SUSAN检测算法概述

亚像素边缘检测算法刘伟;薛国新【摘要】针对传统边缘检测算法的定位精度低、对噪声敏感等缺点,提出了Susan-Zernike亚像素边缘检测方法.首先使用Susan边缘检测算法实现边缘粗定位,然后用Zernike算子实现边缘重定位.实验表明该算法能够很好地实现亚像素定位,且运行时间较短,效率较高.%The traditional edge detection algorithm is low precision and sensitive to noise. In view of this, Susan —Zernike subpixel edge detection method is put forward. First, Susan edge detection algorithm was used to determine coarse position of edge, and then to relocate edge with the Zernike operator. The experiment showed that the proposed algorithm well realized subpixel edge detection, ran faster and had higher efficiency.【期刊名称】《常州大学学报（自然科学版）》【年(卷),期】2012(024)004【总页数】5页(P53-57)【关键词】Susan边缘检测;Zernike矩;亚像素边缘;边缘检测【作者】刘伟;薛国新【作者单位】常州大学信息科学与工程学院,江苏常州213164;常州大学信息科学与工程学院,江苏常州213164【正文语种】中文【中图分类】TP391边缘是图像的一个基本特征，对边缘的检测一直是图像处理技术中非常重要的问题。

传统的边缘检测算子，通常对噪声比较敏感，且检测一般为像素级，精度较低。

susan角点检测原理Susan角点检测原理什么是Susan角点检测Susan角点检测是一种用于计算机视觉和图像处理领域的角点检测算法。

它是由Smith和Brady于1997年提出的，并以其中一个作者的女儿Susan的名字命名。

Susan角点检测原理•Susan算法的目标是在图像中寻找具有角点特征的像素。

角点是在图像中突然变化的地方，它们通常表示物体的边缘、拐角或交叉点。

•Susan算法通过计算像素周围邻域内灰度值的变化来确定角点。

它将邻域内的像素按照灰度值与中心像素的差异进行分类，并分别计算差异值的均值和方差。

•对于邻域内的每个像素，如果它与中心像素的灰度值差异小于一定阈值，并且与邻域内其他像素的灰度值差异大于另一个阈值，则将其判定为角点。

•Susan算法的核心思想是通过差异值均值和方差来衡量像素的纹理信息。

纹理越丰富，差异值的方差越大，说明该像素可能是一个角点。

Susan算法的优点•Susan算法对图像的亮度变化和噪声具有鲁棒性，能够在不同条件下准确地检测角点。

•Susan算法的计算速度较快，适用于实时应用，不会导致显著的性能下降。

•Susan算法不依赖于特定的图像特征，能够适应不同类型的图像。

Susan算法的应用•Susan算法广泛应用于计算机视觉、模式识别、目标跟踪等领域，其角点检测能够提供有关图像中重要特征点的信息。

•Susan算法在图像配准、图像匹配、人脸识别等任务中发挥着重要作用，能够提高算法的鲁棒性和准确性。

•Susan算法也可用于图像压缩和图像增强领域，通过提取图像中的角点特征，可以实现对图像内容的表示和处理。

总结Susan角点检测算法通过计算像素周围邻域内灰度值的变化来确定角点。

它基于差异值的均值和方差来衡量像素的纹理信息，并能够在不同条件下准确地检测角点。

该算法具有鲁棒性、计算速度快，并广泛应用于计算机视觉和图像处理领域。

通过Susan角点检测，可以提取图像中的重要特征点，并用于不同的图像分析和处理任务。

角点检测角点检测算法可归纳为3类：基于灰度图像的角点检测、基于二值图像的角点检测、基于轮廓曲线的角点检测。

基于灰度图像的角点检测又可分为基于梯度、基于模板和基于模板梯度组合3类方法，其中基于模板的方法主要考虑像素领域点的灰度变化，即图像亮度的变化，将与邻点亮度对比足够大的点定义为角点。

常见的基于模板的角点检测算法有Kitchen-Rosenfeld角点检测算法，Harris角点检测算法、KLT角点检测算法及SUSAN角点检测算法。

和其他角点检测算法相比，SUSAN角点检测算法具有算法简单、位置准确、抗噪声能力强等特点。

2算法SUSAN是Smith和Brady提出的一种图像处理方法，该算法是基于像素领域包含若干元素的近似圆形模板，对每个像素基于该模板领域的图像灰度计算角点响应函数（CRF）的数值，如果大于某阈值且为局部极大值，则认为该点为角点。

角点的精度与圆形模板大小无关，圆形模板越大，检测的角点数越多，则计算量也越大，本文圆形模板包含37个元素，该近似圆形模板结构如图1所示。

SUSAN圆形模板与物体位置关系图[1]如图2所示为SUSAN圆形模板与物体的5种几何位置关系，对于图像中非纹理区域的任一点，在以它为中心的模板窗中存在一块亮度与其相同的区域，这块区域即为SUSAN的USAN （Univalve Segment Assimilating Nucleus）区域。

USAN区域包含了图像结构的重要信息，由图可知，当模板中心像素点位于区域内部时，USAN的面积最大，当该像素点位于区域边界时，则面积为最大的一半，当该像素点为角点时，USAN区域面积约为最大的1/4。

SUSAN根据不同位置时USAN区域的面积来考察当前像素点为区域内部点、边缘点或角点。

USAN区域面积通过圆模板内各像素与中心点像素比较得到的相似点的个数总和来表示，该相似比较函数为：函数其中（x0,y0），(x,y)分别为模板中心像素点和待比较像素点的坐标，t为相似度阈值，本文该值取整幅图像灰度最大值和最小值差值的1/10。

Harris 与SUSAN 角点检测算法原理与实验结果分析一．Harris 算法原理Harris 角点检测算法的基本原理是取以目标像素点为中心的一个小窗口，计算窗口沿任何方向移动后的灰度变化，并用解析形式表达。

设以像素点(x,y)为中心的小窗口在X 方向上移动u ，y 方向上移动v ，Harris 给出了灰度变化度量的解析表达式：2,,|,|,,()(x y x y x u y v x y x y I I E w I I w u v o X Y ∂∂=-=++∂∂∑∑ (1.1)其中，,x y E 为窗口内的灰度变化度量；,x y w 为窗口函数，一般定义为222()/,x y x y w eσ+=；I 为图像灰度函数，略去无穷小项有： 222222,,[()()2]2x y x y x y x y E w u I v I uvI I Au Cuv Bv =++=++∑（1.2）将,x y E 化为二次型有： ,[]x y u E u v M v ⎡⎤=⎢⎥⎣⎦(1.3)M 为实对称矩阵： 2,2x y x x y x y y I I I M w I I I ∙⎤⎡=⎥⎢∙⎢⎥⎣⎦∑ (1.4)通过对角化处理得到： 11,200x y E R R λλ-⎛⎫= ⎪⎝⎭ (1.5)其中，R 为旋转因子，对角化处理后并不改变以u,v 为坐标参数的空间曲面的形状，其特征值反应了两个主轴方向的图像表面曲率。

当两个特征值均较小时，表明目标点附近区域为“平坦区域”；特征值一大一小时，表明特征点位于“边缘”上；只有当两个特征值均比较大时，沿任何方向的移动均将导致灰度的剧烈变化。

Harris 的角点响应函数(CRF)表达式由此而得到：2(,)det()(())CRF x y M k trace M =- (1.6) 其中：det(M)表示矩阵M 的行列式，trace(M)表示矩阵的迹。

当目标像素点的CRF 值大于给定的阈值时，该像素点即为角点。

改进的SUSAN角点检测算法作者：张映权,王琼华,李大海,张文涛来源：《现代电子技术》2009年第20期摘要:SUSAN角点检测算法以抗噪声性能强,运算速度快而被广泛运用于特征点的提取。

传统的SUSAN算法的灰度差阈值固定,不能有效去除伪角点,并且在大尺寸模板检测下耗时多。

针对这些问题,从模板尺寸对检测结果的影响出发,讨论不同尺寸模板的检测效果,从而提出一种变换模板提取特征点的方法。

采用一种自动选取阈值的方法实现了阈值的自动选取,使用能量分布法和像素投影法去除了伪角点。

结果显示,该方法缩短了检测时间,并且提高了检测准确度。

关键词:特征提取;SUSAN算法;能量分布;像素投影中图分类号:TP391文献标识码:A文章编号:1004-373X(2009)20-042-03Improved SUSAN Corner Detection AlgorithmZHANG Yingquan,WANG Qionghua,LI Dahai,ZHANG Wentao(School of Electronics and Information Engineering,Key Laboratory of Fundamental Synthetic Vision Graphics and Imagefor National Defense,Sichuan University,Chengdu,610065,China)Abstract:SUSAN corner detection algorithm is widely used in feature extraction for its good performance in noise resistance and fast calculation.The traditional SUSAN algorithm has a fixed brightness difference threshold and can′t eliminate the fake corner well.The traditional algorithm is time-consuming when large-size mask is used.Aiming at those problems,the relationship between mask size and detection results is discussed,and an algorithm using alternate mask is proposed.A method that can select the threshold automatically is adopted.The energy distribution and pixel projection methods are used to eliminate the fake corners.The experimental results show that this improved algorithm reduces the detection time and improves the detection accuracy.Keywords:feature extraction;SUSAN algorithm;energy distribution;pixel projection0 引言在计算机视觉和图像处理中角点还没有明确的数学定义,存在多种数学描述方法。