技術(shù)特征：

1.一種基于支撐域的圖像角點檢測和分類方法，其特征在于，包括以下步驟：

步驟1，獲取一幅待檢測的圖像，記為I₀，并對待檢測的圖像I₀進行平滑處理，得到平滑處理后的圖像I，然后對平滑處理后的圖像I進行邊緣檢測，得到平滑處理后的圖像I包含的H個邊緣點，并將所述H個邊緣點作為候選角點集；H為自然數(shù)；

步驟2，獲取濾波器組，所述濾波器組由K個方向不同的濾波器構(gòu)成，所述濾波器組中以方向為0度的濾波器作為主濾波器，濾波器組中第k個濾波器的方向θ^k為2π*(k-1)/K，k∈{1，2，…，K}，并計算得到由K個方向不同的濾波器模版構(gòu)成的濾波器組F；

步驟3，根據(jù)由K個方向不同的濾波器模版構(gòu)成的濾波器組F，計算得到H個候選角點的角點測度集Area_edge；

步驟4，對所述H個候選角點的角點測度集Area_edge依次進行非極大值抑制和閾值判斷，得到待檢測的圖像I₀中包含的T個真實角點；

步驟5，對待檢測的圖像I₀中包含的T個真實角點進行角點分類，得到T個真實角點各自包含的峰值個數(shù)，進而完成待檢測的圖像I₀中包含的T個真實角點的分類。

2.如權(quán)利要求1所述的一種基于支撐域的圖像角點檢測和分類方法，其特征在于，步驟1的子步驟為：

1.1獲取一幅待檢測的圖像，記為I₀，然后采用高斯濾波器對待檢測的圖像I₀進行平滑處理，得到平滑處理后的圖像I；

n表示平滑處理后的圖像I中的像素點索引，n∈{1，2，...，N}，N表示平滑處理后的圖像I中的像素點總數(shù)；n′表示平滑處理后的圖像I中的候選邊緣點索引，n′∈{1，2，…，L}，L表示平滑處理后的圖像I包含的候選邊緣點總數(shù)，L≤N，n的初始值為1，n′的初始值為0；

1.2計算平滑處理后的圖像I中第n個像素點分別沿垂直于邊緣方向和平行于邊緣方向的梯度值，由此計算平滑處理后的圖像I中第n個像素點的近似邊緣方向角

1.3對平滑處理后的圖像I進行非極大值抑制，即選取平滑處理后的圖像I中第n個像素點，并沿第n個像素點的近似邊緣方向比較第n個像素點的像素值與鄰近位置點的像素值，然后判斷第n個像素點的像素值是否為第n個像素點的近似邊緣方向上的局部極大值，如果第n個像素點的像素值是第n個像素點的近似邊緣方向的像素極大值，則將第n個像素點作為第n′個候選邊緣點，并令n′加1；若第n個像素點的像素值不是第n個像素點的近似邊緣方向的像素極大值，則舍棄第n個像素點；

1.4令n加1，重復(fù)執(zhí)行子步驟1.3，直到得到平滑處理后的圖像I中包含的L個候選邊緣點；

1.5分別設(shè)置Canny邊緣檢測高閾值T_high和Canny邊緣檢測低閾值T_low，T_high>T_low，l表示L個候選邊緣點中的候選邊緣點索引，l∈{1，2，...，L}，L表示平滑處理后的圖像I中包含的候選邊緣點總數(shù)；l′表示H個邊緣點中的邊緣點索引，l′∈{1，2，...，H}，H表示平滑處理后的圖像I中包含的邊緣點總數(shù)；l的初始值為1，l′的初始值為0；

1.6從L個候選邊緣點選取第l個候選邊緣點，并將所述第l個候選邊緣點依次與設(shè)置的Canny邊緣檢測高閾值T_high和設(shè)置的Canny邊緣檢測低閾值T_low進行比較：

若第l個候選邊緣點的像素值大于設(shè)置的Canny邊緣檢測高閾值T_high，則認(rèn)為第l個候選邊緣點為強邊緣點，進而將第l個強邊緣點作為第l′個邊緣點，并令l′加1；

若第l個候選邊緣點的像素值小于設(shè)置的Canny邊緣檢測高閾值T_high且大于設(shè)置的Canny邊緣檢測低閾值T_low，則認(rèn)為第l個候選邊緣點為弱邊緣點；如果第l個候選邊緣點四鄰接或者八鄰接到強邊緣點上，則第l個候選邊緣點也認(rèn)為是一個邊緣點，將其作為第l′個邊緣點，并令l′加1；如果第l個候選邊緣點并未四鄰接或者八鄰接到強邊緣點上，則舍棄第l個候選邊緣點；

1.7令l加1，重復(fù)執(zhí)行子步驟1.6，直到得到平滑處理后的圖像I包含的H個邊緣點，并將所述平滑處理后的圖像I包含的H個邊緣點作為候選角點集。

3.如權(quán)利要求1所述的一種基于支撐域的圖像角點檢測和分類方法，其特征在于，步驟2的子步驟為：

2.1獲取濾波器組，所述濾波器組由K個方向不同的濾波器組成，濾波器組中濾波器索引為k的濾波器方向為θ^k，且θ^k＝2π*(k-1)/K；

設(shè)定濾波器組中K個濾波器的尺寸分別為M_w×M_w，M_w為正整數(shù)，同時分別將K個濾波器各自的矩形窗的中心作為笛卡爾坐標(biāo)系原點，則分別得到K個濾波器各自的矩形窗的長度x′范圍和K個濾波器各自的矩形窗的寬度y′范圍：x′∈[-M_w/2，M_w/2]，y′∈[-M_w/2，M_w/2]；

設(shè)定方向為θ^k的濾波器矩形窗包含P_k個坐標(biāo)點；選取方向為θ^k的濾波器矩形窗中的任意一點，記為[xg，yg]，根據(jù)旋轉(zhuǎn)公式計算得到方向為0的主濾波器的矩形窗中的對應(yīng)坐標(biāo)點[vv，uu]，其旋轉(zhuǎn)公式為：vv＝y(tǒng)g*cosθ^k-xg*sinθ^k，uu＝xg*cosθ^k+yg*sinθ^k，方向為θ^k的濾波器矩形窗中的坐標(biāo)為[xg，yg]的點和方向為0的主濾波器的矩形窗的坐標(biāo)為[vv，uu]的點對應(yīng)的濾波器值相等；

2.2初始化：k表示濾波器組中的濾波器索引，k∈{1，2，…，K}，K表示獲取的濾波器組中包含的濾波器個數(shù)，所述K個濾波器方向不同；m∈{1，2，…，P_k}，P_k表示方向為θ^k的濾波器矩形窗中包含的坐標(biāo)點個數(shù)，m表示方向為θ^k的濾波器矩形窗中第m個坐標(biāo)點；k的初始值為1，m的初始值為1，P₁表示方向為0的主濾波器矩形窗中包含的坐標(biāo)點個數(shù)；當(dāng)k＝1時，θ^k＝0；

方向為0的主濾波器水平方向服從加入n_s長度平坦區(qū)的高斯分布，但方向為0的主濾波器對其進行了調(diào)偏，即沿水平方向進行了平移，平移長度為n_b；方向為0的主濾波器垂直方向服從高斯函數(shù)一階導(dǎo)數(shù)。水平方向的高斯函數(shù)的方差和垂直方向的高斯函數(shù)的方差不同，分別記為σ_v和σ_u，方向為0的主濾波器的各向異性比為ρ＝σ_v/σ_u，ρ>1；

然后計算方向為0的主濾波器矩形窗對應(yīng)的主濾波器模板F_θ＝0(vv，uu)，其表達式為：

$F_{\mathrm{\θ}=0}(vv,uu)=\left\{\begin{array}{cc}uu\×e^{-\frac{{\mathrm{uu}}^2}{{\mathrm{\σ}}_u}}\×e^{-\frac{{(n_b-vv)}^2}{{\mathrm{\σ}}_v}}& vv\<n_b\\ uu\×e^{-\frac{{\mathrm{uu}}^2}{{\mathrm{\σ}}_u}}\×e^{-\frac{1}{{\mathrm{\σ}}_v}}& n_b\≤vv\<n_b+n_s\\ uu\×e^{-\frac{{\mathrm{uu}}^2}{{\mathrm{\σ}}_u}}\×e^{-\frac{{(n_b+n_s-vv)}^2}{{\mathrm{\σ}}_v}}& vv\≥n_b+n_s\end{array}\right.$

其中，n_s表示方向為0的主濾波器水平方向加入平坦區(qū)的長度，n_b表示沿方向為0的主濾波器水平方向上的調(diào)偏長度；

2.3以方向為θ^k的濾波器的矩形窗中心點作為笛卡爾坐標(biāo)系的原點構(gòu)建方向為θ^k的濾波器對應(yīng)坐標(biāo)系，然后對方向為θ^k的濾波器矩形窗中第m個坐標(biāo)點[xg_m,yg_m]根據(jù)旋轉(zhuǎn)公式

vv_0m＝y(tǒng)g_m×cosθ^k-xg_m×sinθ^k，uu_0m＝xg_m×cosθ^k+yg_m×sinθ^k，計算方向為θ^k的濾波器矩形窗中第m個坐標(biāo)點對應(yīng)于方向為0的主濾波器的矩形窗中點的坐標(biāo)為[vv_0m,uu_0m]，再根據(jù)所述方向為θ^k的濾波器矩形窗中第m個坐標(biāo)點對應(yīng)于方向為0的主濾波器的矩形窗中點的坐標(biāo)為[vv_0m,uu_0m]，計算得到方向為θ^k的濾波器矩形窗中第m個坐標(biāo)點[xg_m,yg_m]的濾波器值，所述第m個坐標(biāo)點[xg_m,yg_m]的濾波器值等于方向為0的主濾波器中第m個坐標(biāo)點[vv_0m,uu_0m]的濾波器值其表達式為：

$F_{\mathrm{\θ}=0}({\mathrm{vv}}_{0m},{\mathrm{uu}}_{0m})=\left\{\begin{array}{cc}{\mathrm{uu}}_{0m}\×e^{-\frac{{{\mathrm{uu}}_{0m}}^2}{{\mathrm{\σ}}_u}}\×e^{-\frac{{(n_b-{\mathrm{vv}}_{0m})}^2}{{\mathrm{\σ}}_v}}& {\mathrm{vv}}_{0m}\<n_b\\ {\mathrm{uu}}_{0m}\×e^{-\frac{{{\mathrm{uu}}_{0m}}^2}{{\mathrm{\σ}}_u}}\×e^{-\frac{1}{{\mathrm{\σ}}_v}}& n_b\≤{\mathrm{vv}}_{0m}\<n_b+n_s\\ {\mathrm{uu}}_{0m}\×e^{-\frac{{{\mathrm{uu}}_{0m}}^2}{{\mathrm{\σ}}_u}}\×e^{-\frac{{(n_b+n_s-{\mathrm{vv}}_{0m})}^2}{{\mathrm{\σ}}_v}}& {\mathrm{vv}}_{0m}\≥n_b+n_s\end{array}\right.$

2.4令m加1，重復(fù)執(zhí)行子步驟2.3，直到得到方向為θ^k的濾波器矩形窗中第P_k個坐標(biāo)點的濾波器值，此時將得到的方向為θ^k的濾波器矩形窗中第1個坐標(biāo)點的濾波器值到方向為θ^k的濾波器矩形窗中第P_k個坐標(biāo)點的濾波器值，作為方向為θ^k的濾波器模版

2.5令k加1，依次重復(fù)執(zhí)行子步驟2.3和子步驟2.4，直到得到方向為θ^K的濾波器模版此時將得到的方向為θ¹的濾波器模版到方向為θ^K的濾波器模版作為由K個方向不同的濾波器模版構(gòu)成的濾波器組F。

4.如權(quán)利要求1所述的一種基于支撐域的圖像角點檢測和分類方法，其特征在于，步驟3的子步驟為：

3.1在由K個方向不同的濾波器模版構(gòu)成的濾波器組F中，選取所述濾波器組F中方向為θ^k的濾波器模版與待檢測的圖像I₀進行卷積后再進行歸一化處理，得到方向為θ^k的濾波器模版對應(yīng)的圖像歸一化濾波響應(yīng)IMG_output(θ^k)，

I₀表示待檢測的圖像，表示方向為θ^k的濾波器模版；

3.2所述候選角點集為平滑處理后的圖像I中的H個邊緣點，即所述候選角點集中也包含H個候選角點，h∈{1,2,...,H}，h表示候選角點集中的候選角點索引，h的初始值為0；k表示濾波器組中的濾波器索引，k∈{1,2,…,K}，K表示獲取的濾波器組中包含的濾波器個數(shù)，k的初始值為1；

3.3選取H個候選角點中第h個候選角點，并計算第h個候選角點的方向為θ^k的濾波器模版對應(yīng)的圖像歸一化濾波響應(yīng)IMG_output(θ^k)；

3.4令k加1，重復(fù)執(zhí)行子步驟3.3，直到得到第h個候選角點的方向為θ^K的濾波器模板對應(yīng)的圖像歸一化濾波響應(yīng)IMG_output(θ^K)，然后在此時得到的第h個候選角點的方向為θ¹的濾波器模板對應(yīng)的圖像歸一化濾波響應(yīng)IMG_output(θ¹)到第h個候選角點的方向為θ^K的濾波器模板對應(yīng)的圖像歸一化濾波響應(yīng)IMG_output(θ^K)中找到最大值和該最大值對應(yīng)的角度，所述最大值為第h個候選角點的最大響應(yīng)，所述最大值對應(yīng)的角度為第h個候選角點的理想階躍邊緣角度β_h；

3.5根據(jù)第h個候選角點的理想階躍邊緣角度β_h和將第k個濾波器對方向為β的理想階躍邊緣的濾波響應(yīng)OPT_output(θ^k)，計算得到第h個候選角點在方向為θ^k的濾波器中的角點測量值OPT_output(θ^k)；

3.6令k加1，重復(fù)子步驟3.5，直到得到第h個候選角點在方向為θ^K的濾波器中的角點測量值OPT_output(θ^K)，此時得到第h個候選角點在方向為θ¹的濾波器中的角點測量值OPT_output(θ¹)到第h個候選角點在方向為θ^K的濾波器中的角點測量值OPT_output(θ^K)，進而計算得到第h個候選角點的角點測度Area_edge_h，其表達式為：

$Area\_{\mathrm{edge}}_h=\underset{k=1}{\overset{K}{\Σ}}{(IMG\_output({\mathrm{\θ}}^k)-OPT\_output({\mathrm{\θ}}^k\left)\right)}^2;$

3.6令h加1，依次重復(fù)執(zhí)行子步驟3.3至子步驟3.5，直到得到第H個候選角點在在濾波器組中的角點測度Area_edge_H，此時將得到的第1個候選角點在濾波器組中的角點測度Area_edge₁到第H個候選角點在濾波器組中的角點測度Area_edge_H，作為H個候選角點的角點測度集Area_edge。

5.如權(quán)利要求1所述的一種基于支撐域的圖像角點檢測和分類方法，其特征在于，步驟4的子步驟為：

4.1設(shè)定一個與平滑處理后的圖像I尺寸相同的二維矩陣G，將H個候選角點在所述二維矩陣中分別標(biāo)注出來，并將H個候選角點各自在濾波器組中的角點測度作為二維矩陣G中的對應(yīng)像素點灰度值，將二維矩陣G中沒有標(biāo)注的像素點的像素值分別取0；

h'∈{1,2,...,H}，h'表示二維矩陣G中的候選角點索引，H表示二維矩陣G中包含的候選角點個數(shù)，h'的初始值為1；h”∈{1,2,…,T}，h”表示待檢測的圖像I₀中的真實角點索引，T表示待檢測的圖像I₀中包含的真實角點個數(shù)，h”的初始值為0；將二維矩陣G中第h'個候選角點記為(i_h',j_h')；

4.2選取二維矩陣G中第h'個候選角點(i_h',j_h')，并在大小為2*radius+1的鄰域范圍內(nèi)，radius為正整數(shù)，即

i_h'∈(i_h'-radius,i_h'+radius)和j_h'∈(j_h'-radius,j_h'+radius)，判斷第h'個候選角點(i_h',j_h')的像素值是否是對應(yīng)鄰域內(nèi)的極大值，若是極大值，則進一步判斷第h'個候選角點(i_h',j_h')的像素值是否大于角點檢測閾值eta，如果大于，則將第h'個候選角點(i_h',j_h')作為第h”個真實角點，并令h”加1；否則舍棄第h'個候選角點；

4.3令h'加1，重復(fù)執(zhí)行子步驟4.2，直到判斷第H個候選角點(i_H,j_H)的像素值是否是對應(yīng)鄰域內(nèi)的極大值，若是極大值，則進一步判斷第H個候選角點(i_H,j_H)的像素值是否大于角點檢測閾值eta，如果大于，則將第H個候選角點(i_H,j_H)作為第T個真實角點；否則舍棄第H個候選角點；此時得到了T個真實角點，并將T個真實角點分別在待檢測的圖像I₀中進行標(biāo)識，即得到待檢測的圖像I₀中包含的T個真實角點。

6.如權(quán)利要求1所述的一種基于支撐域的圖像角點檢測和分類方法，其特征在于，步驟5的子步驟為：

5.1k表示濾波器組中的濾波器索引，k∈{1,2,…,K}，K表示獲取的濾波器組中包含的濾波器個數(shù)，k的初始值為1；t表示待檢測的圖像I₀中的真實角點索引，t∈{1，2，…，T}，T表示待檢測的圖像I₀中包含的真實角點個數(shù)；k_t表示第t個真實角點包含的峰值個數(shù)，k_t的初始值為0；將待檢測的圖像I₀中第t個真實角點記為(m_t，n_t)；

5.2選取待檢測的圖像I₀中第t個真實角點(m_t，n_t)，并根據(jù)第h個候選角點的方向為θ^k的濾波器模版對應(yīng)的圖像歸一化濾波響應(yīng)IMG_output(θ^k)，計算得到第t個真實角點(m_t，n_t)在方向為θ^k的濾波器方向的歸一化濾波響應(yīng)，記為索引為k的濾波器方向為θ^k，且θ^k＝2π*(k-1)/K；

5.3令k加1，重復(fù)執(zhí)行子步驟5.2，直到得到第t個真實角點(m_t，n_t)在方向為θ^K的濾波器方向的歸一化濾波響應(yīng)，記為此時得到了第t個真實角點(m_t，n_t)在方向為θ¹的濾波器方向的歸一化濾波響應(yīng)到第t個真實角點(m_t，n_t)在方向為θ^K的濾波器方向的歸一化濾波響應(yīng)并將k重新設(shè)置為1；

5.4將第t個真實角點(m_t，n_t)在方向為θ^k的濾波器方向的歸一化濾波響應(yīng)，與第t個真實角點(m_t，n_t)鄰近兩個方向各自的歸一化濾波響應(yīng)值進行比較，若第t個真實角點(m_t，n_t)在方向為θ^k的濾波器方向的歸一化濾波響應(yīng)分別大于第t個真實角點(m_t，n_t)鄰近兩個方向各自的歸一化濾波響應(yīng)值且第t個真實角點(m_t，n_t)在方向為θ^k的濾波器方向的歸一化濾波響應(yīng)大于角點檢測閾值eta，則令第t個真實角點(m_t，n_t)包含的峰值個數(shù)k_t加1；

5.5令k加1，重復(fù)執(zhí)行子步驟5.4，直到將第t個真實角點(m_t，n_t)在方向為θ^K的濾波器方向的歸一化濾波響應(yīng)，與第t個真實角點(m_t，n_t)鄰近兩個方向各自的歸一化濾波響應(yīng)值進行比較，若第t個真實角點(m_t，n_t)在方向為θ^K的濾波器方向的歸一化濾波響應(yīng)分別大于第t個真實角點(m_t，n_t)鄰近兩個方向各自的歸一化濾波響應(yīng)值且第t個真實角點(m_t，n_t)在方向為θ^K的濾波器方向的歸一化濾波響應(yīng)大于角點檢測閾值eta，則令第t個真實角點(m_t,n_t)包含的峰值個數(shù)k_t加1，此時得到第t個真實角點(m_t,n_t)包含的k_t個峰值；

5.6令t加1，依次重復(fù)子步驟5.2至子步驟5.5，直到得到第T個真實角點(m_T,n_T)的k_T個峰值，此時完成了待檢測的圖像I₀中包含的T個真實角點的分類。