②采用角点作为特征点

角点检测算法主要有三种，一种是基于模板匹配的方法，一种是灰度变换的方法，还有一种就是边缘检测的方法。其中Harris算法和SUSAN算法最具有代表性。

Harris算子为：3。4) ，其中，

               (3。5)，其中，W为高斯平滑模板。

特点：计算比较简单，速度相对比较快。尤其是那些纹理信息非常丰富的图像，可以从中提取出大量的特征点。但当噪声比较大或干扰物比较多的时候，特征点将会大幅度增加，从而使得特征点匹配的运算量也显著增加。在信噪比相对比较高同时角度特征又相对比较明显的场合，这种方法最为适用。

    ③以闭合区域的质心作为特征点

选取合适的阈值做图像分割，对每个闭合的区域求它的质心，把质心作为选取的特征点。

特点：简单直观，运算量比较小，并且对噪声干扰比较不敏感。如果一幅图像中的目标比较大而且个数又相对比较少，当镜头的位置发生移动，那么扫描到的目标面积也逐渐随之发生改变，此时计算出的质心是不准确的，是发生过偏移的，这样对图像配准过程的进行是不利的。如果图像由大量的小目标组成，那么特征点提取的有效性就会变差。如果一幅图片的目标大小比较适中同时背景灰度差又比较明显，那么这种方法是非常适用的。如果图片不满足以上条件，可以先做边缘检测，寻找有闭合边界的区域，在这个区域内求质心。

3。2常用的特征点提取方法

①兴趣算子法

所谓兴趣点，指的就是相对于所在领域来说能够表现出某种奇异性的像素点，从而使得它容易被提取，对图像变换、信号噪声以及各种参数变化都具有良好的鲁棒性。最著名的兴趣点提取算子有Moravec算子、Forstner算子、Harris算子、SUSAN算子、SIFT算子等。

表3。1 采用不同的算法提取特征点时的误差

算法 RMSE/pits RMSEx/pits RMSEy/pits 时间/s

Moravec算子 1。8439 1。0488 1。5166 7。481

Forstner算子 0。7746 0。5477 0。5477 6。218

Harris算子 1。4491 1。0488 1。0000 1。292

SUSAN算子 1。8974 1。6125 1。0000 12。268

SIFT算子 4。4199 2。4082 3。7062 1。322

从表格我们不难看出，在几种算子中，精度最高的特征点提取算子是Forstner算子，接下来是Harris算子，精度最低的是SIFT算子；Harris算子速度最快，SIFT算子其次，SUSAN算子最慢。从整体适应性来看，SIFT算子、Harris算子、Forstner算子比SUSAN算子、Moravec算子优越。SIFT算法在处理图像发生几何形变方面具有性能优越并且稳定的优势。其中Harris算法的抗尺度缩放的性能比较差，但是抗旋转的性能却比较优越。SIFT算子最适合用于处理图像匹配、存在比较大的变形的图像的局部目标识别等任务，Harris算子在图像不涉及到尺度发生变化的情况下，性能也非常优越，尤其比较适合用于处理图像没有缩放并且只存在小量旋转的情况。论文网