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(cè)算法。主要介紹了SUSAN算法的原理，并用MATLAB編程實(shí)現(xiàn)了該算法。在對(duì)噪聲圖像的邊緣檢測(cè)中，與其他傳統(tǒng)經(jīng)典檢測(cè)算子進(jìn)行比較，結(jié)果表明，該算法較傳統(tǒng)的邊緣檢測(cè)算法更具優(yōu)勢(shì)，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(cè)；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(shí)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?chē)袼鼗叶燃眲∽兓哪切┫袼氐募?，它是圖像最基本的特征。邊緣檢測(cè)就是檢測(cè)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(cè)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(duì)圖像各個(gè)像素考察其某個(gè)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(lái)檢測(cè)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(duì)噪聲比較敏感、計(jì)算量大等缺點(diǎn)。經(jīng)過(guò)研究和探索發(fā)現(xiàn)，SUSAN算法是一種只基于對(duì)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(lèi)圖像的邊緣檢測(cè)中。
1 SUSAN算子原理
　SUSAN是最小吸收核同值區(qū)的縮寫(xiě)，是英國(guó)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(jiǎn)單而有效，適用于圖像中邊緣和角點(diǎn)的檢測(cè)，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(dòng)，遍歷整個(gè)圖像，然后再把模板內(nèi)部每個(gè)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(gè)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(chēng)為核值相似區(qū)（USAN）。當(dāng)圓形模板在圖像中移動(dòng)時(shí)，USAN區(qū)域面積也會(huì)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(shí)，USAN區(qū)域面積最大（如a和b）；當(dāng)模板移向圖像邊緣時(shí)，USAN區(qū)域逐漸變?。ㄈ鏲）；當(dāng)模板中心處于邊緣時(shí)，USAN區(qū)域很?。ㄈ鏳）；當(dāng)模板中心處于角點(diǎn)時(shí)，USAN區(qū)域最小（如e）。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(jì)算圖像中每一個(gè)像素的USAN值，通過(guò)設(shè)定一個(gè)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(cè)到的最小的對(duì)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(gè)重要閾值，其表示的是所能檢測(cè)特征點(diǎn)的最小對(duì)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(duì)比度越低的圖像中提取特征，且提取的特征也越多。因此對(duì)于不同對(duì)比度和噪聲情況的圖像[8]，應(yīng)取不同的t值。實(shí)際上可以根據(jù)圖像中目標(biāo)與背景的對(duì)比程度來(lái)確定t的取值。

　對(duì)比圖3和圖4的邊緣檢測(cè)結(jié)果可以看出，SUSAN算法的邊緣檢測(cè)效果最好，檢測(cè)出的邊緣細(xì)膩而光滑，連續(xù)性好，定位較高，對(duì)加入噪聲的圖像檢測(cè)也有很好的效果。而Sobel算子、Robert算子、Prewitt算子檢測(cè)的邊緣連續(xù)性不好，漏檢率相對(duì)較高，而且對(duì)噪聲圖像的檢測(cè)效果不好，很多邊緣檢測(cè)不出來(lái)。
SUSAN邊緣檢測(cè)算法不計(jì)算梯度而直接利用圖像灰度相似性的比較，具有算法簡(jiǎn)單、定位準(zhǔn)確、抗噪聲能力強(qiáng)等特點(diǎn)，非常適合于低對(duì)比度灰度圖像或含噪圖像的邊緣檢測(cè)。
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(cè)算法的定量比較[J].計(jì)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(cè)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(cè)與匹配中的應(yīng)用[J].中國(guó)圖象圖形學(xué)報(bào)，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(guó)圖象圖形學(xué)報(bào)，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(jì)算機(jī)，2007，24（11）：142-144.