基于SUSAN算法图像边缘检测实现.docVIP

基于SUSAN算法图像边缘检测实现 　　摘 要：介绍了基于SUSAN特征检测算子的图像边缘检测算法，分析了该算法原理及实现过程，并用Matlab实现该算法，给出了实验结果，分析了SUSAN算法的优势。 　　关键词：SUSAN;圆形模板;门限 　　DOI：10.11907/rjdk.143613 　　中图分类号：TP317.4 　　文献标识码：A 文章编号：1672-7800（2014）012-0139-02 　　作者简介：李小琦（1984-），男，湖北武汉人，硕士，武汉大学珞珈学院计算机科学系讲师，研究方向为多媒体技术、嵌入式系统。 　　0 引言 　　 图像边缘检测是图像处理的重要内容，是实现图像分割的基础。图像中，边缘表示一个特征区域的终结和另一个特征区域的开始，边界分开图像的区域特征属性是一致的，不同区域的特征属性则不一致。边缘检测正是利用图像物体与背景之间的差异实现的，这些差异包括图像的灰度、颜色或是纹理特征等[1-2]。目前，图像边缘检测的算法有很多种，包括基于一阶导数边缘检测的Roberts交叉算子法、Sobel算子法、Prewitt算子法和Canny算子法;基于二阶导数边缘检测的Laplacian算子法和LOG算子法lt;supgt;[3]lt;/supgt;。这些算法目前很成熟，且应用广泛，用Matlab图像处理工具箱的edge函数可实现上述各种算子的图像边缘检测功能。 　　1 SUSAN算法原理 　　1.1 SUSAN算法基本思想 　　 SUSAN即最小核值相似区，该算法的主要思路是使 　　用一个圆形模板和一个圆的中心点，通过圆中心点像元值与模板圆内其它像元值进行比较，统计出与圆中心点像元值近似的像元数量，再与所设定的阈值比较，以此决定该点像素是否为边缘lt;supgt;[4]lt;/supgt;。SUSAN定义的圆半径为3.4个像元，对数字图像而言，它是一个由37个像元所组成的近似圆，圆中心的像元称为模板的核，该圆的模板如图1所示。 　　图1 SUSAN模板圆 　　在模板圆内，与模板核像元值相似的像元数量或是面积被称为核值相似区面积，英文缩写为USAN面积。当模板圆在图像上移动时，USAN面积是不一样的。当圆形模板完全处于图像或是背景中时，USAN面积最大;当模板移向图像边缘时，USAN面积变小;当模板中心处于边缘时，USAN面积最小。从图2模板中心位于不同图像区域的USAN面积变化情况可以看出，模板中心位于图像边缘时，像素USAN面积小于或等于其最大面积的一半。SUSAN算法的核心正是通过计算每一个像素的USAN值，来比较预先设定好的USAN阈值，以此确定边缘点。 　　图2 模板中心位于图像不同局域的USAN面积变化情况 　　1.2 SUSAN算法具体实现 　　 将圆形模板在测试图像上逐个像元移动，圆形模板内的像元值与核像元值比较，见公式（1）。 　　b（r，r0）=1， |H（r）-H（r0）|≤t 　　0，|H（r）-H（r0）|gt;t （1） 　　 式中，rlt;subgt;0lt;/subgt;表示模板核的位置，r表示模板内其它像元的位置，H（rlt;subgt;0lt;/subgt;）为图像在rlt;subgt;0lt;/subgt;处的像元值，H（r）为图像在r处的像元值。门限t为像元与其它像元相似度的阈值，表示所能检测边缘点的最小对比度，也是能忽略的噪声最大容限。对比度与噪声不同的图像，取不同的t值。在模板圆内所有像元比较完后，对b（r，rlt;subgt;0lt;/subgt;）累加，即n（rlt;subgt;0lt;/subgt;）=∑rb（r，rlt;subgt;0lt;/subgt;），n（rlt;subgt;0lt;/subgt;）就是模板在rlt;subgt;0lt;/subgt;处模板内图像USAN的像元数量，也即为rlt;subgt;0lt;/subgt;处的USAN面积。 　　确定每个像素的USAN值n（rlt;subgt;0lt;/subgt;）后，再与预先设定的门限阈值g比较，当n（rlt;subgt;0lt;/subgt;）g时，即可认定rlt;subgt;0lt;/subgt;处像素为边缘像素。 　　2 Matlab实现SUSAN算法 　　 用Matlab实现算法时，用图1所示的37像素模板矩阵实现圆形模板，而关键的门限阈值g决定边缘点USAN面积的最大值，只要像素点USAN值小于门限g，即为图像边缘点，g值过大，会有过多的像素点被作为边缘点提取，过小则会遗漏边缘点。一般情况下，g取0.75个USAN值即37*3/4，核心的Matlab实现程序如下： 　　 function image_out=susan（f