SUSAN USAN C++ OPENCV

前日晚上导师布置了一个新作业：

了解角点检测原理，并实现SUSAN角点检测算法。自己昨天赶忙上网搜索资料，寻找相关的代码，在自己的一番努力下，终于捣鼓出来了，下面就直接贴出代码，以供大家参考。

SUSAN角点简介

SUSAN算法是1997年牛津大学的Smith等人提出的一种处理灰度图像的方法,它主要是用来计算图像中的角点特征。本人在实际运行中效果并不是特别好，猜测可能是 thresholdthresholdthreshold，ggg 值的选择有问题，待本人后续多进行几次测试，再给出准确的解答。

SUSAN角点实现

上图为我们寻找灰度相似的矩阵所用的 MaskMaskMask，如果Mask内有与中心像素灰度值相似的像素，则将其寻找出来，具体函数如下所示：
c(r,r0)=1,if∣I(r)+I(r0)∣<=thresholdc(r, r_0)=1,\quad if\quad |I(r)+I(r_0)|<=thresholdc(r,r0)=1,if∣I(r)+I(r0)∣<=threshold
c(r,r0)=0,if∣I(r)+I(r0)∣>thresholdc(r, r_0)=0,\quad if\quad |I(r)+I(r_0)|>thresholdc(r,r0)=0,if∣I(r)+I(r0)∣>threshold
接下来统计 MaskMaskMask内与中心像素灰度相似的像素的个数，具体函数如下：
n(r0)=∑r∈D(r0)c(r,r0)n(r_0)=\sum_{r\in D(r_0)}c(r, r_0)n(r0)=r∈D(r0)∑c(r,r0)
其中，D(r0)D(r_0)D(r0) 表示以 r0r_0r0 为中心的圆形Mask区域。

得到 n(r0)n(r_0)n(r0) 后，根据其数量我们可以进行判断，如下图所示（这里假设图像为二值图像）：

1、n(r0)=36n(r_0)=36n(r0)=36，所以此中心点属于背景或者目标区域。
1、18<n(r0)<3618<n(r_0)<3618<n(r0)<36，所以此中心点可能属于背景或者目标区域的角点。
1、n(r0)=18n(r_0)=18n(r0)=18，所以此中心点属于背景或者目标区域的边缘。
1、0<n(r0)<180<n(r_0)<180<n(r0)<18，所以此中心点可能属于背景或者目标区域的角点。

在实际过程中，我们会在这里认为设置一个阈值 ggg，大小为 n(r0)n(r_0)n(r0) 最大值的一半左右。

最后，我们还需要进行非极大值抑制，目的是取出具有代表性的角点，剔除掉那些不具有代表性的点。

SUSAN角点代码

void My_SUSAN(Mat& src, Mat& dst)
{if (src.empty()){std::cout << "Failed to open file!!!" << std::endl;}//用来存储转换后的灰度图Mat grayImg;//copy原图像，用来显示角点dst = src.clone();cvtColor(src, grayImg, COLOR_BGR2GRAY);//模版 x 和 y的坐标的偏移量int OffSetX[37] ={-3, -3, -3,-2, -2, -2, -2, -2,-1, -1, -1, -1, -1, -1, -1,0, 0, 0, 0, 0, 0, 0,1, 1, 1, 1, 1, 1, 1,2, 2, 2, 2, 2,3, 3, 3};int OffSetY[37] ={-1, 0, 1,-2, -1, 0, 1, 2,-3, -2, -1, 0, 1, 2, 3,-3, -2, -1, 0, 1, 2, 3,-3, -2, -1, 0, 1, 2, 3,-2, -1, 0, 1, 2,-1, 0, 1};用来寻找最适合阈值//int max = 0, min = 255;//for (int i = 0; i < grayImg.rows; i++)//{//    for (int j = 0; j < grayImg.cols; j++)//  {//     if (grayImg.at<uchar>(i, j) > max)//       {//         max = grayImg.at<uchar>(i, j);//     }//     if (grayImg.at<uchar>(i, j) < min)//       {//         min = grayImg.at<uchar>(i, j);//     }// }//}//std::cout << "Max gray: " << max << std::endl;//std::cout << "Min gray: " << min << std::endl;//int threshold = (max - min) / 10;//可选取其他方法//定义USAN中近似像素数量的阈值，g越小，角点挑选越苛刻，角点数量越少int t=25;int g = 18;int val = 0;Mat grayImg_padded;//对灰度图像进行填充copyMakeBorder(grayImg, grayImg_padded, 3, 3, 3, 3, BORDER_REFLECT);for (int i = 3; i < grayImg_padded.rows - 3; i++){for (int j = 3; j < grayImg_padded.cols - 3; j++){//same表示近似像素的数量int same = 0;int sum = 0;for (int k = 0; k < 37; k++){if (abs(grayImg_padded.at<uchar>(i + OffSetX[k], j + OffSetY[k]) - grayImg_padded.at<uchar>(i, j)) < t)same++;}if (same > val){val = same;}//g值可改 if (same < g){grayImg_padded.at<uchar>(i, j) = g - same;}else{grayImg_padded.at<uchar>(i, j) = 0;}}}std::cout << val << std::endl;//非极大值抑制int x[8] = { -1, -1, -1, 0, 0, 1, 1, 1 };int y[8] = { -1, 0, 1, -1, 1, -1, 0, 1 };for (int i = 3; i < grayImg_padded.rows - 3; i++){for (int j = 3; j < grayImg_padded.cols - 3; j++){int flag = 0;for (int k = 0; k < 8; k++){if (grayImg_padded.at<uchar>(i, j) <= grayImg_padded.at<uchar>(i + x[k], j + y[k])){//如果邻域内存在近似像素的值比中心位置的近似像素的值高，则进行极大值抑制flag = 1;break;}}if (flag == 0){//在原图像中的角点位置做标记//绘制横线line(dst, Point(j - 9, i - 3), Point(j + 3, i - 3), Scalar(255, 0, 255), 2, 8);//绘制竖线line(dst, Point(j - 3, i - 9), Point(j - 3, i + 3), Scalar(255, 0, 255), 2, 8);//grayImg_padded.at<uchar>(i, j) = 255;}/*else{grayImg_padded.at<uchar>(i, j) = 0;}*/}}
}

SUSAN角点结果

输入

1、不进行平滑预处理的检测结果

2、进行高斯平滑（3×3）预处理的检测结果( ttt 和 ggg 的值都没有改变)

由于时间原因，暂时不对SUSAN的原理进行说明，等之后有时间再回来补上……出去办事了，拜拜了，您嘞！
深夜更新，其过程实属不易，不过内容总算是趋于完整。人贵有持，希望大家都能有所收获吧！
————————————————————————————————
2021.09.26更新：
由于源代码测试效果并不是很好，所以在研读了论文之后有了一些思考。
1、对于不同的图片，ttt 和 ggg 都需要进行调整以获取比较好的效果。
2、SUSAN角点对尺度还是比较敏感的，也就是说当一个角被放大后，其可能无法被检测出来。
3、对于某些图片，在做SUSAN检测之前进行适当的平滑滤波，效果会出奇的好。