2、种常用的角点检测算法[32]：式中，det 表示矩阵的行列式；trace 表示矩阵的迹(也就是矩阵对角线元素的和)；k 代表常数，通常为 0.04。角点就是CRF 处于局部极大值的点。下面就是详细操作步骤：①针对灰度图像I中的每一个像素，对其 x 方向以及 y 方向分别计算一阶导数，还要将两个一阶导数相乘。计算时采取的具体计算法和卷积类似，使用的模板分别为:在图像I上不断移动，在移动至每一位置都进行模板对应中心像素梯度值的计算，从而得到处于两个方向上的两幅梯度图像。然后再将每个像素所对应得两个方向上的梯度相乘，第三幅图像就形成了，三幅图像中的每一像素分别表示Ix，Iy和IxIy。②分别对
3、通过步骤①计算所得的三幅图像进行标准差为σ的高斯滤波。具体来说就是对这三幅图像分别运用高斯模板进行卷积。将原始图像上的角点响应函数值计算出来。计算法有以下两种：其一为经典的 Harris 算法。式(3-16)代表CRF定义：此时，角点和CRF 的局部极小值点相对应。因为经典的 Harris 算法其角点响应函数要求公式中 k 值必须要确定，因此本算法中的角点响应函数采用的是Nobel 的。③图像中有很多局部极值点，角点的数目的提取要通过CRF门限限制的设置来进行。下面分析Harris角点检测算法的性能：1)在图像中Harris 角点具有各向同性的特点，图像即使旋转，检测角点不会受到影响；2
4、) Harris 角点检测算法中对图像一阶导数有要求，因此光强对检测角点无影响；3)当比例发生变换，Harris 算子不能使得角点检测重复性有所保证，当转换图像比例时，因为角点处愈发平滑，因此边缘的结果更易得出。此时，角点和CRF 的局部极小值点相对应。因为经典的 Harris 算法其角点响应函数要求公式中 k 值必须要确定，因此本算法中的角点响应函数采用的是Nobel 的。③图像中有很多局部极值点，角点的数目的提取要通过CRF门限限制的设置来进行。下面分析Harris角点检测算法的性能：1)在图像中Harris 角点具有各向同性的特点，图像即使旋转，检测角点不会受到影响；2) Harr
6、一个圆形模板。将模板中心像素核的灰度值和模板内其他像素灰度值的差值计算出来，当差值比设定阈值小时，表示这个像素和模板中心核灰度值相似，把此类灰度值相似的像素集合起来构成核值相似区（UnivalueSegment AssimilatingNucleus，USAN）。模板内的像素点属于不属于 USAN 区的判定公式如下： 判别函数的计算运用上式，就是和门限位置极为接近，的值也不会受到像素灰度值微小变化的干扰。不管是理论上还是实验中指数的最佳值都是6。 SUSAN 角点检测算法的最后步骤是找出角点，根据初始角点响应局部最大值的计算，即进行非最大抑制处理，将角点位置找出。 SUSAN
