图像局部信息的角点分类描述

唐雪松，黄文成

（西华大学计算机与软件工程学院，成都610093）

0 引言

数字图像处理中，图像特征匹配是计算机视觉中一个关键问题，在三维重建、目标识别、目标跟踪等应用中有这重要意义。角点作为图像中信息含量较高的特征点，在图像匹配中被广泛使用。现有角点检查算法大致可分为两类：基于图像灰度信息的角点检测算法、基于图像边缘的角点检测算法。

基于灰度信息的角点检测主要通过定义一个CRF函数判断像素点是否是角点。最著名的算法有：Moravec[1]、Harris[2]、SUSAN[3]、FAST[4]等。这 类 算 法 的CRF 函数通过图像灰度、灰度一阶导数、二阶导数来获取，对图像细节和噪声比较敏感。基于边缘轮廓的方法主要是通过分析图像边缘形状来检测角点。CSS[5]在大尺度下检测角点，并用从大到小的尺度来提高角点定位精度。该算法获得良好的角点检测效果，存在的问题在于如何选择合适的高斯尺度以及角点的阈值。在CSS 基础上，He 和Yung[6]提出了一种使用自适应曲率阈值和动态支撑区域的检测器。Mohannad 和Lu 提出了利用弦到点的距离累加算法CPDA[7]，CPDA 具有较高的可重复性和较低的定位误差，之后又提出了CP⁃DA 的快速算法[8]。但CPDA 有一个缺点是估计拐角的曲率值与角度可能不成正比。JRyu[9]在基于Harris 算法检测角点的基础上对角点进行分类，将角点划分为简单角和高级角。Shui 和Zhang[10]等人在检测角点同时，根据角点的归一化各向异性方向倒数对角点进行分类，将角点分为简单角，Y 型角和星型角。Gao[11]引入了边缘方向描述，对角点边缘方向进行二进制编码，填充了角点信息，但未包含角内信息。

现有的角点检测算法大多数都只关注角点位置，而忽略角邻域局部信息，因此，针对角点分类是势在必行的。文献[9-11]虽对角点进行分类，但分类简单，只有几种角点类型，且同类型的角点差异角大，此外，并未包含角点邻域信息。本文在此基础上进行改进，根据边缘方向对角点进行分区，从而避免了文献中同类型角差异较大的问题；在每个角的局部范围中提取信息，根据边缘方向标记获取角标记，提取每个标记角中像素点灰度，丰富角点描述，弥补文献中约束不足。

1 CSS角点检测算法

Mokhtarian 和Suomela 提取出CSS 基于曲率尺度空间的角点检测算法。该算法定义边缘轮廓上曲率极大值点为角点。算法主要步骤如下：

（1）使用Canny 算子检测图像边缘。

（2）计算不同尺度下边缘曲线的曲率。

（3）在高尺度下选取局部曲率极值点作为候选点。

（4）逐渐减小尺度，在多个低尺度上跟踪定位角点。

通常曲率极大值位于边缘轮廓的交叉处，因此，CSS 算法提取的角点位于边缘轮廓交点，具有良好的定位性，可为角点分类提供先前条件，因此，本文使用CSS 算法检测角点。

2 角点分区与角点语义描述

2.1 边缘方向计算

基于边缘的角点检测首先是获取图像边缘轮廓，Canny 边缘检测获取图像轮廓时，可用Sobel 算子与图像做卷积，产生梯度水平分量Gx和垂直分量Gy，由此可获得边缘方向。如边缘像素点p，水平分量Gx，垂直分量Gy，则p 点边缘方向为：

2.2 角度与灰度分区

为克服文献[9-11]中角点分类过于简单的问题，提取角点分区的概率。绕角点一圈是360 度，为更准确地描述角点方向，将角点一圈均分为36 份，形成36 个分区，每个分区为10 度，如图1。为保持边缘方向与分区的近似性，便于计算各个边缘角的大小，以水平方向为分区起始方向，逆时针排序。

分区后，根据角点边缘分布情况，对边缘方向进行标记，边缘位于第几个分区，边缘方向标记数为几（如图2 中，第二分区中存在一条边缘，边缘标记为2）。边缘标记不仅可以描述边缘方向，还为计算边缘角提供先前条件，以最小边缘标记数为起点，找到第二小的边缘标记数，以此边缘形成第一个标记角，角标记数为两个边缘标记数差的绝对值（如第一标记角的标记数为12-2=10）。以第二小的边缘标记数为起点寻找第二个标记角（如第二标记角的标记数为12），直到最大边缘标记数。当边缘标记最大值为起点时，确定最后标记角的标记数，此角可看成最小标记边缘与最大标记边缘逆时针形成的角的补角，因此最后标记角的标记数为[36-（最大标记边的标记数-最小标记边的标记数）]（如第四标记角的标记数5）。

图2 边缘、角点标记图

类似边缘分区，可对灰度进行分区，将256 个灰度值分为64 个分区，每个分区占4 个灰度值。为获取角内灰度，取角内包含完整的每个分区中角点邻域离角点最近的10 个像素点灰度分区数，取边缘所在分区角内侧方向角点邻域离角点最佳的5 个像素灰度分区数，所有像素灰度分区数的均值作为标记角的灰度分区数值（如图2 中，第一标记角包含2～12 分区，角内灰度由3～11 分区各自提供10 个像素灰度，第2 和第12分区内侧各自提供5 个像素灰度,其灰度分区为包含分区总和的均值）。

2.3 角点分类的语义描述

经过分区的分类，对角点有了清晰认识，即可对角点进行语义描述。

图3 角点语义描述图

角点的语义描述包含角点附近边缘信息，角度信息，角内灰度信息，360 度全方位数字化描述角点，增强了角点约束，具有高度的定位性和区分性。

3 实验结果分析

本文先使用CSS 算法提取角点，获取角点后，对角点进行筛选，排除包含弱边缘的角点，保留强边缘的角点。图4 中，图（a）为CSS 算法提取的角点图像，其他包含85 个角点，图（b）为保留的强角点其中包含44 个角点。

图（c）为两幅图在不同尺度下的强角点使用本文描述子的匹配图，其中强角点匹配完全正确，实验结果证明了本文方法的有效性与准确性。

4 结语

对角点进行分区，更好地利用了图像边缘信息，克服了文献[9-11]中同类型角有所差异却不能识别的问题。引入角点局部信息包含角点边缘信息、角自身信息、角内信息，对角点有更加全面的认识，并进行语义描述，把复杂的信息转化为简单的数字信息，强约束条件并简化了表达方式，使得同类型的角点可以准确快速地匹配。

图4 角点与匹配