基于角点检测的图像快速配准改进算法
医学图像配准中的图像变形场估计与优化算法
医学图像配准中的图像变形场估计与优化算法医学图像配准是指将不同时间、不同成像设备或不同解剖位置的医学图像进行对齐，以便于医生进行准确的诊断和治疗。
在医学图像配准中，图像变形场估计与优化算法起着至关重要的作用。
本文将介绍医学图像配准中的图像变形场估计与优化算法的原理和应用。
一、图像变形场估计算法图像变形场估计是医学图像配准中的关键步骤，它通过分析图像的特征和几何结构，估计出图像间的变形场。
常用的图像变形场估计算法有基于特征点的方法、基于图像强度的方法和基于神经网络的方法。
1. 基于特征点的方法基于特征点的方法是一种传统的图像变形场估计算法。
它通过在图像中提取特征点，并根据这些特征点的位置关系来估计图像间的变形场。
常用的特征点包括角点、边缘点和斑点等。
该方法的优点是计算速度快，但缺点是对图像的光照和噪声敏感。
2. 基于图像强度的方法基于图像强度的方法是一种常用的图像变形场估计算法。
它通过比较图像间的灰度值差异，来估计图像间的变形场。
常用的方法有最小二乘法、互信息和相位相关等。
该方法的优点是对图像的光照和噪声不敏感，但缺点是计算复杂度高。
3. 基于神经网络的方法基于神经网络的方法是一种新兴的图像变形场估计算法。
它通过训练神经网络，从而学习到图像间的变形场。
常用的神经网络包括卷积神经网络和循环神经网络等。
该方法的优点是可以自动学习图像间的变形模式，但缺点是需要大量的训练数据。
二、图像变形场优化算法图像变形场优化是指在图像变形场估计的基础上，进一步优化图像配准的效果。
常用的图像变形场优化算法有基于最小二乘法的方法、基于正则化的方法和基于优化理论的方法。
1. 基于最小二乘法的方法基于最小二乘法的方法是一种常用的图像变形场优化算法。
它通过最小化图像间的差异，来优化图像的配准效果。
常用的最小二乘法包括最小二乘配准和最小二乘插值等。
该方法的优点是计算简单，但缺点是对图像的噪声敏感。
2. 基于正则化的方法基于正则化的方法是一种常用的图像变形场优化算法。
基于Harris多尺度角点检测的图像配准新算法
了一种新的 Ｈ ｒｓ多尺度 角点检测算法。这样 ， ａｉ ｒ 使得 新的角点检 测可 以在 不同的尺度下获取 角点 ， 并克服 了单一尺度 的
Ｈ ｒｓ角 点检 测 可能 存 在 的 角 点信 息丢 失、 置 偏 移 和 易受 噪 而提 取 出伪 角点 等 问题 。然 后 根 据 角度 直 方 图得到 的 旋转 ａｉ ｒ 位 角度 ． 和提 取 的 以 角点 为 中心 的 特征 子 图 ， 义 了角 点 点对 的 时 齐度 。 定 最后 ， 用 最大 化 对 齐度 准 则 采精 确 地 确 定 角 点 匹 运
基于点特征的图像配准算法研究
基于点特征的图像配准算法研究一、本文概述随着计算机视觉和图像处理技术的飞速发展，图像配准技术已成为众多领域中的关键工具，尤其在遥感、医学成像、计算机图形学、安全监控等领域中发挥着重要作用。
图像配准，即是将两幅或多幅图像进行空间对齐的过程，旨在寻找一种最优的空间变换，使得一幅图像能够与另一幅图像在几何位置上达到最佳匹配。
本文旨在深入研究基于点特征的图像配准算法，并探讨其在不同应用场景下的性能表现和优化策略。
本文首先将对图像配准的基本概念和原理进行概述，包括图像配准的定义、分类、评价标准以及常见的变换模型等。
接着，重点介绍基于点特征的图像配准算法的基本原理和流程，包括特征点的提取、匹配以及变换模型的求解等关键步骤。
在此基础上，本文将详细分析几种典型的基于点特征的图像配准算法，如SIFT、SURF、ORB等，并比较它们的优缺点及适用场景。
本文还将探讨基于点特征的图像配准算法在实际应用中所面临的挑战，如特征点的选取、匹配算法的鲁棒性、计算效率等问题，并针对这些问题提出相应的优化策略和改进方法。
本文将通过实验验证所提优化策略的有效性，并与其他算法进行性能比较，为实际应用中选择合适的图像配准算法提供参考依据。
通过本文的研究，期望能够为图像配准技术的发展和应用推广提供有益的参考和借鉴，同时也为相关领域的研究人员提供一种新的思路和方法。
二、相关理论和技术基础图像配准是计算机视觉领域中的一个重要问题，它涉及到从两个或多个图像中找出对应点或特征，并通过对这些点的匹配，实现图像间的空间对齐。
基于点特征的图像配准算法是其中的一种主流方法，其核心在于提取和匹配图像中的关键点。
点特征提取是图像配准的第一步，它的目标是识别图像中具有独特性和稳定性的点。
常见的点特征提取方法包括SIFT（尺度不变特征变换）、SURF（加速鲁棒特征）和ORB（带方向的BRIEF和旋转不变的描述子）等。
这些方法通过在不同的尺度空间上检测关键点，并计算其方向、尺度和描述子，以实现对图像中稳定点的有效提取。
一种基于Hausdorff距离的图像配准算法
一
种基 于 Ｈａ ｓｏｆ 距 离 的 图像 配 准算 法 ｕｄ ｒ
张志刚 周 明 全
‘西北大学信息科学与技术学院 （
耿 国华
陕西 西安 ７ ０６ ） １０ ９
（ 北京师范大学信息科学与技术学院
北京 １ ８５ ０ ７） ０
摘
要
首先检测 两幅图像 中的角点， 然后 自适应地提取基准特 征模 板 ， 再利用 改进 的基 于特征 强度 响应空 间的 Ｈ ｕｄｒ 距 离 ａｓｏ ｆ ｆ
对基准模板进行初始 匹配 ， 后通 过 区域相 关法进行 优化。算法不要求特征 间的一一对 应， 无需距离 变换 ， 最 也 实验证 明这是 一种 快 速有效 的图像 配准算 法。 关键词 图像 配准 Ｈ ｕｄｒ 距 离 角点检测 ａｓｏｆ ｆ
ＡＮ Ｍ ＡＧＥ Ｉ ＲＥＧＩ ＴＲＡＴＩ Ｓ ｏＮ ＡＬＧｏ ｌ ＵＴＨＭ ＢＡＳ ＥＤ ｏＮ ＨＡＵＳ ＤｏＲＦＦ Ｓ ＤＩ ＴＡＮＣＥ
Ｚ ａ ｇ Ｚ ｉａ ｇ Ｚ ｏ ｎ ｑ ａ ｈ ｎ ｈｇ ｎ ｈ ｕ Ｍｉ ｇ ｕ ｎ ・
Ｇｅ ｇ Ｇ ｏ ｕ ｎ ｕｈ ａ
（ ｏｌ ｅｏ ｎｏｍ ｔｎＳｉ ｃ ａ ｄＴｃｎｌ ｙ Ｎ ｒ ｗ ｓ Ｕ ｉ ｒｔ， ｉ ｎ７ ０６ Ｓａ ｎｉＣ ｉａ Ｃ ｌｇ ｆｒａｉ ｃ ｎｅ ｎ ｅｈｏｏ ， ｏｔ ｅ ｎ ｅｓｙ Ｘ＇ １０ ９，ｈ ａ ｘ，ｈｎ ） ｅ ｆＩ ｏ ｅ ｇ ｈ ｔ ｖ ｉ ａ 。 Ｃ ｌｇ ｎｏｍ ｔ ｎＳｉ ｃ ｎ ｅｈ ｏｏｙ Ｂ ｉｎ ｒ ａ ｎｖｒｔ， ｅｉｇ１０ ７ ， ｈｎ ） （ ｏｅｅｏ ｆｒ ａｉ ｃ ｎｅａｄ Ｔｃｎｌｇ ， ｅ ｇＮｏｍ ｌ ｉ ｓｙ Ｂ ｌ ｌ ｆＩ ｏ ｅ ｉ ｆ Ｕ ｅ ｉ ｌ ０８５Ｃ ｉ ｎ ａ
图像中角点提取与匹配算法
图像中角点提取与匹配算法角点提取与匹配算法是计算机视觉领域中的一项重要技术，用于在图像中寻找具有明显角度变化的特征点，并将这些特征点进行匹配。
这些算法在很多应用中都起到了关键作用，如图像配准、目标跟踪、三维重建等。
角点是图像中具有明显角度变化的点，它们在不同尺度和旋转下具有稳定性，因此可以用来作为图像的特征点。
在角点提取算法中，常用的方法有Harris角点检测算法、Shi-Tomasi角点检测算法、FAST角点检测算法等。
Harris角点检测算法是最早提出的角点检测算法之一，它通过计算图像中每个像素点周围区域的灰度变化来判断该点是否为角点。
具体来说，该算法计算每个像素点的特征值，通过特征值的大小来确定角点。
如果特征值较大，则该点为角点；反之，则该点为平坦区域或边缘。
Shi-Tomasi角点检测算法是对Harris角点检测算法的改进，它使用特征值中较小的一个来表示角点的稳定性，从而提高了检测的准确性和稳定性。
该算法首先计算每个像素点的特征值，然后选择特征值较小的一部分像素点作为角点。
FAST角点检测算法是一种高效的角点检测算法，它通过比较像素点周围的相邻像素点的灰度值来判断该点是否为角点。
该算法通过快速地检测像素点的灰度值变化来提高检测的速度，同时保持了较高的准确性。
在角点匹配算法中，常用的方法有基于特征描述子的匹配算法，如SIFT（尺度不变特征变换）算法、SURF（加速稳健特征）算法、ORB （Oriented FAST and Rotated BRIEF）算法等。
SIFT算法是一种基于尺度不变特征变换的特征描述子算法，它通过检测图像中的关键点，并计算每个关键点周围区域的特征描述子。
这些特征描述子具有尺度不变性和旋转不变性，因此可以用来进行图像匹配。
SURF算法是一种加速稳健特征算法，它通过使用快速哈尔小波变换来计算图像中的特征点，并使用加速积分图像来加速特征点的计算。
这些特征点具有尺度不变性和旋转不变性，可以用来进行图像匹配。
基于多尺度Harris角点检测的图像配准算法
基于多尺度Harris角点检测的图像配准算法
尚明姝;王克朝
【期刊名称】《电光与控制》
【年(卷),期】2024(31)1
【摘要】针对现有多尺度Harris算子算法较复杂、运算量大、精确性一般的问题,提出一种高效简便算法。
首先建立多尺度空间,令Harris算子在尺度空间提取特征点,用简化的32维SIFT特征向量描述特征。
利用最近邻法匹配特征点;然后采用改进的相似三角形法筛选匹配点,再使用改进的K-means算法对特征点分组,使组内特征点聚集,组间特征点远离;最后应用改进的RANSAC算法在不同组中选取特征点求变换矩阵,避免了选取的特征点距离过近,算法陷入局部最优。
实验验证了所提算法的性能。
【总页数】5页(P28-32)
【作者】尚明姝;王克朝
【作者单位】哈尔滨学院信息工程学院;哈尔滨工业大学计算机科学与技术学院【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于区域检测的多尺度Harris角点检测算法
2.基于Harris角点检测的图像配准新算法
3.基于Harris多尺度角点检测的图像配准新算法
4.基于小波变换多尺度Harris角点检测算法
5.基于改进型Harris尺度不变特征的图像配准算法研究
因版权原因，仅展示原文概要，查看原文内容请购买。
图像配准技术中常见挑战及优化方法
图像配准技术中常见挑战及优化方法图像配准技术在计算机视觉和图像处理领域具有广泛的应用，例如医学影像分析、遥感数据处理以及图像拼接等。
然而，由于图像本身存在各种各样的变化，如尺度、旋转、平移、畸变等，图像配准过程中常常面临着一系列挑战。
为了克服这些挑战，研究者们提出了许多优化方法。
本文将介绍图像配准技术中常见的挑战，并重点探讨几种常用的优化方法。
首先，图像配准技术中常见的挑战之一是图像的尺度和旋转变化。
当两幅图像存在尺度和旋转变化时，传统的图像配准算法可能无法准确匹配相应特征点，导致配准结果不准确。
为了解决这个问题，研究者们提出了基于尺度不变特征变换（SIFT）和速度不变特征变换（SURF）等算法，这些方法可以在不同的尺度和旋转下提取到鲁棒的特征点。
其次，在图像配准的过程中，图像可能会存在平移变化。
当图像出现平移变化时，匹配算法可能会存在误匹配的问题。
为了解决这个挑战，一种常用的方法是基于亮度梯度的特征描述算法，例如方向梯度直方图（HOG）和边缘方向直方图（EOH）。
这些算法可以提取到图像中的边缘信息，并利用边缘信息进行准确的匹配。
此外，在某些图像配准任务中，图像可能会存在畸变，如镜头畸变或者形变。
这种畸变会导致传统的图像配准算法无法精准地进行匹配。
为了解决这个问题，研究者们提出了基于模型的图像配准方法。
这些方法会建立一个畸变模型，并利用该模型对图像进行校正，从而实现准确的配准。
除了上述挑战外，图像配准技术还需要面对图像的亮度变化、噪声和局部特征不明显等问题。
为了处理这些挑战，研究者们提出了许多优化方法。
其中，基于光流的方法广泛应用于运动图像的配准。
光流方法可以通过分析图像中物体的运动轨迹，从而获取到图像间的变换关系。
此外，基于深度学习的图像配准方法也逐渐成为研究的热点。
这些方法利用深度神经网络对图像进行特征提取和匹配，能够在处理复杂图像时取得较好的配准效果。
另一种优化方法是基于多模态图像配准。
在某些应用场景下，只有单一模态的图像信息无法准确地进行配准，因此需要融合多模态信息。
基于MIC角点检测的改进算法
关键词 ： Ｉ Ｍ Ｃ算法 ； 角点检测 ； 局部方 向线 ； 检测直线
中 图分 类 号 ：Ｐ ９ Ｔ ３ 文献标志码 ： Ａ 文章 编 号 ：０９６ １ ２ １ ）９０ ４ － １０ －７ Ｘ（０ １ ０ －０ １ ６ ０
Ａｎ ｉ ｐ ｏ ｅ ｌ ｏ ｉｈ ａ ｅ ｎ Ｍ Ｉ ｃ ｒ ｅ ｅ ｅ ｔ ｎ ｍ ｒ ｖ ｄ ａ ｇ ｒ ｔ ｍ ｂ ｓ ｄ ｏ Ｃ ｏ ｎ ｒ ｄ ｔ ｃ ｉ ｏ
圈 ２ 角 点 检 测 模 板 （ ７Ｘ７ Ｊ
｛ ＝ 一 一 ＋ 一 一 ； （ ） ） ） ） ４ ）
Ｌ ＝ 一 ） 一 ）＋ 一 ） 一 ） ．
假设 任意 一条 穿过 模板 中心 点 的直线 与离 散 圆 模板 的交点 为 Ｐ、：， 图像角点 响应 函数定义如下 ： Ｐ 则
ｉ ｒ ｖ ｄ ａ ｇ ｒｔ ｍ ｓ ｍｏ ｅ ｅｆｃ ｅ ｔｉ ｅｅ ｔ ｇ ｔ ｏ ｅ ｓｗｉｈ ａ ｃ ｒ ｔ ｏ ａｉｎ． ｍｐ ｏ ｅ ｌ ｏ ｈ ｉ ｒ ｆｉｉｎ ｎ ｄ ｔｃｉ ｈｅ ｃ ｍ ｒ ｔ ｃ ｕ ａ ｅ ｌｃ ｔｏ ｉ ｎ
Ｋｅ ｗｏ ｄ ： Ｃ ａｇ ｒｔ ｍ ；ｃ ｍ ｅ ｅｅ ｔ ｎ ｏ ａ ｒｅ ｔｔ ｎ ｌ ｅ；ｄ ｔｃｉ ｎ ｌ ｅ ｙ ｒ ｓ ＭＩ ｏ ｈ ｌ ｉ ｏ ｒｄ ｔ ｃｉ ；ｌｃ ｌｏ ｎ ａ ｉ ｉ ｏ ｉ ｏ ｎ ｅｅｔ ｉ ｏ ｎ
图像 分辨 率是 指 相 机 成像 的大 小 及 尺 寸 ， 映 反 在像 素上 就是 组成 一 副 图像 像 素 的个 数 ． 如 文 中 例 所用 相机 的最 大成 像 分 辨 率 为 １ ８ ９ ０ 表 示 所 ０× ６ ， ２
＝ｍｎ ｆ （ ） ｏ 。 ｌ ） ｏ ｝ ｉ｛ Ｐ 一 ）ｆ ＋ ／ Ｕ 一 ）ｆ ．
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
的角点检测［ ］ ４ 。这类算法简单 ， 便于硬件实现， 运 算速度快 ， 但精度不高 ， 本算法就在这类算法原有的
基础 上 进行 改进 ， 高配 准 精度 。 提
作者简 介 ： 王耀 明（９ ５ ， ， 授 ， １ ４ 一） 男 教 专业方 向 ： 图像处理等 。
的角点 反 映 ， 不利 硬 件 实现 。③ 基 于边 缘 特 征 且 ］
了图像上 的很 多重要形状 信息 。常用 的检 测方法 有 ： 基 于模 板 匹配 的角 点 检 测［ 。虽 然 在 理想 情 ① １ ３
况 下 可 以检 测 出所 有 角点 ， 角 点拥 有 大量 的特 征 ， 但
像处理、 目标识别 、 图像重建、 机器人视觉等领域 中。 物体 的特征 （ ： 线 、 如 直 弓形 、 和 角 点 ）包 含 有 丰 富 孔 的信息 ， 目前的主流研究方向就是基 于图像特征点
的配 准 。角点 是 图像 的一 个 重 要 局 部 特 征 ， 集 中 他
但对噪声敏感 ， 不稳定 ， 在斜线方向上往往给 出错误
法， 该方 法计 算 简单 、 度 快 ， 于硬 件 实现 及 实时处理 ， 速 便 同时也 提 高 了传 统 该 类算 法 的 可 靠性 ， 实验 结 果表 明 ， 算 法有较 大的 实用性 。 该
关键词 ：图像 配准 ；角点检 测 ； 征 点 匹配 特 中图分 类 号 ：Ｔ ０ Ｐ ３６ 文 献标 识码 ： Ａ
（ ｃ ｏ ｌ ｆ ｌｃｒ ｎｃ ｎｏｍａｉｎ Ｓ ａ ｇ ａ Ｄ ａ ｉ Ｕｎｖ ｒｉ ， ｈ ｎ ｈ ｉ ０ ２ ０ Ｃ ｉａ Ｓ ｈ ｏ ｅ ｔ ｉｓＩｆｒ ｔ ， ｈ ｎ ｈ ｉ ｉｎｉ ｉｅｓ ｙ Ｓ ａ ｇ ａ ２ ０ ４ ， ｈｎ ） ｏＥ ｏ ｏ ｔ
Ａｂ ｔａ ｔ ｍａ ｅｒ ｇｓ ｒ ｔ ｎ ｉ ｏ ｅｏ ｈ ｍｐ ｒａ ｔ ａ ｋ ｆｃ ｍ ｐ ｔ ｒｖｓｏ ｅｅ ｔ ｎ ｎ ｔ ｅｐ － ｓｒ ｃ ：Ｉ ｇ ｅ ｉｔａ ｉ ｎ ｆｔ ｅｉ ｏ ｔ ｎ ｓ ｓｏ ｏ ｏ ｓ ｔ ｕ ｅ ｉｉｎｄ ｔｃｉ ．Ｉ ｈ ａ ｏ
ｐ ｒ ｅ ｅ ｏ ｅ ｔ ｏ ｆｃ ｒ ｅ ｅ ｅ ｔｏ ａ ｅ ｎ ｅ ｇ ｅ ｔ ｒ ｒ ｐ ｓ ｄ ｅ ，ａ ｄ ｖ ｌ ｐ ｄ ｍｅ ｈ ｄ ｏ ｏ ｎ ｒｄ ｔ ｃ ｉ ｎ ｂ ｓ ｄ ｏ ｄ ｅ ｆ ａ ｕ ｅ ｉ ｐ ｏ ｏ ｅ ．Ｔｈ ａ ｃ ｌ ｔ ｎ ｉ ｓｍ — ｓ ｅ ｃ ｌ ｕ ａ ｉ０ ７年 ９月
上 海 电 机 学 院 学 报
Ｊ ＯＵＲＮＡＩ ＯＦ ＨＡＮＧＨＡＩＤＩ Ｓ ＡＮＪ ＩＵＮＩ ＲＳＴＹ ＶＥ Ｉ
Ｖｏ ． Ｏ Ｎｏ ３ １１ ． Ｓｅ ． ２ ０ ｐ ０７
文章 编号
ｄ ｔ ｎ ｌ ｈ ｓ ａｇ ｒｔ ｍ ｐ ｏ ｅ ｈ ｅ ｉ ｂ ｌ ｙ ｃ ｍ ｐ ｒ ｄ ｗｉｈ ｔ ａ ｉ ｏ ａ ｎ ｓ Ｅｘ ｅ ｉ ｅ ｔ ｌｒ ｓ ｌ ｉｉ ａ ｌ ｔ ｉ ｌ ｏ ｉ ｏ ｙ ｈ ｉ ｒ ｖ ｓ ｔ ｅ ｒ ｌ ｉ ｔ ｏ ａ ｅ ｔ ｒ ｄ ｔ ｎ ｌｏ ｅ ． ｍ ａ ｉ ｉ ｐ ｒｍ ｎ ａ ｅ ｕ ｔ ｉ ｄ ｃ ｔ ｓｔ ａ ｈ ｓｍ ｅ ｈ ｄ ｉ ｕ ｔ ｒ ｃ ｉａ ． ｎ ｉａ ｅ ｈ ｔｔ ｉ ｔ ｏ ｓｑ ｉ ｐ ａ ｔｃ １ ｅ Ｋ ｙ ｗｏ ｄ ｅ ｒ ｓ：ｉ ｇ ｅ ｉ ｔａ ｉ ｍ ｏ ｎ ｒ ｄ ｔ ｃ ｉ ｎ；ｃ ｎ ｏ ｅ ｐ ｉ ｔｍａ ｃ ｉ ｇ ｍａ ｅ ｒ ｇ ｓ ｒ ｔｏ ｃ ｒ ｅ ｅ ｅ ｔｏ ｏ ｓ ｌ ｏ ｎ ｔ ｈ ｎ
ｐｅ ａ ｄ ｆｓ Ｏ ｔ ａ ｔｗｉ ｅｉ ｌｍ ｅ ｔｄ ｅ ｓｌ ｏ ａ ｄ ｒ ｎ ｖ ｉ ｂ ｅｆ ｒｒ ａ—ｉ ｒ ｃ ｓ． Ａｄ ｉ ｎ ａ ｔＳ ｈ ｔ ｌ ｂ ｍｐ ｅ ｎ ｅ ａ ｉ ｆ ｒｈ ｒ ｗａ ｅａ ｄａ ａｌ ｌ ｏ ｅ ｌｔ ｉ １ ｙ ａ ｍｅｐ ｏ ｅ ｓ —
１ ７ —７ ０ ２ ０ ） ３０ ０ — ３ ６ １２ ３ （ ０ ７ ０ —２ １０
基 于 角 点 检 测 的 图像 快 速 配 准 改 进 算 法
王 耀 明
（ 海 电机 学院 电子信 息学 院， 海 ２ ０ ４ ） 上 上 ０ ２０
摘 要 ：图像 配准是 计 算 机 视 觉检 测 的 关键 步 骤 之 一 。提 出 了一 种 基 于边 缘 特 征 的 角点检 测 算
维普资讯
２２ ０
上
海 电
机
学 院 学 报
２０ 年第３ ０７ 期
１ 图像 中特征 点的选 择
特征 点选 择 的基本 原则 是特 征点 应该是 具 有较 大灰 度变 化 的区域 ， 图像 的 特征点 可 以有很 多 ， 选择 最 明显 的直角 点 ， 于计 算 ， 便 减小 误差 。
图像 配准 是计算机视觉 中的首要关 键技术 之
一
不 可 能设计 出大量 模板 来 匹 配所有 类 型 的角 点 。所 以 ， 复杂 图像 中这种 方 法 是 不 可行 的 。② 基 于亮 在
度 变化 的角点 检 测 ＿ 。该 算 法 最 大 的优 点 是 快 速 ， ２ ］
，
也是许 多 预处 理技 术 的基 石 ， 主要 运用 在遥 感 图
Ａｎ Ｉ ｐｒ ｖ ｇ ｉ ｍ ｆＲａ ｄ Ｉ ａ ｅ Ｒｅ ｓ ｒ ｔ ｍ ｏ ｅｄ Ａｌ ｏｒｔ ｈ ｏ ｐｉ ｍ ｇ ｇｉｔ ａ ｉ ｏｎ Ｂａ ｅ ｒ ｅｒ Ｄｅ ｅ ｔｏ ｓ ｄ ｏｎ Ｃｏ ｎ ｔ ｃ ｉ ｎ
Ｗ Ａ ＮＧ ｏ ｍｉ ｇ Ｙａ — ｎ