SUAUN边缘检测算法性能分析.docx

SUSAN 边缘检测算法性能分析与比较类别：电子综合 阅读：15791引言边缘是图像最基本的特征，是图像分割的第一步经典的边缘检测方法如：Roberts, Sobel, Prewitt， Kirsch， Laplace 等方法，基本都是对原始图像中象素的小邻域构造边缘检测算子， 进行一阶微分或二阶微分运算，求得梯度最大值或二阶导数的过零点，最后选取适当的阀值 提取边界由于这些算法涉及梯度的运算，因此均存在对噪声敏感、计算量大等缺点在实 践中，发现SUSAN算法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，运算量也比较小并将SUSAN算法用于多类图像的边缘检测中，实验证明 该算法非常适合含噪图像的边缘检测2 SUSAN边缘检测简介2. 1 SUSAN特征检测原理如图 1 所示，用一个圆形模板在图像上移动，若模板内象素的灰度与模板中心象素（称为： 核Nucleus）灰度的差值小于一定阀值，则认为该点与核具有相同（或相近）的灰度，由满足这 样条件的象素组成的区域称为 USAN（Univalue Segment Assimilating Nucleus）当圆形模板完全处在图像或背景中时，USAN区域面积最大（如图1中的a和b）；当模板移 向图像边缘时，USAN区域逐渐变小（如图1中c）；当模板中心处于边缘时，USAN区域很 小（如图1中的d）；当模板中心处于角点时，USAN区域最小（如图1中的e）。

可以看出，在 边缘处象素的 USAN 值都小于或等于其最大值的一半因此，计算图像中每一个象素的 USAN值，通过设定一个USAN阀值，查找小于阀值的象素点，即可确定为边缘点［1］2. 2 SUSAN边缘检测算法（1）算法描述对整幅图像中的所有象素，用圆形模板进行扫描，比较模板内每一象素与中心象素的灰度值 通过与给定的阀值比较，来判别该象素是否属于USAN区域，如下式：式⑴中c（r，r0）为模板内属于USAN区域的象素的判别函数；I（rO）是模板中心象素（核）的灰 度值；I(r)为模板内其他任意象素的灰度值；t是灰度差门限图像中每一点的 USAN 区域大小可用下式表示：式⑵中D(r0)为以r0为中心的圆形模板区域得到每个象素的USAN值n(rO)以后，再与预 先设定得门限g进行比较，当n(r0)

3)门限 t， g 的确定门限g决定了边缘点的USAN区域的最大值，即只要图像中的象素的USAN值小于g,该 点就被判定为边缘点g过大时，边缘点附近的象素可能作为边缘被提取出为模板的最大USAN值)，可以较好地提取出初始边缘点如果要达到单象素的精度，还需 进一步剔除多余象素门限t表示所能检测边缘点的最小对比度，也是能忽略的噪声的最大容限t越小，可从对 比度越低的图像中提取特征因此对于不同对比度和噪声情况的图像，应取不同的t值⑵3实验在主频2. 3 GHz,内存256 MB的PC机上,分别对SUSAN算法(t=10，g=18)和传统的Robert 算子、Gauss-Laplace算子、Prewitt算子，采用Visal C++编程，对图2中的3幅灰度测试图 像进行边缘检测图2中(a)是原始测试图像，(b)是加入高斯噪声(p =0，O =0. 005)的测试 图像，(c)是加入椒盐噪声(p =O. 005)的测试图像图3〜图5分别是对图2中(a)〜(c)三 幅图像的边缘检测结果4 性能比较与分析由实验结果可以看出，SUSAN算法具有以下优良性能:4．1 边缘检测效果好无论对直线，还是曲线边缘，SUSAN算法基本上可以检测出所有的边缘，检测结果较好。

虽然实验中没有达到一个象素的精度，但这主要是因为对边缘的两侧都应用了 SUSAN算法, 对具体的实际应用，可以对背景不再应用SUSAN算法，这样不但可以达到细化边缘的目的, 而且运算量也大大减少而Robert算子和Prewitt算子对部分直线边缘不能检测出来，圆的边缘也有部分漏检情况； Gauss-Laplace 算子虽然基本上可以检测出所有边缘，但是他的定位效果较差，边缘象素较4．2 抗噪声能力好由于USAN的求和相当于求积分，所以这种算法对噪声不敏感，而且SUSAN算法不涉及梯 度的计算，所以该算法抗噪声的性能很好很明显，如果考虑有独立同分布的高斯噪声，只 要噪声小于 USAN 函数的相似灰度门限值，噪声就可被忽略对局部突变的孤立噪声，即 使噪声的灰度与核相似，只要局部USAN值小于门限g，也不会对边缘检测造成影响因此 SUSAN边缘检测算法可以用于被噪声污染的图像的边缘检测而其他的边缘检测算法，Robert算子、Prewitt算子、Gauss-Laplace算子，以及应用广泛的 Canny 算子，由于这些算法都涉及一阶梯度，甚至二阶梯度的计算，所以他们的抗噪声能力 较差［2-5］，图 4、图 5 也证明了这一结论。

4．3 算法使用灵活使用控制参数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值所以这种算法非常适用于对某些低对比度图像或目标的识别4．4 运算量小，速度快对1幅256X256的图像，应用SUSAN算法进行计算，对每一点只需做8次加法运算，共 需要做256X256X8次加法而对于其他的经典的边缘检测算法，如果采用欧式距离作为梯度算子，Sobel算子采用两个3X3的模板，对每一点需要做9次加法，6次乘法，以及1次开方运算，则共需要做256X256X9次加法运算和256X256X6次乘法运算，以及256X256次开方运算对Gauss-Laplace 算子、Priwitt算子以及Canny算子计算量就更大4．5 可以检测边缘的方向信息SUSAN 算法实际上还可以检测边缘的方向信息具体算法是，对每一个检测点计算模板内 与该点灰度相似的象素集合的重心，检测点与该重心的连线的矢量垂直与这条边缘［5］5结语SUSAN 边缘检测算法直接利用图像灰度相似性的比较，而不需计算梯度，具有算法简单、 定位准确、抗噪声能力强等特点。

因此，非常适于含噪图像或低对比度灰度图像的边缘检测 如果进一步减小门限g的数值，SUSAN算法还可以用于角点的检测⑴。