SUSAN算子是一種高效的邊緣和角點檢測算子，并且具有結(jié)構(gòu)保留的降噪功能。

我們首先來看下面這個圖：

該圖是在一個白色的背景上，有一個深度顏色的區(qū)域（dark area），用一個圓形模板在圖像上移動，若模板內(nèi)的像素灰度與模板中心的像素（被稱為核Nucleus）灰度值小于一定的閾值，則認為該點與核Nucleus具有相同的灰度，滿足該條件的像素組成的區(qū)域就稱為USAN（Univalue Segment Assimilating Nucleus）

接下來，我們來分析下上圖中的五個圓形模的USAN值。對于上圖中的e圓形模板，它完全處于白色的背景中，根據(jù)前面對USAN的定義，該模板處的USAN值是最大的；隨著模板c和d的移動，USAN值逐漸減少；當圓形模板移動到b處時，其中心位于邊緣直線上，此時其USAN值逐漸減少為最大值的一半；而圓形模板運行到角點處a時，此時的USAN值最小。因此通過上面的描述：我們可以推導出：邊緣處的點的USAN值小于或等于最大值一半。由此，我們可以得出SUSAN提取邊緣和角點算法的基本原理：在邊緣或角點處的USAN值最小，可以根據(jù)USAN區(qū)域的大小來檢測邊緣、角點等特征的位置和方向信息。

下面我們用公式來描述前面的內(nèi)容：SUSAN算子通過用一個圓形模板在圖像上移動，一般這個圓形模板的半徑是（3.4pixels）的包含37個像素。模板內(nèi)的每一個像素與中心像素進行比較，比較方式如下所示：

其中是中心像素，是掩膜內(nèi)的其他像素，t是一個像素差異閾值（通常對于對比度比較低的區(qū)域，選取較小的t；反之，則t的閾值可以選擇大些）。 接著，對上式進行統(tǒng)計，統(tǒng)計方式如下式：

得到的n值就是USAN的大小。得到USAN值后，通過閾值化就可以得到初步的邊緣響應，公式表示如下：

其中，g為：

就是g的取值為USAN最大值的3/4。USAN值越小，邊緣的響應就越強。

得了初始的邊緣響應進行非極大值抑制，就可以得到圖像的邊緣信息了。上張SUSAN邊緣檢測的效果圖：

以上完成了SUSAN檢測邊緣的功能，

利用SUSAN算子檢測角點的步驟：

• 利用圓形模板遍歷圖像，計算每點處的USAN值

• 設(shè)置一閾值g，一般取值為1/2(Max(n)， 也即取值為USAN最大值的一半，進行閾值化，得到角點響應

• 使用非極大值抑制來尋找角點。

通過上面的方式得到的角點，存在很大偽角點。為了去除偽角點，SUSAN算子可以由以下方法實現(xiàn)：

• 計算USAN區(qū)域的重心，然后計算重心和模板中心的距離，如果距離較小則不是正確的角點；

• 判斷USAN區(qū)域的重心和模板中心的連線所經(jīng)過的像素都是否屬于USAN區(qū)域的像素，如果屬于那么這個模板中心的點就是角點。

總結(jié)：SUSAN算子是一個原理簡單、易于了解的算子。由于其指數(shù)基于對周邊象素的 灰度比較，完全不涉及梯度的運算，因此其抗噪聲能力很強，運算量也比較?。煌瑫r，SUSAN算子還是一個各向同性的算子；最后，通過控制參數(shù)t和g，可以根據(jù)具體情況很容易地對不同對比度、不同形狀的圖像通過設(shè)置恰當?shù)膖和g進行控制。比如圖像的對比度較大，則可選取較大的t值，而圖像的對比度較小，則可選取較小的t值?？傊?，SUSAN算子是一個非常難得的算子，不僅具有很好的邊緣檢測性能；而且對角點檢測也具有很好的效果。

更多信息請參考：

       1、SUSAN Low Level Image Processing：http://users.fmrib./~steve/susan/

       2、OpenCV的susan角點檢測：http://blog.csdn.net/augusdi/article/details/9012555

本文參考CSDN博客，如有侵權(quán)請聯(lián)系后臺刪除

https://blog.csdn.net/kezunhai/article/details/11269793