图像特征描述子——Susan

1、Susan:
SUSAN（Smallest Univalue Segment Assimilating NucleusSUSAN）算子的模板和常规卷积算法的正方形模板不同，它使用一种近似圆形的模板。

该方法可用于一次性快速检测出角点、交点、边缘点，而且无方向性。
（1）susan算法思想：
SUSAN算法采用圆形模板，其目的是使检测达到各向同性。在实际应用中，由于图像的数字化，无法实现真正的原型模板，往往采用近似圆代替。圆形模板在图像上使用，模板内部每个图像像素点的灰度与模板中心像素的灰度进行比较。若模板内某个像素的灰度与模板中心像素灰度的差值小于一定值，则认为该点与核具有相同或相似的灰度。
由满足这样条件的像素组成的区域称为吸收核同值区(Univalue Segment Assimilation Nucleus,USAN);
当圆形模板完全在背景或目标中时，USAN区面积最大；
当圆形模板向边缘移动时，USAN区面积减少；
当圆心处于边缘时，USAN区面积很小；
当圆心在角点处时，USAN区面积最小；
故将图像每点上的USAN区面积作为该处特征的显著性度量，USAN区面积越小，特征越显著；

（2）susan算法原理：
①确立模板大小：
采用半径为3个像素共计37个像素的类圆形模板；
模板中心像素是标号为19的点；

视觉图像：SUSAN算子及其实现
②确定USAN区域：
用这个圆形模板扫描整个图像，模板内部的每个像素的灰度与模板中心像素的灰度进行比较，并且给定阈值，确定像素是否属于USAN区域；

判断方法如下式：

式中，为USAN判别函数，r0为模板中心点，r为模板内部点；t为灰度差阈值，一般取25；
当然，也可以用平滑的线来代替这种直接的分割方式，这样可以获得更稳定而敏感的结果，虽然计算复杂但是可以通过查找表来获得较快的速度。

（3）SUSAN检测的优点：
最突出的一个优点：对局部噪声不敏感、抗噪能力强；
由于USAN特征检测原则不依赖于前期图像分割的结果，避免了梯度计算
（4）SUSAN阈值的分析:
在SUSAN检测中，有两种阈值：
一种用来约束角点的数量；
一种用来约束角点的质量；
当然，一个阈值不能完全做到只影响质量或数量，只会有一个侧重点；
那么，SUSAN中的两个阈值t和g在特征检测中起到一个什么样的作用呢？
很明显，
阈值g是角点质量，尽管也会影响数量，但是相对来说更侧重于影响质量；
例如，g值减小，那么SUSAN会更加侧重于检测到更加“尖锐”的角点；
阈值t是角点数量，当t减小时，会检测到更多的角点；
所以，阈值t可以在不影响角点质量的情况下，控制检测到的角点的数量；
在大多数情况下，设t为25比较合适，如果图像的对比度比较低，可以修改t值以适应变化。
（5）SUSAN算子检测步骤：
①利用圆形模板遍历图像，计算每点处的USAN值。
②设置阈值g，进行阈值化，得到特征信息响应；
③使用非极大值抑制来寻找角点；
【注】：由上面的方式得到的角点，存在很大伪角点。
为了去除伪角点，SUSAN算子可以由以下方法实现：
①计算USAN区域的重心，然后计算重心和模板中心的距离，如果距离较小则不是正确的角点；
②判断USAN区域的重心和模板中心的连线所经过的像素都是否属于USAN区域的像素，如果属于那么这个模板中心的点就是角点。
综上所述，我们基本知道SUSAN角点检测算法。
（6）susan角点检测的C++实现：

#include <iostream>
#include "opencv2/opencv.hpp"
#include "opencv2/highgui/highgui.hpp"

#include <iostream> 
using namespace std;
using namespace cv;
Mat  MySusan(Mat img);

int main(int argc, char **argv)
{
    Mat image1 = imread("../test.jpg", 1);//读取图像
    
    Mat imageGray1,image_2;
    cvtColor(image1,imageGray1,COLOR_RGB2GRAY);//将彩色图转化为灰度图
    image_2=MySusan(imageGray1);
       imshow("image",image_2);
    imwrite("image_1.jpg",image_2);
     waitKey();
    return 0;
}


//susan角点检测
//输入灰度图,输出角点
Mat  MySusan(Mat img)
{ 
     //susan模板

       int OffSetX[37] = { -1, 0, 1,

                              -2,-1, 0, 1, 2,

                              -3,-2,-1, 0, 1, 2, 3,

                              -3,-2,-1, 0, 1, 2, 3,

                              -3,-2,-1, 0, 1, 2, 3,

                              -2,-1, 0, 1, 2,

                              -1, 0, 1 };

 

       int OffSetY[37] = { -3,-3,-3,

                              -2,-2,-2,-2,-2,

                              -1,-1,-1,-1,-1,-1,-1,

                               0, 0, 0, 0, 0, 0, 0,

                               1, 1, 1, 1, 1, 1, 1,

                               2, 2, 2, 2, 2,

                               3, 3, 3 };

 

       int mHeight = img.rows;

       int mWidth = img.cols;

       unsigned char *ucDataImg = (unsigned char *)img.data;

       Mat nImg(img.rows,img.cols,CV_8UC1);

       unsigned char *ucDatanImg = (unsigned char *)nImg.data;

 

       int k,pixelSum,thresh,sameNum;

       for(int i=3;i<mHeight-3;i++)

       {

              for (int j=3;j<mWidth-3;j++)

              {

                     pixelSum = 0;

                     sameNum = 0;

                     for (k=0;k<37;k++)

                     {

                            pixelSum += ucDataImg[(i+OffSetY[k])*mWidth+(j+OffSetX[k])];

                           // thresh = pixelSum/37;//数量
                            thresh = 25;

                            if (abs(ucDataImg[(i+OffSetY[k])*mWidth+(j+OffSetX[k])]-ucDataImg[i*mWidth+j])<=thresh)

                            {

                                   sameNum ++;

                            }

                     }

 

                     if (sameNum<33)//质量34

                     {

                            ucDatanImg[i*mWidth+j] = 0;

                     }

                     else

                     {

                            ucDatanImg[i*mWidth+j] = 255;

                     }

              }

       }

       return nImg;
}

（7）输出结果：