图像局部特征的提取检测技术

x 轴方向和 y 轴方向的一阶灰度梯度，为了提高抗噪能力，对
图像窗口进行高斯平滑，w 为平滑窗口。
茚 茚 ２
X 茚w XY茚w M＝
（２）
２
XY茚w Y 茚w
Ｈａｒｒｉｓ 特征点即式（１）的局部区域最大值。
Ｈａｒｒｉｓ 角点检测算法，具有计算简单、提取的角点特征均
匀合理、可以定量提取特征点以及算子稳定的特点，并且对图
理，以减少侯选点的数量。然后，对在不同层上检测出的每个 侯选点，检测其是否为尺度方向上的 Ｌａｐｌａｃｅ 算子局部极大 值。如果是，则确定该点为特征点，并将获得极大值的点所在 的尺度，作为特征尺度。
算法具有尺度不变性，可用于检测尺度不变的特征点。但 该方法计算较为复杂。通常，通过大尺度观察图像，可以得到 图像的粗糙画面；而从小尺度观察，能够检测到图像的细节特 征。由于图像可能存在噪声信号，单独在小尺度上检测出的特 征点，可能存在较高的误检；而单独在大尺度上检测出的特征 点，虽然能较好地排除噪点的干扰并检测出图像特征点的大 致位置，但却不一定准确。
３）测试连接—— —测试连接系统的测试连接线。在一般的 测试系统中，由于被测件与测试系统的间距都很远，测试线较 长，这是导致各种寄生耦合干扰的主要来源。所以在校准时， 尽量考虑这一因素的影响，将不需要的测试连接线拆除。如无 法拆除时，尽量考虑测试连接线按正确问题合理摆放，使不同 测试类型的测试连接线远离或分开，且高频测试线不能平行 排列。 ５．２ 校准源的解决
度差值小于一定的阈值时，认为该点与核具有相似的灰度，所
有满足这样条件的像素组成的区域，称为核值相似区 ＵＳＡＮ。
具体表示如下：
茚１ if I（r） － I（r０ ） ≤t
c（r，r０）＝ ０ if I（r）－I（r０ ） ＞ t
（３）
式中，c（r，r０）是模版内属于 ＵＳＡＮ 区域的像素的判别函
数，I（r０ ）是模版核的灰度值，I（r）为模版内其他任意像素的灰度
色直方图、颜色矩、灰度共生矩阵等，这些特征描述反映的是 图像的全局信息，而无法体现图像中所包含的对象或物体。局 部特征从图像的内容出发，提取出感兴趣的内容。一般来讲， 局部特征应能够有足够的描述能力和区分度，以达到描述图 像特征的目的。 １．２ 特征描述的准则
一个好的特征，应具备下列特性： （１）独特性。很少有其他不同的特征会得到一样的特征 描述。 （２）不变性。不受各种变换的影响，如仿射不变性、尺度 不变性、旋转不变性、亮度不变性等。
参考文献：
［１］ Ｈａｒｒｉｓ Ｃ ａｎｄ Ｓｔｅｐｈｅｎｓ Ｍ． Ａ ｃｏｍｂｉｎｅｄ ｃｏｒｎｅｒ ａｎｄ ｅｄｇｅ ｄｅｔｅｃｔｏｒ［Ｃ］． Ｐｒｏ－ ｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ４ｔｈ Ａｌｖｅｙ Ｖｉｓｉｏｎ Ｃｏｎｆｅｒｅｎｃｅ， Ｍａｎｃｈｅｓｔｅｒ：［ｓ．ｎ．］， １９８８．
［２］ Ｓｍｉｔｈ Ｓ． Ｍ．， Ｂｒａｄｙ Ｊ． Ｍ． ＳＵＳＡＮ－ａ ｎｅｗ ａｐｐｒｏａｃｈ ｔｏ ｌｏｗ ｌｅｖｅｌ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ［Ｊ］． Ｉｎｔ． Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ， １９９７， ２３（１）：４５－７８．
［６］ Ｍｉｋｏｌａｊｃｚｙｋ Ｋ，Ｓｃｈｍｉｄ Ｃ． Ａ ｐｅｒｆｏｒｍａｎｃｅ ｅｖａｌｕａｔｉｏｎ ｏｆ ｌｏｃａｌ ｄｅｓｃｒｉｐｔｏｒｓ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２００５， ２７ （１０）：１６１５－１６３０．
［３］ Ｍｉｋｏｌａｊｃｚｙｋ Ｋ， Ｓｃｈｍｉｄ Ｃ． Ｓｃａｌｅ ＆ Ａｆｆｉｎｅ Ｉｎｖａｒｉａｎｔ Ｉｎｔｅｒｅｓｔ Ｐｏｉｎｔ Ｄｅｔｅｃ－ ｔｏｒｓ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ， ２００４， ６０（１）：６３－８６．
［４］ Ｌｏｗｅ Ｄ．Ｄｉｓｔｉｎｃｔｉｖｅ ｉｍａｇｅ ｆｅａｔｕｒｅｓ ｆｒｏｍ ｓｃａｌｅ－ｉｎｖａｒｉａｎｔ ｋｅｙ ｐｏｉｎｔｓ ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ，２００４， ６０（２）：９１－１１０．
［５］ Ｋｅ Ｙ， Ｓｕｋｔｈａｎｋａｒ Ｒ． ＰＣＡ－ＳＩＦＴ： Ａ ｍｏｒｅ ｄｉｓｔｉｎｃｔｉｖｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｆｏｒ ｌｏｃａｌ ｉｍａｇｅ Ｄｅｓｃｒｉｐｔｏｒｓ ［Ｊ］． Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ， ２００４（， ２）：５０６－５１３．
形状上下文是不同的，但相似轮廓的对应点处趋于有相似的
形状上下文。
对于整个点集 P，分别以其 n 个点 p１，p２，…，pn 作参考点， 由各点的形状上下文形成的矩阵，就是点集 Ｐ 的形状上下文，
它描述了整个轮廓形状的特征。采样点越多，形状表达也越精
细，但计算量也会成倍加大。
形状上下文的突出特点表现在：
（１）它是相对大尺度的局部描述，随 Ｒ 取值的不同，模板
几乎可以覆盖到整个图像区域。
（２）参考点位置任意选择。
（３）对虚假点和小范围的遮挡比全局法要鲁棒得多，分类
能力较全局的方法要强。
５ 结束语
根据上述分析，针对图像的局部特征提取检测技术的研 究，当前已经提出了许多有效的方法，文中分析了各种特征提 取技术的优缺点，在不同的应用背景下，应有选择的使用不同 的局部特征。
点 p 到其他各点的向量相对位置，简化为模板上各扇区
内的点分布数． 这些点的统计分布直方图 Hp 称为点 p 的形 状上下文，其计算公式为：
Hp ＝ ＃（q≠pi ： q－pi ∈bin（k）
（５）
其中，＃ 表示计数，bin（志）表示第 k 个扇区。
采用对数距离分割，可以使形状上下文描述子对邻近的
采样点比远离点更敏感，能强化局部特征．轮廓不同点处的
４ 形状上下文描述子
形状上下文描述子的基本思想如下［７］：对于给定的一个形
状，通过边缘检测子获取轮廓边缘，对轮廓边缘采样得到一组
离散的点集 P ＝ ｛pi ｜ i ＝ １，２，…，n｝，｝，以其中任意一点 p 为参 考点，在 p 为圆心、R 为半径的局域内，按对数距离间隔建立
m 个同心圆．将此区域沿圆周方向 S 等分，形成靶状模板。
（下转第 １２４ 页）
116
Equipment Manufactring Technology No.2，2010
相连。如果没有连接，可能是检测设备外壳或屏蔽层由于电荷 积累，电压上升，引起火花放电。同时也要检查机壳或屏蔽层 的接地情况，若无连接，高频干扰电压因不能形成一个低阻通 路，所以形成干扰。
像平移、图像旋转和图像噪声，均具有较强的鲁棒性，但却无
法适应图像的尺度变化，在一定程度上局限其应用。
２．２ Ｓ Ｕ Ｓ Ａ Ｎ 角点特征
ＳＵＳＡＮ 角点算法是基于最小核值相似区的一种处理灰度
图像的局部区域角点提取算子［２］。
原理如下：用一个圆形窗口模版在图像上滑动，圆形窗口
模板中心象素点称为核。若模版内像素的灰度与模版核的灰
值，t 是灰度差阈值，表示所能检测特征点的最小对比度，即能
忽略的噪声的最大容限，图像中某一点的 ＵＳＡＮ 区域大小可
由下式表示：
n（r０ ） = ∑ c（r，r０）
（４）
r∈neibor（r０ ）
ＵＳＡＮ 区域的大小，反映了图像局部特征的强度，当模版
完全处于背景或目标中时，ＵＳＡＮ 区域最大，当模版移向目标
３ Ｓ ＩＦ Ｔ 特征
ＳＩＦＴ 特征是一种基于尺度空间的、对图像缩放、旋转甚至 仿射变换保持不变性的图像局部特征描述算子 ［４］。相对于 Ｈａｒｒｉｓ 方法而言，ＳＩＦＴ 的最大优点就解决了 Ｈａｒｒｉｓ 方法中尺度 相关的问题。 ３．１ 算法
其算法主要分成 ４ 个步骤： （１）尺度空间的生成。通过在图像二维平面空间和尺度空 间，同时寻找局部极值点以实现尺度不变性。 （２）精确定位极值点。得到候选的特征点后，利用候选特 征点其周围的数据对特征点进行精确的定位。通过拟和三维 二次函数来精确确定特征点的位置和尺度，同时去除低对比 度的关键点和不稳定的边缘响应点，以增强匹配稳定性、提高 抗噪声能力。 （３）计算特征点的主方向。为了使得到的特征点具有旋转 不变性，利用特征点邻域像素的梯度方向分布特性，为每个特 征点指定方向参数。ＳＩＦＴ 采用方向直方图来确定其主方向。 （４）特征点描述子生成。首先将坐标轴旋转为关键点的方 向，以确保旋转不变性。 接下来以关键点为中心取 ８×８ 的窗口。然后在每 ４×４ 的小块上计算 ８ 个方向的梯度方向直方图，绘制每个梯度方 向的累加值，最终形成 １２８ 维的 ＳＩＦＴ 特征向量。 ＳＩＦＴ 特征去除了尺度变化、旋转等几何变形因素的影响， 是现在较为流行的特征提取方法。 ３．２ Ｐ Ｃ Ａ －Ｓ ＩＦＴ ＰＣＡ－ＳＩＦＴ 是对 ＳＩＦＴ 的扩展 ［５］，将 ＰＣＡ 降维技术用到 ＳＩＦＴ 上。ＰＣＡ－ＳＩＦＴ 与 ＳＩＦＴ 有相同的亚像素位置，尺度和主方 向，不同的只在于第 ４ 步计算描述子的时候，它用特征点周围 的 ４１×４１ 的像斑计算它的主元，并用 ＰＣＡ－ＳＩＦＴ 将原来的 ２×３９×３９ 维的向量降成 ２０ 维，以达到更精确的表示方式。 与 ＳＩＦＴ 相比，ＰＣＡ－ＳＩＦＴ 的维数是可变的，一般为 ２０ 或 者更少，而 ＳＩＦＴ 为固定 １２８ 维，ＰＣＡ－ＳＩＦＴ 在保留不变性的同 时低维，大大减少了计算时间。 ３．３ Ｇ ＬＯ Ｈ ＧＬＯＨ 是 ＳＩＦＴ 描述子的一种延伸 ［６］，它把原来 ＳＩＦＴ 中 ４×４ 的棋盘格改成仿射状的同心圆的 １７ 个位置带来表示，计 算其中的梯度方向直方图，梯度方向量化为 １６ 个带，形成共 １６×１７＝２７２ 维矢量，然后利用 ＰＣＡ 降维降成 １２８ 维。
边缘时，ＵＳＡＮ 区域逐渐变小，当模版中心处于角点位置时，
ＵＳＡＮ 区域很小。算法根据这一特性实现检测的任务。