了展开：
(2-4) 这里一阶微分可以由下面的式子近似：
(2-5) 因此，E可以表示如下：
(2-6) 这里
(2-7) 为了避免噪声的影响，这里w采用高斯平滑窗口：
(2-8) 其次，Moravec角点算子对强边界敏感，这是因为它的响应值只考虑了E的最小值。Harris角点算子则利用了E在平移方向上的变化。 在平移方向(x，y)上的E可以表示如下
（2-9） 这里2×2的矩阵M为
(2-10) 可以看出，E和局部自相关函数联系非常紧密。设α，β为矩阵M的特征值，则α，β与局部自相关函数的主曲率成比例。当两个曲率都低时，局部自相关函数是平坦的，那么窗口图像区域的灰度值近似为常量；当只有一个曲率高而另一个曲率低时，局部自相关函数呈脊形，那么E只有当沿山脊移动时变化小，这就表示是边缘；当两个曲率都高时，局部自相关函数是尖峰，那么E在任意方向上移动都会增加，这就表示是角点。因此我们可以由α，β的值判断是否是角点。为了不对M进行分解求特征值，可以采用Tr(M)和Det(M)来代替α，β，其中
(2-11) 从而形成对矩阵M与旋转无关的描述：
(2-12) 共2页: 1 [2] 下一页 论文出处(作者):
（转载自中国科教评价网www.nseac.com ）
蜜网中基于Linux平台的蜜罐技术的研究
基于Eclipse的多传感器数据融合算法仿真系统
