下载文档原格式
moravec角点特点Moravec角点特点文档引言Moravec角点是计算机视觉和数字图像处理中广泛使用的一种特征点检测算子。
由于它的简单和高效，使得它被广泛运用于图像处理领域。
在本文中，我们将会详细介绍Moravec角点的特点，包括计算过程、角点定义、特征提取等等方面。
本文旨在帮助读者更好地理解Moravec角点算法，为在实际应用中的正确使用提供依据。
计算过程Moravec角点算法首先将原始图像进行平滑处理，减少噪声的影响。
之后，对于每一个像素点，在其周围的邻域内进行窗口滑动，计算每个方向的灰度变化量，然后将这些变化量的平方求和得到误差值。
最后，通过比较周围八个像素点和当前像素点的误差值，判断当前像素点是否为角点。
简单的说，Moravec角点算法的计算过程就是通过窗口滑动计算不同方向上的灰度差值，对其求和，从而对图像特征进行描述与衡量。
角点定义所谓角点，是指在图像中具有明显、显著的线条的交叉点或拐角点等。
这种点的特征表现为在其周围的邻域内，在各个方向上都有显著的灰度变化。
Moravec角点算法就是利用这种灰度变化的特性来寻找角点的。
该算法中，会比较计算得出的当前像素点与周围八个像素点之间的误差值，如果当前像素点的误差值比周围的八个像素点都要大，则表示该点可能是角点。
特征提取Moravec角点算法的目的是通过检测图像中的角点来提取图像的特征。
一个好的特征点检测算法，需要满足对不同图像的适用性强、稳定性强、计算速度快等特点。
而Moravec角点算法也确实满足了这些需求。
其主要特点可归纳为：1.适用性广：Moravec角点算法适用于不同尺度和分辨率的图像，而且对旋转和缩放具有一定的旋转不变性和尺度不变性。
2.稳定性强：由于该算法是通过计算周围邻域内的灰度变化值来判断点的特性，而这种灰度变化是很稳定的，所以算法的稳定性也相应得到了保证。
3.计算速度快：该算法主要是一种基于灰度变化检测的角点检测算法，计算量小、速度快，因此在不同场合下都能得到良好的应用效果。
辽宁工程技术大学模拟实践教学单位测绘学院专业测绘工程名称点特征提取模拟实践班级测绘13-3组长秦小茜组员柳少冬倪贺星刘建琪指导教师徐辛超一、目的理解影像中每个像素灰度值的概念；理解点特征在灰度方面的特点；掌握常用的点特征提取算子，及其对应的点特征提取方法，包括：Moravec 算子、Forstner 算子。
二、要求运用VC++、C#、MATLAB 其中一种自己擅长的语言，实现两种点特征提取算法。
三、方法与步骤(一) Moravec 算子提取过程a. 读取灰度影像，得到影像的灰度矩阵；b. 计算各像元的兴趣值 IV ：121,1,122,1,1123,,1124,1,1()()()()k c i r c i r i kk c i r i c i r i i kk c r i c r i i kk c i r i c i r i i k V g g V g g V g g V g g -+++=--++++++=--+++=--+-++--=-⎫=-⎪⎪⎪=-⎪⎬⎪=-⎪⎪=-⎪⎭∑∑∑∑,1234min{,,,}c r IV V V V V =c. 给定一经验阈值，将兴趣值(,c r IV )大于阈值的点作为候选点；d. 选取候选点中的极值点作为特征点；e. 将特征点在原始图像上进行标记、展示。
(二) Forstner 算子提取过程a. 计算各像素的Robert ’s 梯度 ；1,1,,11,u i j i j v i j i j g g g g u g g g g v ++++∂⎫==-⎪∂⎬∂⎪==-∂⎭ b. 计算l ⨯l （如5⨯5或更大）窗口中灰度的协方差矩阵 ；1212u u v v uv g g g Q N g g g --⎡⎤==⎢⎥⎣⎦∑∑∑∑其中：11221,1,1122,11,111,1,,11,()()()()c k r k ui j i j i c k j r k c k r k vi j i j i c k j r kc k r k u v i j i j i j i j i c k j r kg g g g g g g g g g g g +-+-++=-=-+-+-++=-=-+-+-++++=-=-∑=-∑=-∑=--∑∑∑∑∑∑c. 计算兴趣值q 与w ；1Det tr tr N w Q N == 24()DetNq trN =式中：DetN 代表矩阵N 之行列式，trN 代表矩阵N 之迹。
Image & Multimedia Technology •图像与多媒体技术Electronic Technology & Software Engineering 电子技术与软件工程• 69【关键词】图像采集 深度学习 特征提取 Moravec 算子高噪声图像去噪时，基于深度卷积神经网络，先求加噪图像的卷积，进行批量标准化后图像重构并输出残差图像，计算函数损失值，最后反向更新和迭代，得到理想去噪模型。
图像特征提取中，根据Moravec 算子，以上下左右及45°角方向上像素点灰度变化的最小方差点为核心，按图像设定阈值作为判断依据。
读取当前像素颜色，由计算灰度值，并计算4个方向灰度差平方和的极值，求取特征点。
1 计算机图像处理的背景及应用在图像处理过程中，首先进行图像转化，识别特征点等图像数据信息存储到计算机中；然后使用各种图像处理算法处理存储到计算机中的图像；最后进行图像识别，得到图像中的有用信息，分析处理技术的好坏直接影响成像质量。
计算机图像处理技术应用十分广泛，准确度高、再现性好，必将在众多领域发挥更加重要的作用。
2 图像采集系统设计较大型图像采集系统以基于PC 机的图像视频采集卡为主；较小型的则以ARM 、DSP 等嵌入式平台为主。
本文选取SoC 系统芯片，由图像传感器SONY IMX323、相机捕捉控制器、ARM9 I2C 控制器、神经网络加速器以及控制器工作记忆内存组成。
系统供电后，先利用I2C 模块使用标准 SCCB （Serial Camera Control Bus ）协议对图像传感器寄存器进行配置，设置工作方式；然后打开相机捕捉控制器，图像采集及处理的模块算法设计文/周利斌 刘茹 陈虎 熊光磊 滕雅欣采集图像数据信号；最后通过异步FIFO 进行数据缓冲，使两侧数据传输同步，图像数据便以帧为单位存入工作记忆内存。
3 高噪声图像去噪算法设计图像采集设备质量、数据传输环境等都会影响成像质量。
点特征提取算法研究作者：周时伦来源：《科学与财富》2013年第07期摘要：点特征提取是图像匹配与图像理解的基础，在数字摄影测量与遥感领域得到了广泛的应用。
本文介绍了Moravec算子、Forstner算子和Harris角点提取算法的基本原理，对其实验结果进行了分析与比较，并为Moravec算子的改进提供了建议。
关键词：点特征 Moravec算子 Forstner算子 Harris角点提取1 引言图像特征的研究是图像领域中一个重要的研究方向，图像特征的提取被广泛地应用于图像匹配、图像识别、图像分割等诸多方面。
作为图像的基本特征，点特征一般认为是指灰度信号在二维方向上有明显变化的点，如角点、圆点、交叉点等[1]。
点特征提取是最常采用的一种图像特征提取，也是数字摄影测量的关键技术之一，其定位精度在很大程度上影响了数字摄影测量过程中相对定向与绝对定向的定向结果。
因此点特征提取算法的研究在数字摄影测量学中有重要的意义。
近年来，学者们已经提出了多种点特征提取算法。
HanSP.Moravec（1977）提出利用灰度方差提取特征点，即利用“兴趣算子”来提取特征点，这是较早的基于图像灰度信息进行特征点检测的方法。
C.Harris和M.J.Stephens（1988）在H.Moravec算法的基础上发展出一种通过自相关矩阵的角点提取算法——Harris角点提取算法。
Forstner （1987，1994）算子通过计算各像素的Robert梯度和像素（c，r）为中心的一个窗口的灰度协方差矩阵，在影像中寻找具有尽可能小的接近圆的误差椭圆的点作为特征点[2]。
SUSAN算子（1997）和MIC算子（1998）则是利用像素邻域内一个圆形模板的灰度计算出每个像素的角点响应函数CRF （Corner Response Funtion），通过与阈值进行比较来确定是否为特征点，该类方法具有较强的抗噪能力[3]。
除了以上几种，还有Kitchen-Rosenfeld、IPAN、CSS等多种常见的点特征提取算法。
点特征提取编程实习报告一．实习简介本次实习利用VC++6.0编程实现了对8位BMP灰度图像的读取、显示，并用Moravec算子对图像进行点特征的提取。
二．程序设计1.用MFC创建一个多文档程序框架，用来显示BMP图像：2.为该程序框架添加菜单：3.创建一个对话框输入参数：4.最后提取结果可以显示在视图中：三．程序框图及核心代码Array分别定义四个函数计算四个方向的灰度差平方和：提取特征点：四．实验结果分析1、下图中阈值为8000，窗口大小从上到下从左到右分别为9*9、7*7、5*5、3*3。
可以看出随着窗口的增大，提取到的特征点个数越来越少，但是精度提高，可以防止将噪声提取出来。
2、下图中窗口大小为9，阈值从左到右从上到下分别为20000、15000、10000、5000。
可以看出，随着阈值的增大，能投提取到的特征点越来越少，只有灰度变化十分剧烈的点才能被提取出来，如下图中左上角是阈值为20000时的提取结果，可以发现没有提取出任何特征点。
五．实习总结Moravec 算子是点特征提取算子中的经典算子之一，它具有计算量小, 不丢失灰度信息等优点。
用该算子提取特征点时阈值的选取直接影响着提取结果。
如本次实习过程中所用的图像是武汉地区的TM影像，这幅影像的灰度范围很小，所以阈值不宜取得过大，否则会丢失很多特征点，如：当阈值选为20000时，没有提取出任何特征点。
为了验证对比度对特征点提取的影响，我用Photoshop对图像做了一个对比度的增强，之后用5*5的窗口和10000的阈值对其进行特征点的提取并与原图像的提取结果做了对比，发现增强了对比度的图像中提取出的特征点确实比原图像中的特征点多，如下图：所以，虽然Moravec算子是点特征提取的经典算子，但是提取效果还是很大程度上受参数设置的影响，不同灰度范围的图像需要不同的阈值以及不同的窗口大小，这需要长久的实验来积累经验确定参数。
或者可以通过计算整幅图像的灰度均值的方法是程序自动确定阈值，但没有再本次实习中进行实验。
