《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > EDA與制造 > 設(shè)計應(yīng)用 > SUSAN邊緣檢測算法的設(shè)計與研究
SUSAN邊緣檢測算法的設(shè)計與研究
來源:微型機與應(yīng)用2014年第5期
李 成,,彭良玉
(湖南師范大學(xué) 物理與信息科學(xué)學(xué)院,,湖南 長沙 410081)
摘要: 提出了一種完全不涉及梯度運算,、只基于周邊像素灰度比較的SUSAN邊緣檢測算法,。主要介紹了SUSAN算法的原理,并用MATLAB編程實現(xiàn)了該算法,。在對噪聲圖像的邊緣檢測中,,與其他傳統(tǒng)經(jīng)典檢測算子進行比較,,結(jié)果表明,,該算法較傳統(tǒng)的邊緣檢測算法更具優(yōu)勢,,能夠有效提高邊緣定位精度,降低漏檢率,,使邊緣更細致,、光滑。
關(guān)鍵詞: 圖像 邊緣檢測 SUSAN算法
Abstract:
Key words :

摘  要: 提出了一種完全不涉及梯度運算,、只基于周邊像素灰度比較的SUSAN邊緣檢測算法,。主要介紹了SUSAN算法的原理,,并用MATLAB編程實現(xiàn)了該算法。在對噪聲圖像的邊緣檢測中,,與其他傳統(tǒng)經(jīng)典檢測算子進行比較,,結(jié)果表明,該算法較傳統(tǒng)的邊緣檢測算法更具優(yōu)勢,,能夠有效提高邊緣定位精度,降低漏檢率,,使邊緣更細致,、光滑。
 關(guān)鍵詞: 圖像,;邊緣檢測,;SUSAN算法

 邊緣特征是圖像的重要特征之一,圖像分割,、圖像融合,、模式識別等很多方面都用到了圖像的邊緣特征。所謂邊緣是指其周圍像素灰度急劇變化的那些像素的集合,,它是圖像最基本的特征,。邊緣檢測就是檢測圖像局部特征值(如灰度)不連續(xù)或變化較為劇烈的像素點。傳統(tǒng)的邊緣檢測算子(如Sobel算子,、Prewitt算子,、Roberts算子、Kirsch算子和Log算子等)基本都是以原始圖像為基礎(chǔ),,對圖像各個像素考察其某個領(lǐng)域內(nèi)灰度階躍變化,,利用邊緣鄰近一階或二階方向?qū)?shù)變化規(guī)律來檢測邊緣[1]。由于這些算法都涉及關(guān)于梯度的運算,,因此都存在對噪聲比較敏感,、計算量大等缺點。經(jīng)過研究和探索發(fā)現(xiàn),,SUSAN算法是一種只基于對周邊像素的灰度比較,,完全不涉及梯度的運算[2],因此其抗噪聲能力很強,、運算量也比較小,,廣泛應(yīng)用于多類圖像的邊緣檢測中。
1 SUSAN算子原理
 SUSAN是最小吸收核同值區(qū)的縮寫,,是英國牛津大學(xué)學(xué)者SMITH S M和BRADY J M提出的一種基于灰度的特征點獲取方法[3],,它簡單而有效,適用于圖像中邊緣和角點的檢測,,可以去除圖像中的部分噪聲,。該算法提出使用一種近似圓形的模板在圖像上移動,,遍歷整個圖像,然后再把模板內(nèi)部每個圖像素點的灰度值都與模板中心像素的灰度值進行比較,。如果它們的差值小于某個閾值,,則認為該點與核具有相同的灰度,滿足該條件的所有像素組成的區(qū)域統(tǒng)稱為核值相似區(qū)(USAN),。當(dāng)圓形模板在圖像中移動時,,USAN區(qū)域面積也會相應(yīng)地變化,如圖1所示,。當(dāng)圓形模板完全處在圖像或背景中時,,USAN區(qū)域面積最大(如a和b);當(dāng)模板移向圖像邊緣時,,USAN區(qū)域逐漸變?。ㄈ鏲);當(dāng)模板中心處于邊緣時,,USAN區(qū)域很?。ㄈ鏳);當(dāng)模板中心處于角點時,,USAN區(qū)域最?。ㄈ鏴)??梢钥闯?,在邊緣處像素的USAN值都小于或等于其最大值的一半[4],因此,,計算圖像中每一個像素的USAN值,,通過設(shè)定一個USAN閾值,查找小于閾值的像素點,,即可確定為邊緣點,,這就是SUSAN算法的思想。

出邊緣點,。
 灰度差閾t決定SUSAN算子所能檢測到的最小的對比度以及去除噪聲點的能力,。閾值t是區(qū)分特征目標(biāo)與背景的一個重要閾值,其表示的是所能檢測特征點的最小對比度,,它主要決定了能夠提取的特征數(shù)量,,t越小,則可從對比度越低的圖像中提取特征,,且提取的特征也越多,。因此對于不同對比度和噪聲情況的圖像[8],應(yīng)取不同的t值。實際上可以根據(jù)圖像中目標(biāo)與背景的對比程度來確定t的取值,。

 

 

 對比圖3和圖4的邊緣檢測結(jié)果可以看出,,SUSAN算法的邊緣檢測效果最好,檢測出的邊緣細膩而光滑,,連續(xù)性好,,定位較高,對加入噪聲的圖像檢測也有很好的效果,。而Sobel算子,、Robert算子、Prewitt算子檢測的邊緣連續(xù)性不好,,漏檢率相對較高,,而且對噪聲圖像的檢測效果不好,很多邊緣檢測不出來,。
SUSAN邊緣檢測算法不計算梯度而直接利用圖像灰度相似性的比較,具有算法簡單,、定位準(zhǔn)確,、抗噪聲能力強等特點,非常適合于低對比度灰度圖像或含噪圖像的邊緣檢測,。
參考文獻
[1] GONZALEZ R C,, WOODS R E.數(shù)字圖像處理[M].阮秋琦,阮宇智,,譯.北京:電子工業(yè)出版社,,2007.
[2] 孫即祥.圖像分析[M].北京:科學(xué)出版社,2005.
[3] 陳彥燕,,王元慶.常用邊緣檢測算法的定量比較[J].計算機工程,,2008,34(17):202-204.
[4] SMITH S M,, BRADY J M. SUSAN—a new approach to low level image processing[J]. Journal of Computer Vision,, 1997, 23(1):45-78 .
[5] 馬桂珍,,房宗良,,姚宗中.SUSAN邊緣檢測算法性能分析與比較[J].現(xiàn)代電子技術(shù),2007(8):189-191.
[6] 翁木云,,何明一.圖像綜合特征及其在圖像檢測與匹配中的應(yīng)用[J].中國圖象圖形學(xué)報,,2007,12(1):121-126.
[7] 張坤華,,王敬儒,,張啟衡.多特征復(fù)合的角點提取算法[J].中國圖象圖形學(xué)報,2002(4):124.
[8] 陳志方,張艷寧,,楊將林,,等.一種改進的SUSAN算法[J].微電子學(xué)與計算機,2007,,24(11):142-144.

此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載。