本站原创摘 要：图像边缘时图像最基本的特征,边缘检测是图像处理及计算机视觉领域的基本问题.数字图像中存在一些亮度变化明显的点,边缘检测的目的就是将这些点标示出来.典型的边缘检测算法有Sobel、Log、Canny,这些算法由于涉及梯度运算,存在对噪声敏感、计算量大等缺点.本文主要研究了SUSAN算法并检验了该算法的抗噪能力.
关 键 词：边缘检测；Sobel；Log；Canny；SUSAN算法
中图分类号：TP391.41
边缘检测的基本思想是先检测图像中的边缘点,接着以某种策略将边缘点连接成轮廓,这样就构成了分割区域.由于边缘是所要提取对象和背景的分界线,只有提取出边缘方可分离对象和背景.由此可以看出边缘检测对于数字图像处理的重要性.Sobel、Prewitt、Log等常用边缘检测方法,都是对原图像中像素的小邻域构造出边缘检测算子,进行微分运算,得到梯度最大值或者二阶导数算子过零点,最后通过选取适当的阈值来提取边界.这些算法均涉及到了梯度运算,故都存在抗噪性差、计算量大等缺点.针对这些,本文主要研究了Susan算法,该算法不需要梯度运算,只需要与周边像素的灰度进行比较,因此抗噪能力好且运算量小.同时Susan算法还具有使用灵活,可检测边缘方向信息等优点.
1Susan边缘检测原理
与常规卷积算法的正方形模板不同,Susan算子采用一种近似圆形的模板.在模板圆内,将与模板核像元值相似的像元数量或面积称为吸收核同值区（UnivalueSegmentAssimilatingNucleus,USAN）面积,如图1所示,从左往右共6个模板圆,圆在图像上移动时,圆内USAN面积是变化的.圆1和圆5USAN区域面积最大；当模板移向图像边缘时,USAN区域逐渐变小；当模板核处于角点时,USAN区域最小,如圆6.因此,可通过计算图像中所有像素的USAN值,并与设定的阈值进行比较来确定边缘点.基于USAN面积的检测方法与其他方法最大不同就是不需要微分运.
2Susan边缘检测算法
2.1构造圆形模板
对于数字图像,真正的圆形模板无法实现,故采用近似圆来代替.同时要考虑模板的大小,模板过大会增大运算量；模板较小或门限选取不当,可能会导致边缘点漏检.通常是取5×5窗口或37像素模板.
2.2计算USAN区域面积
2.3阈值t,g的选取
边缘点的USAN区域的最大值由阈值g决定,当n（r0） 阈值t决定SUSAN算子所能检测到的最小对比度以及去除噪声点的能力,它关乎到能够提取的特征点数量.若t越小,则可从对比度越低的图像中提取特征,且提取的特征也越多,因此对于不同对比度和噪声情况的图像,应取不同的t值. 3实验结果 4结语 SUSAN算子是一个原理简单、易于了解的算子.由于其只基于对周边象素的灰度比较,完全不涉及梯度的运算,因此其抗噪声能力很强,运算量也比较小；同时,SUSAN算子还是一个各向同性的算子；最后,通过控制参数t和g,可以根据具体情况很容易地对不同对比度、不同形状的图像通过设置恰当的t和g进行控制.比如图像的对比度较大,则可选取较大的t值,而图像的对比度较小,则可选取较小的t值.总之,SUSAN算子是一个非常难得的算子,不仅具有很好的边缘检测性能；而且对角点检测也具有很好的效果.