基于双重弯曲度积的图像拐点检测.ppt

基于双重弯曲度积的图像拐点检测 1.研究意义与背景 拐点是图像的重要拓扑特征之一，通常传递了非常重要的信息，这些信息可用于图像的匹配与识别以及重构等 图像拐点具有计算量小，旋转、平移、缩放不变性等特点 因此准确、稳定地检测出图像的拐点具有重要的意义 。 拐点通常发生在图像边缘方向发生急剧改变的地方，拐点一般是指图像中物体边界曲线上的大曲率点 常用的拐点算法 根据算法处理的像素集的不同，拐点检测算法大致可分为两类： ＊一是基于边缘的拐点检测算法； ＊二是基于图像灰度变化的拐点检 测算法，如Harris，Susan算法； 今天我们主要讨论基于边缘的拐点检测算法 对基于边缘的拐点检测算法 ： 然而上述算法都有一个共同的缺点：由于计算得到的拐点处的曲率与非拐点处的曲率差别较小，因此算法的稳定性和准确性对图像中物体的形状及尺寸变化较敏感 且易受噪声干扰 因此提出了一种基于双重弯曲度积的拐点检测算法:通过将第一重弯曲度与第二重弯曲度作乘积，扩大拐点处与非拐点处的弯曲度值的差别，以解决已有算法中曲率差别小的问题，更有效地检测出真正的拐点。 2.双重弯曲度积拐点检测算法 图像中物体的边缘曲线S经轮廓提取和跟踪后可被表述为平面上一列坐标为整数的有序点集合： (2) 式(2)中xi和yi分别为像素点Pi的横坐标和纵坐标,○为“或”运算.设C1i和C2i分别表示第i个边界像素处的第一重弯曲度和第二重弯曲度 3.双重弯曲度之积 如下图示是双重弯曲度之积的示意图。在运用中我们取|Ci|>2k/3，k为上述中的邻域半径，就可以准确地检测出图像中物体的真正拐点。 4.实验结果与分析 为了比较拐点检测算法的性能，本文采用文献的评价指标从准确率，对噪声的敏感性，参数的设置等几个方面对拐点检测算法进行比较。 4.1对汉字图像的拐点检测 由于汉字的复杂性，即汉字有若干部件组成且每个部件的形状和尺寸不尽相同,且在高分辨率显示下,汉字图像的锯齿现象十分突出，使得汉字图像的拐点检测十分麻烦。然而，汉字图像的拐点对汉字的匹配与识别以及汉字的重建等具有重要的意义，下图是本文算法对汉字图像拐点检测的实验结果，从实验结果可以看出本文算法对汉字图像的拐点检测也相当有效，几乎能准确检测出汉字图像中所有的拐点，而且错检的拐点数几乎为零个。 5.结论 * * 主讲：廖文志E-Mail: mrlwz@yahoo.cn Corner Detection based on Product of Two Bending Degrees 如图1所示,曲率的计算如式(1),式中 为像素点 切向角，S是相应的弧长。 （1） 图1 曲率计算示意图 ＊Rosenfeld与Johnston提出了k余弦算法(简称为RJ算法)，即利用边界点处内角的余弦值来估算曲率。 ＊Rosenfeld与Weszka改进了RJ算法(简称为RW算法)，用各点处边界邻域中内角的平均余弦值来平滑曲率，这虽提高了拐点识别的准确性，但却极大地降低了算法的实时性。 Freeman与Davis首先利用一条连接物体边界上由s段链码构成的曲线段的两个端点的移动直线段来平滑物体边界，然后根据直线段两次移动的偏转角度来近似计算边界各点的曲率（简称为FD算法），但该算法中，参数的选择对拐点检测结果的影响非常大。 Beus和Tiu又提出了FD算法的改进算法(简称为BT算法)，与RW算法类似，BT算法是通过对用FD算法计算得到的曲率进行局部平均来改善算法的稳定性。 定义： : Pi的邻域,k为邻域半径 : Pi第一重弯曲度 : 向量Pi-kPi和Pi-kPi+k的外积 : Pi到直线Pi-kPi+k的距离 从图也可以看出边缘方向变化的越剧烈，边缘曲线越弯曲，该点处的第一重弯曲度值越大，