摘  要： 提出了一種完全不涉及梯度運(yùn)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(jìn)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(xì)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(diǎn),。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(yùn)算，因此都存在對噪聲比較敏感,、計算量大等缺點(diǎn),。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(yùn)算[2],，因此其抗噪聲能力很強(qiáng)、運(yùn)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(diǎn)獲取方法[3],，它簡單而有效,，適用于圖像中邊緣和角點(diǎn)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(diǎn)的灰度值都與模板中心像素的灰度值進(jìn)行比較,。如果它們的差值小于某個閾值,，則認(rèn)為該點(diǎn)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(diǎn)時，USAN區(qū)域最?。ㄈ鏴）,。可以看出,，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(diǎn)，即可確定為邊緣點(diǎn),，這就是SUSAN算法的思想,。

出邊緣點(diǎn)。
　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(diǎn)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(diǎn)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(xì)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(qiáng)等特點(diǎn),，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(xiàn)
[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(jī)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(diǎn)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(jìn)的SUSAN算法[J]．微電子學(xué)與計算機(jī)，2007,，24（11）：142-144.