SUSAN邊緣檢測(cè)算法性能分析與比較
加入技術(shù)交流群
邊緣是圖像最基本的特征，是圖像分割的第一步。經(jīng)典的邊緣檢測(cè)方法如：Roberts，Sobel，Prewitt，Kirsch，Laplace等方法，基本都是對(duì)原始圖像中象素的小鄰域構(gòu)造邊緣檢測(cè)算子，進(jìn)行一階微分或二階微分運(yùn)算，求得梯度最大值或二階導(dǎo)數(shù)的過零點(diǎn)，最后選取適當(dāng)?shù)拈y值提取邊界。由于這些算法涉及梯度的運(yùn)算，因此均存在對(duì)噪聲敏感、計(jì)算量大等缺點(diǎn)。在實(shí)踐中，發(fā)現(xiàn)SUSAN算法只基于對(duì)周邊象素的灰度比較，完全不涉及梯度的運(yùn)算，因此其抗噪聲能力很強(qiáng)，運(yùn)算量也比較小。并將SUSAN算法用于多類圖像的邊緣檢測(cè)中，實(shí)驗(yàn)證明該算法非常適合含噪圖像的邊緣檢測(cè)。
2 SUSAN邊緣檢測(cè)簡(jiǎn)介
2．1 SUSAN特征檢測(cè)原理
如圖1所示，用一個(gè)圓形模板在圖像上移動(dòng)，若模板內(nèi)象素的灰度與模板中心象素(稱為：核Nucleus)灰度的差值小于一定閥值，則認(rèn)為該點(diǎn)與核具有相同(或相近)的灰度，由滿足這樣條件的象素組成的區(qū)域稱為USAN(Univalue Segment Assimilating Nucleus)。
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(如圖1中的a和b)；當(dāng)模板移向圖像邊緣時(shí)，USAN區(qū)域逐漸變小(如圖1中c)；當(dāng)模板中心處于邊緣時(shí)，USAN區(qū)域很小(如圖1中的d)；當(dāng)模板中心處于角點(diǎn)時(shí)，USAN區(qū)域最小(如圖1中的e)?？梢钥闯?，在邊緣處象素的USAN值都小于或等于其最大值的一半。因此，計(jì)算圖像中每一個(gè)象素的USAN值，通過設(shè)定一個(gè)USAN閥值，查找小于閥值的象素點(diǎn)，即可確定為邊緣點(diǎn)[1]。
2．2 SUSAN邊緣檢測(cè)算法
(1)算法描述
對(duì)整幅圖像中的所有象素，用圓形模板進(jìn)行掃描，比較模板內(nèi)每一象素與中心象素的灰度值，通過與給定的閥值比較，來(lái)判別該象素是否屬于USAN區(qū)域，如下式：
式(1)中c(r，r0)為模板內(nèi)屬于USAN區(qū)域的象素的判別函數(shù)；I(r0)是模板中心象素(核)的灰度值；I(r)為模板內(nèi)其他任意象素的灰度值；t是灰度差門限。
圖像中每一點(diǎn)的USAN區(qū)域大小可用下式表示：
式(2)中D(r0)為以r0為中心的圓形模板區(qū)域。得到每個(gè)象素的USAN值n(r0)以后，再與預(yù)先設(shè)定得門限g進(jìn)行比較，當(dāng)n(r0)
(2)模板的選取
由于圖像的數(shù)字化，實(shí)際上無(wú)法實(shí)現(xiàn)真正的圓形模板，所以都是采用近似圓代替。但是模板較小時(shí)，如果門限選取不恰當(dāng)，可能會(huì)發(fā)生邊緣點(diǎn)漏檢的情況。模板也不宜取得太大，否則會(huì)增大運(yùn)算量大，通?？扇?×5或37象素模板[1]。本文實(shí)驗(yàn)中均采用的是5×5的模板。
(3)門限t，g的確定
門限g決定了邊緣點(diǎn)的USAN區(qū)域的最大值，即只要圖像中的象素的USAN值小于g，該點(diǎn)就被判定為邊緣點(diǎn)。g過大時(shí)，邊緣點(diǎn)附近的象素可能作為邊緣被提取出
為模板的最大USAN值)，可以較好地提取出初始邊緣點(diǎn)。如果要達(dá)到單象素的精度，還需進(jìn)一步剔除多余象素。門限t表示所能檢測(cè)邊緣點(diǎn)的最小對(duì)比度，也是能忽略的噪聲的最大容限。t越小，可從對(duì)比度越低的圖像中提取特征。因此對(duì)于不同對(duì)比度和噪聲情況的圖像，應(yīng)取不同的t值[2]。
3 實(shí) 驗(yàn)
在主頻2．3 GHz，內(nèi)存256 MB的PC機(jī)上，分別對(duì)SUSAN算法(t=10，g=18)和傳統(tǒng)的Robert算子、Gauss-Laplace算子、Prewitt算子，采用Visal C++編程，對(duì)圖2中的3幅灰度測(cè)試圖像進(jìn)行邊緣檢測(cè)。圖2中(a)是原始測(cè)試圖像，(b)是加入高斯噪聲(μ=0，σ=0．005)的測(cè)試圖像，(c)是加入椒鹽噪聲(ρ=O．005）的測(cè)試圖像。圖3～圖5分別是對(duì)圖2中(a)～(c)三幅圖像的邊緣檢測(cè)結(jié)果。
由實(shí)驗(yàn)結(jié)果可以看出，SUSAN算法具有以下優(yōu)良性能：
4．1邊緣檢測(cè)效果好
無(wú)論對(duì)直線，還是曲線邊緣，SUSAN算法基本上可以檢測(cè)出所有的邊緣，檢測(cè)結(jié)果較好。雖然實(shí)驗(yàn)中沒有達(dá)到一個(gè)象素的精度，但這主要是因?yàn)閷?duì)邊緣的兩側(cè)都應(yīng)用了SUSAN算法，對(duì)具體的實(shí)際應(yīng)用，可以對(duì)背景不再應(yīng)用SUSAN算法，這樣不但可以達(dá)到細(xì)化邊緣的目的，而且運(yùn)算量也大大減少。
評(píng)論