SUSAN算法图像边缘处理

基于SUSAN算法的边缘检测方法研究--文献综述摘要：介绍了基于SUSAN特征检测算子的图像边缘检测算法，分析了该算法原理及实现过程，并实现算法，给出了实验结果，分析了SUSAN算法的优势。同时提出了一种自适应选取阈值的方法,对SUSAN边缘检测算法进行了改进，获得更好的效果。关键词：边缘检测，图像处理，SUSAN算法，圆形模板1.引言边缘是图像局部特性不连续性的反应,它不仅能勾画出目标物体的轮廓,还包含方向、阶跃性质、形状等有用信息。当前,如何准确、快速地提取目标物体的边缘仍是一个重要的研究课题。近年来,出现越来越多的边缘检测方法，SUSAN(smallestunivaluesegmentassimilatingnucleus)边缘检测算法是一种新兴的边缘检测算法,不涉及梯度的运算,因此对噪声图像的边缘检测效果优于传统的边缘检测算法。本研究中采用SUSAN算法提取图像的边缘，同时提出一种自适应选取阈值的方法。实验验证了该改进算法的有效性,同时表明该算法具有方法简单,抗噪能力强和处理速度快等特点2.SUSAN算法原理图1为一个矩形在白色背景上将一圆模板置于图上5个不同的位置.将模板中的各点与核心点的灰度值用下面的相似比较函数进行比较:其中和分别是核心与模板中其它点的灰度值，ｔ是确定相似程度的阈值.ｔ的选取要根据图像中目标与背景的对比程度来确定。3.SUSAN边缘检测算法首先把掩板置于每个象素点上，并对掩板所覆盖的象素点依次与掩板中心所对应的象素点(称为核)进行比较，比较方法如下所示：其中，0r是核的象素点，r是掩板中其他的象素点，()Ir是r点的亮度值，t是亮度差的阈值(决定了特征最小对比度和最大可忽视的噪声值)，c是比较结果。对掩板下的每个象素点进行如上运算后，总的n计算如下：这个n是USAN的象素数目，即USAN区域。然后，n与预先取定的几何中心g比较，这个g取为max34n，其中maxn是n可以取得的最大值。这样，初始边缘响应0()Rr可用如下规则得到：从上式中可以看出，USAN区域越小，边缘响应就越大。当没有噪声的时候，几何阈值g可以取为maxn。为了最有效地抑制噪声，通过计算噪声响应的期望值，最终确定g的值取为max34n。该算法得出了很理想的结果，在实际测试中，我们用(4)式代替(1)式来计算c，得到的结果更稳定，更准确。由于在图像边缘地方，掩板的中心0r和对应的USAN区域质心r是不同点，所以根据这个特点，可以计算边缘的一些信息。USAN区域的质心r按(5)式计算：用00(,)xy和(,)xy分别表示掩板中心0r和USAN区域质心r的坐标位置，则有这样就可以计算出边缘的方向200200()()()()yyrdxxr而00()()yyxx的符号决定了对角线边缘的梯度的正负。因为每个模板的阈值t是根据模板内的灰度差值确定的,因此能够很好的检测到不同灰度对比度下的灰度变化,使得USAN区域的判断更加准确。4.对SUSAN算法的改进SUSAN边缘检测算法虽有其抗噪声能力较强、准确等优点,但仍有其不足之处,如要人为地选取阈值ｔ,而在复杂图像上得到较细的内容时,一般阈值ｔ要取的较小,此时如果不对图像进行滤波预处理,边缘的提取效果仍然受到噪声较大的影响。针对这些问题和实际应用的需求,我们对阈值ｔ的自适应选取和边缘、角点检测算法进行了如下的改进。自适应阈值ｔ的选取由于受图像中目标与背景的对比度和背景的复程度的影响,SUSAN算法中阈值ｔ的选取对边缘检测的效果影响很大。对于对比度较好的图像阈值ｔ取20甚至更大,也能得到较好的特征物体边缘检测效果;而对于对比度较小或要得到图像更多的细节信息的情况,阈值ｔ就要取的较小才能满足要求。但这要求根据图像的对比度及要获得细节的程度,人工输入一些阈值而得到满意的阈值ｔ。因此,这在很大程度上制约了其在自动处理方面的应用,针对此问题,本文提出一种能自动选取阈值ｔ的方法,使其能适应图像序列的自动处理。通常,图像中大多数服从高斯分布的噪声点的梯度模Ｇｍ一般不会很大,而在边缘附近的像素点却有较大的梯度模。由梯度模定义可知其与确定相似程度的阈值ｔ在物理意义上是一致的,于是可以取边缘附近的梯度模均值作为阈值ｔ。为了消除大多数随机噪声点的影响,我们选取一个阈值Ｐ,取梯度模大于Ｐ的点的梯度模均值作为阈值ｔ:其中,ｎ为ＧｍＰ的点的数目。由于多数图像中的噪声为服从高斯随机分布的假性噪声,根据我们的大量实验,取Ｐ=5即可适合大多数图像,于是可由式(3)自适应地获得边缘检测的阈值。在对图像序列的实际处理中证明,该自适应阈值选取方法效果较为理想.5.实验结果分析对比图3和图4的边缘检测结果可以看出,3种算法对噪声的抑制效果都很好。从处理结果的比较中可知,本文中的算法检测出的边缘细腻而光滑,连续性好,边缘比较细,为单一像素边缘,定位较高,优于其他方法。6.结语相比较其它图像边缘算法，SUSAN算法具有以下优点：①USAN主要是求和运算，相当于积分且没有涉及梯度的运算，所以抗噪声性能好；②算法灵活，对于不同对比度的图像可以控制门限ｔ来取得较好的效果；③算法主要是加法运算,运算速度快；④SUSAN算法性能不受模板尺度的影响。参考文献[1]张德丰．数字图像处理［Ｍ］．MATLAB版.北京:人民邮电出版社，2009[2]杨杰，黄朝兵．数字图像处理及MATLAB实现［Ｍ］．第2版．北京：电子工业出版社[3]马桂珍，房宗良，姚宗中．SUSAN边缘检测算法性能分析与比较[J]．现代电子技术，[4]陈志方，张艳宁，杨将林．一种改进的SUSAN算法[J]．微电子学与计算机，2007，24(11)：142—144．[5]翁木云,何明一.图像综合特征及其在图像检测与匹配中的应用[J].中国图象图形学报,2007,12(1):121-126.[6]孙即祥.图像分析[M].北京:科学出版社,2005:35-120.[7]翁秀梅，肖志涛，杨洪薇．基于边缘检测和区域生长的自然彩色图像分割阴．天津工业大学学报，2008，27(1)：50—52．[8]Dong，H，Robust,L．EdgeDetectioninNoisyImages四．ComputationalStatistics&DataAnalysis，2006，50(12)：803—812．[9]Kuoeheng，L．ColorEdgeDetectionBasedonDiscriminationofNoticeableColorContrasts[J]．InternationalJournalofImagingSystemsandTechnology2009，l9(4)：332—339．[10]Arandiga,F．，Cohen，A．，Donat,R．andMatei，B．EdgeDetectionInsensitivetoChangesofIlluminationintheImage叨．ImageandVisionComputing,2010，28(4)：553-562．