构造了局部自适应阈值来去除圆形角点。
[0059] 经实验发现，如图6所示，相对于钝形角点和尖锐角点，圆形角点邻域内边缘点的 0'L(k)值上升比较缓慢，而钝形角点和尖锐角点邻域内的边缘点0' L(k)值上升比较迅速，从 而相对来说，圆形角点的0'L(k)值与其邻域内的0'L(k)平均值比较接近。根据这个特性，所 提算法根据角点邻域内的边缘点9'Uk)值来构造自适应阈值T k，如式(4)所示，若角点 (k)值大于它的局部自适应阈值，则该角点为圆形角点，从候选角点集合中剔除，若角点 (k)值小于它的局部自适应阈值，则为尖锐角点或钝形角点。
[0061] 其中，X为比例系数，U为左邻域的长度，。为右邻域的长度。接下来讨论一下上述 方法中存在的两个关键问题:邻域大小和比例系数的选择。
[0062] 3.1邻域大小
[0063] 关于所选邻域大小，可以选择角点左右两侧极大值点为界限，但是这样的邻域范 围太大，不管是圆形角点还是非圆形角点，邻域两侧末端的边缘点0' L(k)值都已接近于1， 若将这些边缘点考虑进去的的话会使自适应阈值整体增大，不利于区分出候选角点是否为 圆形角点。考虑到候选角点是由弦长L来计算0' L(k)值得到的，可将左右邻域长度定为弦长 L，如式(5)所示，其中，Ω (Pk)为角点Pk的邻域范围，Pk_i与Pk+i分别为角点P k左右邻域内第i 个像素点。
[0064] Ω (pk) = {pk_L, . . . ,Pk-i,Pk,Pk+i, . . ,Pk+L} (5)
[0065] 实验表明，上述邻域范围有着良好的效果，但是对于邻近角点却失效了，算法会错 误的将邻近角点剔除。在邻近角点的邻域内，由于存在着其他角点，所以其邻域Q(P k)内边 缘点的9'Uk)值并没有一直递增，导致在该邻域内的平均0'dk)值降低，使得角点0'Uk)值 大于它的局部自适应阈值，从而邻近角点被剔除。所以所提算法最终结合了弦长和邻域内 极大值点来定义了角点的邻域范围，如式(6)所示：
[0066] Ω (Pk) = {Pk-min(L,left) , . . . , Pk-1, Pk , Pk+1, . . . Pk+min(L, right) } (6)
[0067] 其中min (a, b)为取a、b中的较小值，left为到左边极大值点的长度，right为到右 边较大值点的长度，即1^1 = 111；[11(1^16；^)儿2=111；[11(1^1^8111：)。
[0068] 3.2比例系数
[0069] 由于圆形角点的定义是比较难的，所以比例系数比较难以确定。如一个圆形的物 体是没有任何角点是毋庸置疑的，但是对于一个椭圆物体来讲，若其长轴与短轴的比值b/a 较大，则在其长轴处的角点就很扁，可认为该角点为真实角点。
[0070] 实验设计了两组图像来测试角点0'L(k)值与所选邻域内的平均0'L(k)值的比值关 系。第一组为圆角图像，短轴与长轴的比值(即b/a)在区间[1，4.2]内，间隔为0.2,共17张图 像，实验结果如图7(a)所示，它们比值的取值范围为[0.96,1]。第二组图像为钝角、尖角图 像，在区间[10°，170°]内，间隔为10°，共17张图像，实验结果如图7(b)所示，它们比值的取 值范围为[0.58,0.96]。
[0071 ]由于椭圆角点在b/a值增大的过程中，在比值超过4.2时，它在离散化下的特性已 经偏向于钝形角点，所以可视为真实角点，而超过170°的角点也已经不太明显，故本文的比 例系数X取值0.96。
[0072] 4、去除虚假角点
[0073] 由于曲线是离散化的，并且存在噪声影响，所以曲线边缘点的θ\(1〇极小值点会 很多，其中大部分为虚假角点。在构造角点局部自适应阈值去除圆形角点时，虽然有些虚假 角点本身9' L(k)值就很小，并且它与邻域内的边缘点θ\〇〇值相差无几，从而使得其θ\〇〇 值小于局部自适应阈值而被剔除，但是还有一大部分虚假角点还是保留了下来。
[0074] 虚假角点的Θ ' L(k)值虽然都较小，但它们的值域还是相对比较大的，很难选择一 个固定的阈值来区分真实角点和虚假角点。所提算法为了能设定一个全局阈值来准确的去 除虚假角点，采用了'多弦'的方法，使真实角点和虚假角点能更好的被区分开，方法如下： [0075]采用长分别为10、20、30的弦，如式(7)分别得到各自的0' L(k)值：
[0077]然后如式(8)对三者进行乘积得到候选角点的特征值Φ (k):
[0079] 该特征值可以让真实角点更加区分于虚假角点，如真实角点的0'L(k)值分别为 〇.2、〇.25、〇.3，虚假角点的0\(1〇值分别为〇.8、〇.85、〇.9。取1减去0\(1〇后，真实角点的值 分别为0.8、0.75、0.7，伪角点的值分别为0.2、0.15、0.1，它们的比值分别为4倍、5倍、7倍。 在进行三者乘积后，真实角点的特征值Φ (k) = 0.42，虚假角点的特征值为Φ (k) = 0.003， 乘积后真实角点的特征值是虚假角点的140倍。
[0080] 如图8所示，这四幅图分别为对图4(a)采用弦长为10、20、30得到的[l-0'L(k)]值， 以及它们三者的乘积。从图8(a)、8(b)、8(c)中可以看出，真实角点和虚假角点并没有很好 的被区分开，所以并不能有效的设定一个全局阈值来去除虚假角点，而从8(d)中可以看出， 真实角点和虚假角点得到了很好的区分，使设定一个统一全局阈值来去除虚假角点成为了 可能。由于之前是使用较短的弦来获取候选角点时，所以邻近角点已被很好的区分并保留 下来，此时采用三根较长的弦来计算角点特征值并不会错误剔除邻近角点，因为此时邻近 角点并不用达到极大值，只要它的特征值大于全局阈值即可。
[0081]下面构造全局阈值T来剔除虚假角点，由于钝形角点是真实角点中θ\(1〇值最大 的，所以本文采用钝形角度来构造全局阈值如式(9)所示：
[0083] 其中，angle是人为设定的钝形角度，可以根据不同的需求来设定不同的角度值， 本文选择170°来计算全局阈值T。大于阈值T的角点为真实角点，小于阈值T的角点为虚假角 点，从候选角点中剔除。
[0084] 经过以上步骤即可检测出图像中的角点，如图9所示，图9为原始图像进行角点检 测的最终结果，用' □'标示的即为最终角点。
【主权项】
1.基于角度累加的自适应角点检测方法，具体包括W下步骤： (1) 采用canny算子来提取边缘，由一个小窗口高斯核来平滑曲线； (2) 采用L值为6的弦来计算边缘点的角度累加值，取极小值点为候选角点； 在步骤(2)中，首先定义了角度累加的概念:将边缘上的像素点分别标为Pi，P2，...，Pk, 扣+1，…，Pn，η为曲线上边缘点个数，对于曲线上各边缘点Pk，弦Cl从Pk-L+iPk+i位置开始，连接 弦Pk-wPk与弦PkPk+i，计算运两条弦的夹角目k,k-L+i，然后弦Cl右移一个像素到Pk-L+化+2,计算 弦Pk-wPk与弦PkPk+2的夹角目k,k-L+2,由此类推，直到弦Cl移动到Pk-化+L-1位置为止，计算所有 夹角之和，即为边缘点Pk处的角度累加值0L化）；(1) 然后取一根较短的弦Cl，L = 6,计算曲线上各像素点的0L化)值，由于0k,k-w的范围为 [〇，^]，所^0^4)的范围为[〇，化-1)^]，为了使实验数据更加直观，将角度累加值进行式 (2)变换得到0'L化），其范围为[0，1]，取极小值点并入候选角点集合；C2) (3) 构造候选角点的局部自适应角度阔值来去除圆形角点； 在步骤(3)中，通过角点邻域内的边缘点0'L化)值来构造自适应阔值化，如式(3)所示， 若候选角点的e'L化)大于自适应阔值的是圆形角点，从候选角点集合中剔除；(3) 其中，X为比例系数，取值为〇.96;Li和L2分别为左右邻域大小，Li = min(L，left)，L2 = 111；[]1化，1'；[曲1:)，1^ = 6，16的、1'1旨111:分别为点?1^1]左、右边极大值点的边缘点数； (4) 对候选角点采用L值分别为10、20、30的弦来计算候选角点的特征值，并构造全局阔 值来去除伪角点，得到最终角点集合； 在步骤(4)中，采用长分别为10、20、30的弦，如式(4)对Ξ者进行乘积得到候选角点的 特征值Φ化），然后由式巧)构造全局阔值T，angle是人为设定的纯形角度值，若候选角点的 特征值Φ化)小于全局阔值，则为虚假角点，从候选角点集合中剔除；
【专利摘要】基于角度累加的自适应角点检测方法，所提方法在获取图像边缘后，定义反映边缘点局部特征的角度累加的概念，并计算边缘点角度累加值，以此作为角点初始响应；然后构造候选角点的局部自适应阈值来去除圆形角点；接着获取角点特征值，并构造全局阈值来去除虚假角点，得到最终角点检测结果。
【IPC分类】G06K9/46, G06T7/00
【公开号】CN105574864
【申请号】CN201510932329
【发明人】金亦挺, 郑建炜, 邱虹, 王万良
【申请人】浙江工业大学
【公开日】2016年5月11日
【申请日】2015年12月14日