Susan角点检测python实现 （边缘检测、角点检测、重心计算、非极大值抑制）

已于 2022-07-19 21:58:28 修改
阅读量1.1w 收藏 98
点赞数 14
文章标签： 人工智能 计算机视觉
于 2022-03-24 17:01:32 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xiaohuolong1827/article/details/123698593
版权

Susan角点检测（边缘检测、角点检测、重心计算、非极大值抑制）

写在前面

黄宁然——看过你看过的算法，觉得好难。

参考文献镇楼

[1]https://blog.csdn.net/tostq/article/details/49305615
[2]https://blog.csdn.net/qq_45613931/article/details/117819107
[3]陈丽莉《基于SUSAN算法的角点检测》
[4]王栋、朱明《SUSAN角点探测算法分析改进》

问题来源

an***** xue100: https://bbs.csdn.net/topics/*********?spm=1001.2014.3001.**77
1）如何计算USAN区域的重心？
2）非极大值抑制，指的是若模板中心对应的灰度小于模板内的任意像素灰度，就舍弃该像素点吗？
3）几何门限g如何选取？
因“当前发帖距今超过3年，不再开放新的回复”，故新建帖子。迟到的回复。

1、原理简介

SUSAN（Smallest UnivalueSegment Assimilating Nucleus）使用一个圆形模板，通过检测模板中的像素与中心位置像素的偏离程度，来判断中心位置像素是否为边缘或角点。
模板大小：半径为3.5像素，模板内共计有37个像素。
在这里插入图片描述
中心思想：如果周边像素与中心位置像素偏差较小，则认为周边像素与中心位置像素相似，中心位置为非边缘；如果周边像素与中心位置偏差较大，则认为中心位置为边缘或角点。

2、基本实现步骤

（1）相似判断

（式1）
I(r0)为中心位置像素，I( r)为周边位置像素，t像素偏差阈值，c为布尔结果，表示相似或不相似。
关于阈值t：可见，t越大，周边像素越容易与中心位置像素“相似”，越不容易被判定为边缘或角点，即将获得较少的角点。相关文献说，t值影响的是角点检测的数量[1]。

（2）平滑曲线进行相似判断

实际中，使用平滑曲线来求c
在这里插入图片描述（式2）

（3）累计相似度

对于圆形模板区域，共计37个像素，周边36个像素与中心位置像素进行对比，可以得到该中心位置的36个c。对这36个c进行累加，得到该中心位置的累计相似度：
在这里插入图片描述 （式3）
显然，n越大，越不可能是边缘、角点。

（4）初始边缘响应/角点

这里，再引入一个阈值g，通过判断n与g的大小，来得到该中心位置属于边缘或角点的可能性。
在这里插入图片描述（式4）
可见，若n大于g，则R为0，表示该中心位置为非边缘（非角点）；如果n小于g，R取值为（g-n），含有取负操作。故R值越大，该中心位置为边缘或角点的可能性就越大。

关于阈值g：g的取值越小，对角点检测越挑剔。文献[1]阐述，g影响角点检测的质量。g的取值，文献[1]阐述可以取max(n)的0.75倍；有的程序代码中，直接取值37/2。具体取值，应该需要针对具体场景进行调试。

3、python代码实现

3.1 圆形掩模

def get_susan_mask():
   mask=np.ones((7,7))
   mask[0,0]=0;mask[0,1]=0;mask[0,5]=0;mask[0,6]=0;
   mask[1,0]=0;mask[1,6]=0;
   mask[5,0]=0;mask[5,6]=0;mask[6,0]=0;mask[6,1]=0;
   mask[6,5]=0;mask[6,6]=0;
   return mask

该程序返回的mask如下：
在这里插入图片描述
为1的位置，即是圆形模板区域。

3.2 susan角点检测

def susan_corner_detect(img_src,t=10):
   susan_mask = get_susan_mask()
   img = img_src.copy()
   row_s,col_s = 3,3
   row_e,col_e = img_src.shape[0]-3,img.shape[1]-3
   n_max = 0
   n_arr=37*np.ones(img.shape) # 初始认为没有角点
   for r in range(row_s,row_e):#遍历所有行
      for c in range(col_s,col_e):#遍历所有列
         susan_zone = img[r-3:r+3+1,c-3:c+3+1]#获取矩形区域
         susan_zone = susan_zone[susan_mask!=0]#使用mask截取圆形区域
         r0 = img[r,c]
         similarity = np.exp(-((1.0*susan_zone-r0)/t)**6 )
         n=np.sum(similarity)
         if n>n_max:
            n_max = n
         n_arr[r,c] = n
   g = n_max /2
   R = np.zeros(img.shape)
   index = n_arr<g       #小于g，认为是可能的角点，越小，可能性越大
   R[index] = g-n_arr[index] # 取反，所以R越大，是角点的可能性越大

   plt.figure()
   plt.title("edge")
   plt.imshow((6.37 * n_arr).astype(np.uint8), cmap=cm.gray)
   return R

3.3 检测结果

取t=10，g= n_max /2。
主程序中，调用算法：

if __name__ == '__main__':
    img_src = cv2.imread('susan_input1.png',-1)
    if len(img_src.shape)==3:
       img_src = cv2.cvtColor(img_src,cv2.COLOR_BGR2GRAY)
    corner = susan_corner_detect(img_src)

    img_show = cv2.cvtColor(img_src, cv2.COLOR_GRAY2BGR)
    img_show[corner != 0] = (255, 0, 0)
    plt.figure()
    plt.title("original corners")
    plt.imshow(img_show, cmap=cm.gray)
    plt.show()

在这里插入图片描述
在这里插入图片描述

4、重心法去除伪角点

从上图的角点检测结果来看，原始角点中存在较多冗余角点，或伪角点。
采用重心法去除。
根据文献1，求取重心
在这里插入图片描述 （式5）
上式中，r为位置，实际为（x，y）两轴构成。计算时，先计算x方向重心，再计算y方向重心。对公式的简言之：圆形模板中心位置周边有36个像素，相应的有36个c，在求x方向重心Gx时，将36个位置的x坐标与相应的c相乘后累加，再除以sum( c)，即可得到Gx；同理得Gy。另外，对于r0，可假设其位置为(0,0)。
在求得重心后，计算重心与中心位置的距离，根据文献[3]描述，如距离较小，则认为中心位置不是角点。根据文献[4]，该距离阈值设置为1.8。本文采用1.5。另，重心法去除伪角点与初始角点的检测，在代码实现时，有些许内容的重复，所以在初始角点检测时，即可同步应用重心法。

4.1重心法代码

def gravity_filter(img_src,corner_src,t=10,F=1.5):
   x_label = np.zeros((7,7))
   y_label = np.zeros((7,7))
   x_label[:,0]=-3;x_label[:,1]=-2;x_label[:,2]=-1;
   x_label[:, -1] = 3;    x_label[:, -2] = 2;    x_label[:, -3] = 1;
   y_label[0,:]=-3;y_label[1,:]=-2;y_label[2,:]=-1;
   y_label[4, :] = 1;y_label[5, :] = 2;   y_label[6, :] = 3;
   print(x_label,"\r\n",y_label) #查看矩形区域内x、y轴信息

   img = img_src.copy()
   row_s, col_s = 3, 3
   row_e, col_e = img_src.shape[0] - 3, img.shape[1] - 3
   corner = corner_src.copy()
   susan_mask = get_susan_mask()
   for r in range(row_s,row_e):
      for c in range(col_s,col_e):
         if corner[r,c] ==0: #对于不是角点的位置，就没必要进行后续计算了
            continue
         susan_zone = img[r-3:r+3+1,c-3:c+3+1]#获取矩形区域
         r0 = img[r,c]
         similarity = np.exp(-((1.0*susan_zone-r0)/t)**6 )
         g_x = np.sum(similarity[susan_mask==1]*x_label[susan_mask==1] )/np.sum(similarity[susan_mask==1])#使用mask截取圆形区域
         g_y = np.sum(similarity[susan_mask == 1] * y_label[susan_mask == 1]) / np.sum(similarity[susan_mask == 1])#使用mask截取圆形区域
         distance = np.sqrt(g_x**2+g_y**2)
         if distance<F:
            corner[r,c] = 0
   return corner

4.2 主程序调用

if __name__ == '__main__':
    img_src = cv2.imread('susan_input1.png',-1)
    if len(img_src.shape)==3:
       img_src = cv2.cvtColor(img_src,cv2.COLOR_BGR2GRAY)
    corner = susan_corner_detect(img_src)

    img_show = cv2.cvtColor(img_src, cv2.COLOR_GRAY2BGR)
    img_show[corner != 0] = (255, 0, 0)
    plt.figure()
    plt.title("original corners")
    plt.imshow(img_show, cmap=cm.gray)


    cor_g = gravity_filter(img_src, corner)
    img_show2 = cv2.cvtColor(img_src, cv2.COLOR_GRAY2BGR)
    img_show2[cor_g != 0] = (255, 0, 0)
    plt.figure()
    plt.title("corners-gravity ")
    plt.imshow(img_show2, cmap=cm.gray)
	plt.show()

4.3 检测结果

在这里插入图片描述
与原始角点的局部对比
在这里插入图片描述

5、非极大值抑制

非极大值抑制，也可对角点进行剔除。
思想：对于已获取的角点矩阵，使用一3x3的矩形区域进行逐个判断。在3x3的区域中，若中心位置不是最大，则认为该中心位置不是局部极值，即认为该中心位置不是角点，将其抑制。
问题：若3x3区域内，有两个位置的值相等且均为最大，则如何处理？目前，本文2个均保留。
220719更新：该nms代码存在些许不足之处，详见后续的博文，https://blog.csdn.net/xiaohuolong1827/article/details/125859795

5.1 非极大值抑制代码

def corner_nms(corner,kernal=3):
   out = corner.copy()
   row_s = int(kernal/2)
   row_e = out.shape[0] - int(kernal/2)
   col_s,col_e = int(kernal/2),out.shape[1] - int(kernal/2)
   for r in range(row_s,row_e):
      for c in range(col_s,col_e):
         if corner[r,c]==0: #不是可能的角点
            continue
         zone = corner[r-int(kernal/2):r+int(kernal/2)+1,c-int(kernal/2):c+int(kernal/2)+1]
         index = corner[r,c]<zone
         (x,y) = np.where(index==True)
         if len(x)>0 : #说明corner[r,c]不是最大，直接归零将其抑制
            out[r,c] = 0
         else:
            out[r,c] = 255
   return out

5.2 主程序调用

if __name__ == '__main__':
    img_src = cv2.imread('susan_input1.png',-1)
    if len(img_src.shape)==3:
       img_src = cv2.cvtColor(img_src,cv2.COLOR_BGR2GRAY)
    corner = susan_corner_detect(img_src)

    img_show = cv2.cvtColor(img_src, cv2.COLOR_GRAY2BGR)
    img_show[corner != 0] = (255, 0, 0)
    plt.figure()
    plt.title("original corners")
    plt.imshow(img_show, cmap=cm.gray)


    cor_g = gravity_filter(img_src, corner)
    img_show2 = cv2.cvtColor(img_src, cv2.COLOR_GRAY2BGR)
    img_show2[cor_g != 0] = (255, 0, 0)
    plt.figure()
    plt.title("corners-gravity ")
    plt.imshow(img_show2, cmap=cm.gray)


    cor_g_nms = corner_nms(cor_g)
    img_show3 = cv2.cvtColor(img_src, cv2.COLOR_GRAY2BGR)
    img_show3[cor_g_nms != 0] = (255, 0, 0)
    plt.figure()
    plt.title("corners-gravity-nms ")
    plt.imshow(img_show3, cmap=cm.gray)
    plt.show()

5.3 检测结果

在这里插入图片描述
与重心法处理后的局部对比
在这里插入图片描述

6. 源码下载：

https://download.csdn.net/download/xiaohuolong1827/85030525

7. 其他

2022.03.22，黄宁然：“SUSAN，你竟然在看这个，我以前用过，你信不信”。呃，我当然信。

小火龙的马甲
关注
  • 14
    点赞
  • 踩
  • 98
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
学习之角点检测SUSAN
魂的专栏
12-11 2902
SUSAN
角点检测之SUSAN
hello_2119的博客
11-13 716
SUSAN角点检测 概念： USAN(Univalue Segment Assimilating Nucleus) ： 吸收同值核心区  该区域中的像素点的值与核点的像素值接近 角点：拥有足够小的USAN的像素点 USAN计算： 步骤1                （公式1）          r0为核点，r为模板中的其他像素点，I(r)表示在该点的像素值，t为
Susan角点检测python实现（边缘检测、角点检测、重心计算、非极大值抑制）
03-24
Susan角点检测python实现（边缘检测、角点检测、重心计算、非极大值抑制）
基于LBP纹理特征计算GLCM的纹理特征统计量+SVM/RF识别纹理图片
热门推荐
图特摩斯科技-博客
11-13 3万+
## 局部特征检测方法 斑点 Blob检测，LoG检测 ， DoG，DoH检测，SIFT算法，SUFT算法 边缘检测 梯度边缘检测算子，拉普拉斯算子，LoG检测 ，Canny边缘检测算子，Roberts,Sobel,Prewitt, 角点检测 Kitchen-Rosenfeld，Harris角点，多尺度Harris角点，KLT,SUSAN检测算子，Shi-Tomasi 将基于主分量分析和Fisher线性鉴别分析所获得的特征抽取方法，统称为线性投影分析。 这些方法与本文无太大关系，主要用于Logo检
Sobel边缘检测，Canny边缘检测，Susan角点检测，Harris角点检测
最新发布
qq_64455589的博客
05-27 686
介绍了Sobel检测算子,Canny检测算子，Susan角点检测以及Harris角点检测的优缺点及其实现方法。
SUSAN角点检测算法实现(详细版)
weixin_55984718的博客
07-15 3912
SUSAN算子，USAN（核值相似区）。
SUSAN角点检测算法，及其Matlab实现
zhiTjun的博客
03-10 3337
1、SUSAN角点检测算法步骤 （1）在图像上放置一个37个像素的圆形模板，模板在图像上滑动，依次比较模板内各个像素点的灰度与模板核的灰度，判断是否属于USAN区域。判别函数如下： 其中，r⃗0{{\vec{r}}_{0}}r0​.表示二维图像中核心点的位置，r⃗\vec{r}r表示模板中其他点的位置，I(r⃗0)I({{\vec{r}}_{0}})I(r0​)表示图像在r⃗0{{\vec{r}}_{0}}r0​处的像素值，I(r⃗)I(\vec{r})I(r)表示图像在r⃗\vec{r}r处的像素值，tt
角点检测（susan、harris）
weixin_43340536的博客
06-28 701
suan(smallest univalue segment assimilating nucleus 最小核值相似区）
CV——图像角点检测（Moravec Harris SUSAN）
Dedication_的博客
07-05 708
一、介绍 CV中常常使用角点检测完成两张图像的匹配工作 本人使用了Matlab实现了Moravec Harris SUSAN 三种角点检测算法 二、Moravec 原理 设置一个小窗口，它不断在图像上移动 公式含义为 小窗口上一个位置包囊像素之和 与 下一个位置包囊像素之和 的 平方差 小窗口会遇到的三种情况，一种是平滑区域，一种是直线边缘区域，一种是角点 我们可以想象，当小窗口移动到角点时的前后方差是最大的 小窗口的移动方向设置为四个：右 、下 、左下 、右下 设置一个阈值，当平方值为多大，才
python-Canny边缘检测+直线检测+圆检测+轮廓检测
m0_47209867的博客
01-21 4956
python-Canny边缘检测+直线检测+圆检测+轮廓检测一、Canny边缘检测二、直线检测1.霍夫变换2.概率霍夫变换三、圆检测四、轮廓检测 一、Canny边缘检测 """ Canny边缘检测理论 1.降噪 为避免受到噪声干扰，通常需要对图像进行滤波，一般使用5*5的滤波器 2.计算梯度 对平滑后的图像进行水平和垂直方向的Sobel滤波，得到水平方向的一阶导Gx与垂直方向一阶导数Gy 数梯度方向总是垂直于边缘,边缘梯度等于Gx的平方与Gy的平方之和开根号 3.非极大值抑制
susan_角点提取_图像处理susan角点检测_
10-01
6. **非极大值抑制**：为了消除重复的角点检测结果，通常会进行非极大值抑制，确保每个角点只被检测一次。 7. **阈值判断**：最后，根据预先设定的角点强度阈值，剔除那些低于阈值的响应，保留强度较高的角点。 在...
基于matlab的susan角点检测算法
09-04
算法实现了基于matlab的角点检测，使用的是susan角点检测算法
边缘检测算子
11-18
对图像处理中，对边缘的检测，提取，适应的不同的环境下对边缘的提取，根据图像的大小选择不同的模板。
论文研究-基于变形分析的三维Susan角点检测算法.pdf
07-22
为了准确地在三维网格模型上定位特征角点，提出了一种基于变形分析...最后，在一定邻接区域内使用非极大值抑制去除虚假角点。使用特定模拟数据和真实三维人脸模型进行角点检测，实验结果验证了该算法的优越性和有效性。
基于Python的SUSAN边缘检测算法.rar
07-02
本资源为基于Python的SUSAN边缘检测算法（最终展现只有边缘检测结果，不包含角点检测结果，不包含角点检测结果，不包含角点检测结果）。为避免不同环境导致代码无法运行，您可以前往我的文章中查看相关环境：...
MATALB.zip_matlab susan角点_伪角点去除_去除伪角点_非极大值抑制
09-19
在MATLAB中，我们可以编写自定义函数来实现SUSAN角点检测，包括去除伪角点和非极大值抑制的过程。这通常涉及到以下步骤： 1. 图像预处理：对输入图像进行灰度化、归一化等操作。 2. 计算图像的梯度：可以使用Prewitt...
Python opencv用笔记本摄像头检测道路拐角
xiangxianghehe的博客
12-05 1098
这里利用了Harris角点来检测物体边缘和路口拐角，其原理是：人眼对角点的识别通常是在一个局部的小区域或小窗口完成的。如果在各个方向上移动这个特征的小窗口，窗口内区域的灰度发生了较大的变化，那么就认为在窗口内遇到了角点。如果这个特定的窗口在图像各个方向上移动时，窗口内图像的灰度没有发生变化，那么窗口内就不存在角点；如果窗口在某一个方向移动时，窗口内图像的灰度发生了较大的变化，而在另一些方向上没有发生
利用python+opencv识别图片中的圆形（霍夫变换）
Tina_Wei的博客
10-11 1万+
python opencv 霍夫圆变换
Canny边缘检测-python
volcan的博客
02-06 481
canny边缘检测 python
python susan角点检测 +非极大值抑制
05-16
Susan角点检测是一种计算机视觉中常用的角点检测算法，它可以用来检测图像中的角点。这个算法的基本思想是寻找图像中像素点周围像素点的变化率最小的位置，这些位置就是图像中的角点。 在实现Susan角点检测算法时，通常还需要进行非极大值抑制。这是因为在图像中存在很多的局部极大值，如果不进行抑制，就会导致角点检测结果不准确。 以下是一个实现Susan角点检测和非极大值抑制的Python代码示例： ```python import numpy as np import cv2 def susan_corner_detection(image, threshold=27, radius=3): height, width = image.shape[:2] corners = np.zeros((height, width), dtype=np.uint8) dx = [1, 1, 0, -1, -1, -1, 0, 1] dy = [0, 1, 1, 1, 0, -1, -1, -1] for i in range(radius, height - radius): for j in range(radius, width - radius): center_pixel = image[i, j] count = 0 for k in range(8): x = i + dx[k] y = j + dy[k] if image[x, y] < center_pixel: count += 1 if count > threshold: corners[i, j] = 255 return corners def non_maximum_suppression(image, window_size=3): height, width = image.shape[:2] offset = window_size // 2 corners = np.zeros((height, width), dtype=np.uint8) for i in range(offset, height - offset): for j in range(offset, width - offset): if image[i, j] == 0: continue local_max = True for k in range(-offset, offset + 1): for l in range(-offset, offset + 1): if image[i + k, j + l] > image[i, j]: local_max = False break if not local_max: break if local_max: corners[i, j] = 255 return corners # 读取图像 image = cv2.imread('lena.jpg', cv2.IMREAD_GRAYSCALE) # 进行角点检测 corners = susan_corner_detection(image) # 进行非极大值抑制 corners = non_maximum_suppression(corners) # 显示结果 cv2.imshow('image', image) cv2.imshow('corners', corners) cv2.waitKey(0) cv2.destroyAllWindows() ``` 这个代码示例中，首先定义了一个`susan_corner_detection`函数和一个`non_maximum_suppression`函数分别用来进行Susan角点检测和非极大值抑制。然后读取一张图像，调用`susan_corner_detection`函数进行角点检测，再调用`non_maximum_suppression`函数进行非极大值抑制，最后将结果显示出来。 需要注意的是，在进行非极大值抑制时，我们需要指定一个窗口大小`window_size`，窗口大小越大，角点检测的灵敏度就越低，检测出来的角点就越少。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值