susan算子的运用

SUSAN 算法

     1997 年英国牛津大学的 S.M.smith 和 J.M.Brady 人提出了一种用于低层次图像

处理的最小核值相似区（即 Smallest Univalue Segment Assimilating Nucleus，简称SUSAN）算法[65,66]。它直接对图像灰度值进行操作，方法简单，无需梯度运算，

保证了算法的效率；定位准确，对多个区域的结点也能精确检测；并且具有积分

特性，对局部噪声不敏感，抗噪能力强。

   SUSAN 准则的原理如图 所示，用一个圆形模板遍历图像，若模板内其他

任意像素的灰度值与模板中心像素（核）的灰度值的差小于一定阈值，就认为该

点与核具有相同（或相近）的灰度值，满足这样条件的像素组成的区域称为核值

相似区（Univalue Segment Assimilating Nucleus, USAN）。把图像中的每个像素与

具有相近灰度值的局部区域相联系是 SUSAN 准则的基。

具体检测时，是用圆形模板扫描整个图像，比较模板内每一像素与中心像素

的灰度值，并给定阈值来判别该像素是否属于 USAN 区域，如下式：

式中，c(r,r0)为模板内属于 USAN 区域的像素的判别函数，I (r0)是模板中心

像素（核）的灰度值，I (r)为模板内其他任意像素的灰度值，t是灰度差门限。它

影响检测到角点的个数。t减小，获得图像中更多精细的变化，从而给出相对较多

的检测数量。门限t必须根据图像的对比度和噪声等因素确定。

则图像中某一点的 USAN 区域大小可由下式表示：

sUSAN 区域包含了图像局部许多重要的结构信息，它的大小反映了图像局部

特征的强度，当模板完全处于背景或目标中时，USAN 区域最大（如图 2.6 中 a），

当模板移向目标边缘时，USAN 区域逐渐变小（如图 2.6 中 c，d，e），当模板中心

处于角点位置时，USAN 区域很小（如图 2.6 中 b）。得到每个像素对应的 USAN

区域大小后，利用下式产生初始角点响应：

其中，g 为几何门限，影响检测到的角点形状， g 越小，检测到的角点越尖锐。

(1) t , g的确定

    门限g决定了输出角点的USAN区域的最大值，·即只要图象中的象素具有比g

小的USAN区域，该点就被判定为角点。g的大小不但决定了可从图象中提取角点

的多寡，而且如前所述，它还决定了所检测到的角点的尖锐程度。所以一旦确定了

所需角点的质量(尖锐程度)，g就可以取一个固定不变的值。门限t表示所能检测

角点的最小对比度，也是能忽略的噪声的最大容限。它主要决定了能够提取的特征

数量，t越小，可从对比度越低的图象中提取特征，而且提取的特征也越多。因此

对于不同对比度和噪声情况的图象，应取不同的t值。

SUSAN 准则有一个突出的优点，就是对局部噪声不敏感，抗噪能力强。这是

由于它不依赖于前期图像分割的结果，并避免了梯度计算，另外，USAN 区域是

由模板内与模板中心像素具有相似灰度值的像素累加而得，这实际上是一个积分

过程，对于高斯噪声有很好的抑制作用。

SUSAN 二维特征检测的最后一个阶段，就是寻找初始角点响应的局部最大值，

也就是非最大抑制处理，以得到最终的角点位置。非最大抑制顾名思义，就是在

局部范围内，如果中心像素的初始响应是此区域内的最大值，则保留其值，否则

删除，这样就可以得到局部区域的最大值。

 matlab 代码：

 im=imread('xinglong.jpg');
>> image_out = susan(im,0.25);

function image_out = susan(im,threshold)
% 功能：实现运用SUNSAN算子进行边缘检测
% 输入：image_in-输入的待检测的图像
%       threshold-阈值
% 输出：image_out-检测边缘出的二值图像

% 将输入的图像矩阵转换成double型
d = length(size(im));
if d==3
    image=double(rgb2gray(im));
elseif d==2
    image=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));
% 定义USAN 区域
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-4
    
    for j=4:d-4
        
        current_image = new(i-3:i+3,j-3:j+3);
        current_masked_image = mask.*current_image;
   
%   调用susan_threshold函数进行阈值比较处理
                
        current_thresholded = susan_threshold(current_masked_image,threshold);
        g=sum(current_thresholded(:));
        
        if nmax<g
            R(i,j) = g-nmax;
        else
            R(i,j) = 0;
        end
    end
end
 
image_out=R(4:c-4,4:d-4);

function thresholded = susan_threshold(image,threshold)
% 功能：设定SUSAN算法的阈值

[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);