[论文解读] A Comparative Study between Moravec and Harris Corner Detection of Noisy Images Using Adaptive Wavelet Thresholding Technique

Nilanjan Dey, Pradipti Nandi+3 more|arXiv (Cornell University)|Sep 7, 2012

Image and Signal Denoising Methods参考文献 8被引用 26

一句话总结

本文提出了一种在噪声图像中对Moravec和Harris角点检测方法进行对比分析的方法，采用自适应小波阈值化作为预处理技术。通过在角点检测前应用该技术以降低噪声，研究结果表明，在不同噪声水平下，Harris角点检测结合自适应小波阈值化能实现更高的角点定位精度和鲁棒性，优于Moravec方法在噪声环境下的表现。

ABSTRACT

In this paper a comparative study between Moravec and Harris Corner Detection has been done for obtaining features required to track and recognize objects within a noisy image. Corner detection of noisy images is a challenging task in image processing. Natural images often get corrupted by noise during acquisition and transmission. As Corner detection of these noisy images does not provide desired results, hence de-noising is required. Adaptive wavelet thresholding approach is applied for the same.

研究动机与目标

• 评估Moravec和Harris角点检测算法在噪声图像中的性能。
• 解决自然图像在采集和传输过程中因噪声导致角点检测精度下降的挑战。
• 研究自适应小波阈值化作为预处理步骤在增强噪声环境中角点检测效果的有效性。
• 比较经小波基技术降噪后两种角点检测器的鲁棒性与精度。
• 确定在不同噪声水平下，将自适应小波阈值化与Moravec或Harris角点检测结合时，哪种方法表现更优。

提出的方法

• 在角点检测前应用自适应小波阈值化对输入图像进行去噪处理。
• 使用离散小波变换（DWT）将图像分解为子带，以实现噪声抑制。
• 采用基于通用阈值规则的自适应阈值策略，并根据各子带的方差进行调整。
• 在去噪后的图像上实现Moravec和Harris角点检测算法。
• 在Harris检测器中使用Hessian矩阵和特征值分析来识别角点。
• 通过视觉检查和定量指标（如角点定位精度和抗噪能力）比较角点检测结果。

实验结果

研究问题

• RQ1 噪声在多大程度上影响Moravec和Harris角点检测算法在自然图像中的性能？
• RQ2 自适应小波阈值化在多大程度上提升了噪声图像中角点检测的精度？
• RQ3 在与自适应小波阈值化结合时，哪种角点检测方法——Moravec还是Harris——表现更优？
• RQ4 在不同噪声水平下，两种方法的角点定位精度和鲁棒性如何比较？
• RQ5 使用自适应阈值化是否显著减少了误报并提高了检测的一致性？

主要发现

• 自适应小波阈值化能有效降低图像中的噪声，提升角点检测的信噪比。
• 在去噪后，Harris角点检测在角点定位精度方面优于Moravec方法。
• Harris检测器与自适应小波阈值化的结合在不同噪声水平下表现出更高的鲁棒性，优于Moravec方法。
• 即使经过去噪处理，Moravec检测器在噪声环境下仍产生更多误报，且角点定位一致性较差。
• 视觉与定量分析均证实，结合自适应小波预处理的Harris检测器实现了更优的检测质量。
• 本研究证明，采用自适应小波阈值化进行预处理对于在真实世界噪声图像中实现可靠的角点检测至关重要。