SUSAN?算法

?????1997?年英國牛津大學(xué)的?S.M.smith?和?J.M.Brady?人提出了一種用于低層次圖像

處理的最小核值相似區(qū)（即?Smallest Univalue Segment Assimilating Nucleus，簡稱SUSAN）算法[65,66]。它直接對圖像灰度值進行操作，方法簡單，無需梯度運算，

保證了算法的效率；定位準確，對多個區(qū)域的結(jié)點也能精確檢測；并且具有積分

特性，對局部噪聲不敏感，抗噪能力強。

???SUSAN?準則的原理如圖?所示，用一個圓形模板遍歷圖像，若模板內(nèi)其他

任意像素的灰度值與模板中心像素（核）的灰度值的差小于一定閾值，就認為該

點與核具有相同（或相近）的灰度值，滿足這樣條件的像素組成的區(qū)域稱為核值

相似區(qū)（Univalue Segment Assimilating Nucleus, USAN）。把圖像中的每個像素與

具有相近灰度值的局部區(qū)域相聯(lián)系是?SUSAN?準則的基。

具體檢測時，是用圓形模板掃描整個圖像，比較模板內(nèi)每一像素與中心像素

的灰度值，并給定閾值來判別該像素是否屬于?USAN?區(qū)域，如下式：

式中，c(r,r0)為模板內(nèi)屬于?USAN?區(qū)域的像素的判別函數(shù)，I (r0)是模板中心

像素（核）的灰度值，I (r)為模板內(nèi)其他任意像素的灰度值，t是灰度差門限。它

影響檢測到角點的個數(shù)。t減小，獲得圖像中更多精細的變化，從而給出相對較多

的檢測數(shù)量。門限t必須根據(jù)圖像的對比度和噪聲等因素確定。

則圖像中某一點的?USAN?區(qū)域大小可由下式表示：

sUSAN?區(qū)域包含了圖像局部許多重要的結(jié)構(gòu)信息，它的大小反映了圖像局部

特征的強度，當(dāng)模板完全處于背景或目標中時，USAN?區(qū)域最大（如圖?2.6?中?a），

當(dāng)模板移向目標邊緣時，USAN?區(qū)域逐漸變小（如圖?2.6?中?c，d，e），當(dāng)模板中心

處于角點位置時，USAN?區(qū)域很小（如圖?2.6?中?b）。得到每個像素對應(yīng)的?USAN

區(qū)域大小后，利用下式產(chǎn)生初始角點響應(yīng)：

其中，g?為幾何門限，影響檢測到的角點形狀，?g?越小，檢測到的角點越尖銳。

(1) t , g的確定

????門限g決定了輸出角點的USAN區(qū)域的最大值，·即只要圖象中的象素具有比g

小的USAN區(qū)域，該點就被判定為角點。g的大小不但決定了可從圖象中提取角點

的多寡，而且如前所述，它還決定了所檢測到的角點的尖銳程度。所以一旦確定了

所需角點的質(zhì)量(尖銳程度)，g就可以取一個固定不變的值。門限t表示所能檢測

角點的最小對比度，也是能忽略的噪聲的最大容限。它主要決定了能夠提取的特征

數(shù)量，t越小，可從對比度越低的圖象中提取特征，而且提取的特征也越多。因此

對于不同對比度和噪聲情況的圖象，應(yīng)取不同的t值。

SUSAN?準則有一個突出的優(yōu)點，就是對局部噪聲不敏感，抗噪能力強。這是

由于它不依賴于前期圖像分割的結(jié)果，并避免了梯度計算，另外，USAN?區(qū)域是

由模板內(nèi)與模板中心像素具有相似灰度值的像素累加而得，這實際上是一個積分

過程，對于高斯噪聲有很好的抑制作用。

SUSAN?二維特征檢測的最后一個階段，就是尋找初始角點響應(yīng)的局部最大值，

也就是非最大抑制處理，以得到最終的角點位置。非最大抑制顧名思義，就是在

局部范圍內(nèi)，如果中心像素的初始響應(yīng)是此區(qū)域內(nèi)的最大值，則保留其值，否則

刪除，這樣就可以得到局部區(qū)域的最大值。

?matlab 代碼：

im=imread('xinglong.jpg'); >> image_out = susan(im,0.25);
function image_out = susan(im,threshold) % 功能：實現(xiàn)運用SUNSAN算子進行邊緣檢測 % 輸入：image_in-輸入的待檢測的圖像 % threshold-閾值 % 輸出：image_out-檢測邊緣出的二值圖像% 將輸入的圖像矩陣轉(zhuǎn)換成double型 d = length(size(im)); if d==3image=double(rgb2gray(im)); elseif d==2image=double(im); end% 建立SUSAN模板mask = ([ 0 0 1 1 1 0 0 ;0 1 1 1 1 1 0;1 1 1 1 1 1 1;1 1 1 1 1 1 1;1 1 1 1 1 1 1;0 1 1 1 1 1 0;0 0 1 1 1 0 0]); R=zeros(size(image)); % 定義USAN 區(qū)域 nmax = 3*37/4;[a b]=size(image); new=zeros(a+7,b+7); [c d]=size(new); new(4:c-4,4:d-4)=image;for i=4:c-4for j=4:d-4current_image = new(i-3:i+3,j-3:j+3);current_masked_image = mask.*current_image;% 調(diào)用susan_threshold函數(shù)進行閾值比較處理current_thresholded = susan_threshold(current_masked_image,threshold);g=sum(current_thresholded(:));if nmax<gR(i,j) = g-nmax;elseR(i,j) = 0;endend endimage_out=R(4:c-4,4:d-4);
function thresholded = susan_threshold(image,threshold) % 功能：設(shè)定SUSAN算法的閾值[a b]=size(image); intensity_center = image((a+1)/2,(b+1)/2);temp1 = (image-intensity_center)/threshold; temp2 = temp1.^6; thresholded = exp(-1*temp2);

總結(jié)

以上是生活随笔為你收集整理的susan算子的运用的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。