SUSAN检测算法概述

SUSAN检测算法

检测算法概述

概述

概述

SUSAN算法是1997年英国牛津大学的Smith等人提出的一种处理灰度图像的方法。探测算子的基本原理是：与每一图像点相关的局部区域具有相同的亮度。下面介绍SUSAN角点检测准则。

1SUSAN算子

将位于圆形窗口模板中心等待检测的象素点称为核心点。假设图像中无纹理存在，称与核心点具有一样的灰度值的区域为USAN（Univalue Segment Assimilting Nucleus）。

图(1)给出了USAN的三种典型形状：

图(1)

由图(1)可以清楚的看到，当核心点位于USAN区域内时，USAN区域面积最大；当核心点位于边 缘时，USAN区域相当于整个领域面积的一半；当核心点的USAN区域最小时，核心点是角点。利用这个原理，Smith等人提出了最小核心值相似区域 (SUSAN，Smallest Univalue Segment Assimilating Nucleus )的角点检测算法。

SUSAN算子使用的是圆形模板进行角点检测，一般使用的模板的半径为3~4个像素，如图(2)所示。

图(2) SUSAN圆形模板

将模板中的各点亮度与核心点的亮度利用下面的函数进行比较，

(1)

在上式中 为图像中像素 的灰度值， t为灰度差别的阈值， 为模板中心的像素， 为其他的像素， C为比较函数。模板中所有的像素都用这个函数进行比较，然后 计算 出函数C的和值n。

(2)

和值n就是USAN(univalue segment assimilating nucleus)区域的像素个数，就是USAN区域的面积，然后把这个面积和几何阈值进行比较，得到最后的响应函数：

(3)

上式中，R为响应函数，g为阈值，通常在探测角点时取值为1/2模板的像素个数，当采用7×7的模板时，g=37×1/2。

2SUSAN算子的改进算法

通常在实际的 应用 中，对于比较函数 我们通常采用下面的比较函数：

(4)

采用这个函数可以使比较函数具有更好的稳定性，当图像中的像素亮度值有很小的变化后，对于c 的取值不会产生很大的 影响 。

灰度差别阈值t能够体现出算法检测到的角点的最小对比度，同时该值也是忽略噪声的最大值。它的大小决定了在不同的对比度图像中提取特征值的多少，因此，对于不同的对比度和噪声的图像，取值t应该不同，从而达到最好的提取效果。

问题分析及改进

及改进

3、问题分析

及改进

SUSAN检测方法是对噪声和图像的旋转具有鲁棒性的优秀的检测方法之一，但是它无法检测所有应该检测出的角点。在一些情况下也会产生错误的检测，漏检和误检等问题都限制其应用。

1）去除伪角点

方法1：计算USAN区域的重心，然后计算重心与模板中心的距离，如果距离较小则不是正确的角点。

方法2：计算USAN区域的重心，判断该重心与模板中心的连线所经过的像素点是否都属于USAN区域，如是，则该模板中心点就是角点。这个方法加强了USAN区域的一致性，在有些图像中尤其是有噪声的情况下是非常必要的。 2）非极大值抑制

在角点所在的位置附近区域，响应函数可能都具有较高的值，而只有在局部有最大值的位置才是角点的正确位置，所以需要进行非极大值抑制。

4 4 编程实现流程编程实现流程编程实现流程

1）使用圆形模板遍历图像；

2）使用式（1）或（4）相似比较函数对模板中各点计算相似度；

3）设置一个阈值，其值小于边缘检测的值，这里取g=n Max /2,；利用式（3）产生角点响应；

4）去除伪角点；

5）非极大值抑制。

2014-1-9