本论文研究内容和章节安排

本文详细介绍了各种二维图像角点检测方法，并主要针对三种经典的角点检测方法，对其进行了归纳和分类。同时基于C#实现了这三种算法的相应程序的编写，并基于这个系统将这三种经典的角点检测算法进行了对比，分析各种算法的效果。

论文章节安排如一下：

第一章在绪论中介绍了计算机视觉和角点检测的研究现状。

第二章分析总结了二维图像特征点提取技术。

第三章给出了三种经典的角点检测算法的原理。

第四章学习了实现算法的开发环境以及语言基础。给出了算法的流程以及系统的框架，并且基于该语言环境实现了三种算法的实验系统。

第五章对三种检测算法进行各方面的实验以及对实验结果的进行了比较分析。

最后，作为本文的结束语，对全文的工作进行了总结。

实验结果分析

由本实验以及表5-5的统计结果可以得出：在对图5-1标准图以及图5-3积木图片，图5-4房屋图片的处理过程中，计算速度最快的是MIC检测算法，其处理的总体平均计算时间小于1ms，Harris算法小于13ms，也即介于12ms到13ms之间，SUSAN算法最耗时，处理的总体平均计算时间超过了43ms。下面来分析一下原因。

Harris角点检测算法的数字圆形模板直径有两个，一个为3一个为5，圆形模板直径为3 的涉及到3*3次乘法和3*3-1即8次加法，圆形模板直径为5的涉及到5*5次乘法和5*5-1即24次加法。程序中对每个像素点都要计算，将计算的梯度值和一个门限值作比较，这里有3次乘法和4次加法。每个像素的平均计算代价为37次乘法和36次加法，所以每个像素进行73次运算。

SUSAN角点检测算法中用的模板是直径等于7的离散模板，共有37个像素。本算法的运算分为三个步骤。首先是以模板像素数目的一半来计算USAN区域，这一步要对每一个像素进行运算，涉及到(37-1)即36步加法。接着要求模板内usan区域大小，见式(3-17)。这一步对每一个像素就包括了1*6*37+36次加法和1*6*37次乘法。最后还要和一个门限值作比较，即1次加法。所以，在SUSAN角点检测算法中，每个像素的计算代价为222次乘法和295次加法，共517次操作。

结论

本次设计即是完成的三维扫描中前端的扫描图片涵盖的特征点的提取的相关内容的研究，至上一章收尾，对于这个特征点提取的算法实现以及实验对比分析的介绍就全部结束了。

本次设计的主要任务有了解二维图像特征点检测准则和检测技术、设计实现各种经典的特征点提取算法（包括Harris、SUSAN和MIC算子）、基于图像匹配分析比较三种算法的优缺点三个方面的内容。本次设计按时按量完成了任务书中的基本任务，并且着重将特征点提取的三种算法做了大量的实验，以比较算法的优缺点。