一种改进的SUSAN角点检测算法

关键词 角点检测；SUSAN算法；角点形状；自适应阈值

(a)核心点在USAN内 (b)核心点是边缘点 (c)核心点是角点

图(1)

由图(1)可以清楚的看到，当核心点位于USAN区域内时，USAN区域面积最大；当核心点位于边缘时，USAN区域相当于整个领域面积的一半；当核心点的USAN区域最小时，核心点是角点。利用这个原理，Smith等人提出了最小核心值相似区域(SUSAN，Smallest Univalue Segment Assimilating Nucleus )的角点检测算法。

SUSAN算子使用的是圆形模板进行角点检测，一般使用的模板的半径为3~4个像素，如图(2)所示。

图(2) SUSAN圆形模板

将模板中的各点亮度与核心点的亮度利用下面的函数进行比较，

(1)

在上式中 为图像中像素 的灰度值， t为灰度差别的阈值， 为模板中心的像素， 为其他的像素， C为比较函数。模板中所有的像素都用这个函数进行比较，然后计算出函数C的和值n。

(2)

和值n就是USAN(univalue segment assimilating nucleus)区域的像素个数，就是USAN区域的面积，然后把这个面积和几何阈值进行比较，得到最后的响应函数：

(3)

上式中，R为响应函数，g为阈值，通常在探测角点时取值为1/2模板的像素个数，当采用7×7的模板时，g=37×1/2。

通常在实际的应用中，对于比较函数 我们通常采用下面的比较函数：

(4)

采用这个函数可以使比较函数具有更好的稳定性，当图像中的像素亮度值有很小的变化后，对于c 的取值不会产生很大的影响。

灰度差别阈值t能够体现出算法检测到的角点的最小对比度，同时该值也是忽略噪声的最大值。它的大小决定了在不同的对比度图像中提取特征值的多少，因此，对于不同的对比度和噪声的图像，取值t应该不同，从而达到最好的提取效果。