SUSAN算子——边缘检测
引言
SUSAN算子很好听的一个名字,其实SUSAN算子除了名字好听外,她还很实用,而且也好用,SUSAN的全名是:Smallest Univalue Segment Assimilating Nucleus)。它是一种很有特色高效的边缘和角点检测算子,它不仅可以检测图像目标的边界点,而且能够较Robust地检测目标的角点。并且具有结构保留的降噪功能。
基本SUSAN原理
先借助如图所示来解释检测的原理,其中图片是白色背景,有一个颜色比较暗淡的矩形(dark area)。用一个园形模板在图像上移动,若模板内的像素灰度与模板中心的像素(被称为核Nucleus)灰度值小于一定的阈值,则认为该点与核Nucleus具有相同的灰度,满足该条件的像素组成的区域就称为USAN(Univalue Segment Assimilating Nucleus)。在图片上有5个圆形区域。圆形区域表示的是掩码区域。把圆形区域内的每一个位置的像素值与圆心处的像素值相比较,那么圆中的的像素可以分为两类,一类是像素值与圆心处的像素值相近的,另一类是像素值与圆心的处的像素值相差比较大的。
如果将模板中各个像素的灰度都与模板中心的核像素的灰度进行比较,那么就会发现总有一部分模板区域和灰度与核像素的灰度相同或相似,这部分区域可以称为USAN(Univalue Segment Assimilating Nuclues).USAN区域包含很多与图像结构有关的信息。利用这种区域的尺寸、重心、二阶矩的分析,可以得到图像中的角点,边缘等信息。从上图所示,当核像素处在图像中的灰度一致区域时,USAN的面积会达到最大。第e个模板就是属于这种情况。
SUSAN(Smallest Univalue Segment Assimilating Nuclues)进行角点检测时,遵循了常规的思路:使用一个窗口在图像上逐点滑动,在每一个位置上计算出一个角点量,再进行局部极大值抑制,得到最终的角点。我们这里使用的窗口是圆形窗口,最小的窗口是3*3的,本文中使用的是37个像素的圆形窗口,如图:
阈值的分析
通过上面对a、b、c、d、e等几个圆形模板的USAN值的分析,当模板的中心位于角点处时,USAN的值最小。
下面简单叙述下利用SUSAN算子检测角点的步骤:
- 利用圆形模板遍历图像,计算每点处的USAN值。
- 设置一阈值g,一般取值为1/2(Max(n), 也即取值为USAN最大值的一半,进行阈值化,得到角点响应。
- 使用非极大值抑制来寻找角点。
通过上面的方式得到的角点,存在很大伪角点。为了去除伪角点,SUSAN算子可以由以下方法实现:
- 计算USAN区域的重心,然后计算重心和模板中心的距离,如果距离较小则不是正确的角点;
- 判断USAN区域的重心和模板中心的连线所经过的像素都是否属于USAN区域的像素,如果属于那么这个模板中心的点就是角点。
综上所述,我们基本知道SUSAN角点检测算法。
SUSAN角点检测代码
1.#include <stdio.h>
2.#include <cv.h>
3.#include <highgui.h>
4.
5.#define max_corners 300
6.int main( int argc, char** argv )
7.{
8. int cornerCount=max_corners;
9. CvPoint2D32f corners[max_corners];
10. double qualityLevel = 0.05;
11. double minDistance = 5;
12. IplImage *srcImage = 0, *grayImage = 0, *corners1 = 0, *corners2 = 0;
13. int i;
14. CvScalar color = CV_RGB(255,0,0);
15. cvNamedWindow( "image", 2);
16. srcImage = cvLoadImage("test.jpg", 1);
17. grayImage = cvCreateImage(cvGetSize(srcImage), IPL_DEPTH_8U, 1);
18.
19. cvCvtColor(srcImage, grayImage, CV_BGR2GRAY);
20. corners1= cvCreateImage(cvGetSize(srcImage), IPL_DEPTH_32F, 1);
21. corners2= cvCreateImage(cvGetSize(srcImage),IPL_DEPTH_32F, 1);
22. cvGoodFeaturesToTrack (grayImage, corners1, corners2, corners,&cornerCount,
23. qualityLevel, minDistance, 0);
24. printf("num corners found: %d\n", cornerCount);
25. if(cornerCount>0)
26. {
27. for (i = 0; i < cornerCount; ++i)
28. {
29. cvCircle(srcImage,cvPoint((int)(corners[i].x),(int)(corners[i].y)),
30. 3, color, 1, CV_AA, 0);
31. }
32. }
33. cvShowImage("image", srcImage);
34. cvWaitKey(0);
35. cvReleaseImage(&srcImage);
36. cvReleaseImage(&grayImage);
37. cvReleaseImage(&corners1);
38. cvReleaseImage(&corners2);
39.
40. return 0;
41.}
#include <stdio.h>
#include <cv.h>
#include <highgui.h>#define max_corners 300
int main( int argc, char** argv )
{int cornerCount=max_corners;CvPoint2D32f corners[max_corners];double qualityLevel = 0.05;double minDistance = 5;IplImage *srcImage = 0, *grayImage = 0, *corners1 = 0, *corners2 = 0;int i;CvScalar color = CV_RGB(255,0,0);cvNamedWindow( "image", 2); srcImage = cvLoadImage("test.jpg", 1);grayImage = cvCreateImage(cvGetSize(srcImage), IPL_DEPTH_8U, 1);cvCvtColor(srcImage, grayImage, CV_BGR2GRAY);corners1= cvCreateImage(cvGetSize(srcImage), IPL_DEPTH_32F, 1);corners2= cvCreateImage(cvGetSize(srcImage),IPL_DEPTH_32F, 1);cvGoodFeaturesToTrack (grayImage, corners1, corners2, corners,&cornerCount,qualityLevel, minDistance, 0);printf("num corners found: %d\n", cornerCount);if(cornerCount>0){for (i = 0; i < cornerCount; ++i){cvCircle(srcImage,cvPoint((int)(corners[i].x),(int)(corners[i].y)),3, color, 1, CV_AA, 0);}}cvShowImage("image", srcImage);cvWaitKey(0);cvReleaseImage(&srcImage);cvReleaseImage(&grayImage);cvReleaseImage(&corners1);cvReleaseImage(&corners2);return 0;
}
测试结果输出
在些,我们给出SUSAN角点测测另一种应用。
检测动态匹配轮廓的SUSAN代码:
1.#include<math.h>
2.#include<stdlib.h>
3.#include<stdio.h>
4.#include "cv.h"
5.#include "highgui.h"
6.
7.int main( int argc, char** argv )
8.{
9. int height ,width ,step ,channels ;
10. int i,j,k,same ,max,min,sum;
11. float thresh;
12. uchar *data0,*data1 ;
13. //char *filename="result.bmp";
14. IplImage* Img, *nimg;
15.
16. Img = cvLoadImage( "test.jpg",0);
17. cvNamedWindow( "Image", 2);
18. cvShowImage( "Image", Img );
19.
20. nimg = cvCreateImage(cvGetSize(Img),8,1);
21.
22. height = Img->height;
23. width = Img->width;
24. step = Img->widthStep/sizeof(uchar);
25. channels = Img->nChannels;
26. data0 = (uchar*)Img->imageData;
27. data1 = (uchar*)nimg->imageData;
28.
29. printf("Processing a %d X %d image with %d channels\n",width,height,channels);
30. int OffSetX[37] =
31. { -1, 0, 1,
32. -2,-1, 0, 1, 2,
33. -3,-2,-1, 0, 1, 2, 3,
34. -3,-2,-1, 0, 1, 2, 3,
35. -3,-2,-1, 0, 1, 2, 3,
36. -2,-1, 0, 1, 2,
37. -1, 0, 1 };
38. int OffSetY[37] =
39. {
40. -3,-3,-3,
41. -2,-2,-2,-2,-2,
42. -1,-1,-1,-1,-1,-1,-1,
43. 0, 0, 0, 0, 0, 0, 0,
44. 1, 1, 1, 1, 1, 1, 1,
45. 2, 2, 2, 2, 2,
46. 3, 3, 3
47. };
48.
49. max = min = data0[0];
50.
51. for(i=3;i<height-3;i++)
52. for(j=3;j<width-3;j++)
53. {
54. same =0;
55. sum = 0;
56. for(k=0;k<37;k++)
57. {
58. sum+=data0[(i+OffSetY[k])*step+(j+OffSetX[k])];
59. thresh = (float)sum/37;
60. float data_fabs;
61. data_fabs= (float)(data0[(i+OffSetY[k])*step+(j+OffSetX[k])]-data0[i*step+j]);
62.
63. if(fabs( data_fabs)<=thresh)
64. same++;
65. }
66.
67. if(same<18)
68. nimg->imageData[i*step+j] = 255;
69. else
70. nimg->imageData[i*step+j] = 0;
71.
72. printf("same = %d\n", same);
73.
74. }
75.
76. cvNamedWindow( "Image", 2);
77. cvShowImage( "Image", nimg );
78. cvWaitKey(0);
79. cvDestroyWindow( "Image" );
80. cvReleaseImage( &Img );
81. cvReleaseImage( &nimg );
82. return 0;
83.}
#include<math.h>
#include<stdlib.h>
#include<stdio.h>
#include "cv.h"
#include "highgui.h"int main( int argc, char** argv )
{int height ,width ,step ,channels ;int i,j,k,same ,max,min,sum;float thresh;uchar *data0,*data1 ;//char *filename="result.bmp";IplImage* Img, *nimg; Img = cvLoadImage( "test.jpg",0);cvNamedWindow( "Image", 2); cvShowImage( "Image", Img ); nimg = cvCreateImage(cvGetSize(Img),8,1);height = Img->height;width = Img->width;step = Img->widthStep/sizeof(uchar);channels = Img->nChannels;data0 = (uchar*)Img->imageData;data1 = (uchar*)nimg->imageData;printf("Processing a %d X %d image with %d channels\n",width,height,channels);int OffSetX[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 };int OffSetY[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 };max = min = data0[0];for(i=3;i<height-3;i++)for(j=3;j<width-3;j++){same =0;sum = 0;for(k=0;k<37;k++){sum+=data0[(i+OffSetY[k])*step+(j+OffSetX[k])];thresh = (float)sum/37;float data_fabs;data_fabs= (float)(data0[(i+OffSetY[k])*step+(j+OffSetX[k])]-data0[i*step+j]);if(fabs( data_fabs)<=thresh)same++;}if(same<18)nimg->imageData[i*step+j] = 255;elsenimg->imageData[i*step+j] = 0;printf("same = %d\n", same);}cvNamedWindow( "Image", 2);cvShowImage( "Image", nimg ); cvWaitKey(0); cvDestroyWindow( "Image" );cvReleaseImage( &Img ); cvReleaseImage( &nimg );return 0;
}
测试输出结果
补充事项
- 情况一:在点B的处的USAN区域如右边的白色区域所示,呈带状分布在中间,并且是单像素的带状。此时计算出的角点相应量会比较大,会误认为是角点,而实际上是边缘点。解决方法:计算出USAN区域的重心,如果重心与圆心的距离大于一定的阈值才认为是角点。
- 情况二:多个噪声点或是复杂的结构。例如单点噪声,其计算出来的角点量很大,会误认为是角点。解决方法:计算出USAN区域的重心,从中心指向USAN区域重心的直线上的所有像素都必须是USAN的一部分,否则认为不是角点。
总之,SUSAN算子是一个非常难得的算子,不仅具有很好的边缘检测性能;而且对角点检测也具有很好的效果。
参考文献
[1]SUSAN Low Level Image Processing.
SUSAN算子——边缘检测相关推荐
- 使用Visual Studio+OpenCV进行的Susan算子边缘检测及数米粒图像处理实验
一.实验内容 用计算机视觉的方法数米粒. 二.实验目的及意义 计算机视觉的应用非常广泛,本实验就是让同学们对计算机视觉技术的应用有一个简单的了解. 1.了解计算机视觉的实验环境.本实验选用的是 VS+ ...
- CUDA精进之路(四):图像处理——Sobel算子边缘检测
引言 关于图像边缘检测,记得刚开始接触图像处理时,第一个自己实现的程序是通过笔记本摄像头采集图像,利用OpenCV自带的算法库进行Canny算子边缘检测,那时候当看到程序运行后,视频窗口实时显示经Ca ...
- 数字图像处理与Python实现-边缘检测-高斯差分(DoG)算子边缘检测
高斯差分(DoG)算子边缘检测 高斯差分(DoG)算子边缘检测 1. 前言 2. 高斯差分(DoG)算子描述 3. 代码实现 1. 前言 在图像中,灰度或结构等信息的突变处称为边缘.边缘可以看作一个区 ...
- dsp图像处理Prewitt算子边缘检测
--(完整工程文件到我的资源下载) Prewitt算子边缘检测 一.实验背景与意义 图像处理就是对信息加工以满足人的视觉心理或应用需求的方法.图像处理的方法有光学方法和电子学方法.从20世纪60年代起 ...
- MATLAB图像处理---计算角点算法SUSAN算子
一.相关理论 SUSAN的全名是:(Smallest Univalue Segment Assimilating Nucleus).它是一种很有特色高效的边缘和角点检测算子,它不仅可以检测图像目标的边 ...
- 数字摄影测量特征点提取之SUSAN算子
SUSAN算子 SUSAN算子是通过一个37像素的圆形模板来实现的 圆形模板e的圆心称为核心点,假如模板中的某些像素的亮度 与核心相同或相似,就定义这些像素组成的区域为USAN(吸收核同值区)区域.
- FPGA图像处理——sobel算子边缘检测
一.sobel算子边缘检测理论 sobel算子是广泛应用的微分算子之一,可以计算图像处理中的边缘检测,计算图像的灰度地图.在技术上,它是一个离散的一阶差分算子,用来计算图像亮度函数的一阶梯度之近似值. ...
- susan算子的运用
SUSAN 算法 1997 年英国牛津大学的 S.M.smith 和 J.M.Brady 人提出了一种用于低层次图像 处理的最小核值相似区(即 Smallest Univalue Segment As ...
- opencv学习笔记18:canny算子边缘检测原理及其函数使用
canny边缘检测原理 去噪:边缘检测容易受到噪声的影响,在此之间,先去噪,通常采用高斯滤波器.opencv学习笔记11:图像滤波(均值,方框,高斯,中值) 梯度:对去噪后的图像采用sobel算子计算 ...
最新文章
- android 动态 修改图标,android-动态更改ActionBar中的图标
- Spring的lazy-init详解
- 【控制】《多智能体系统的协同群集运动控制》陈杰老师-第3章-基于代数连通度估计的多智能体系统群集运动控制
- promise是什么?简单分析promise原理
- android系统性能优化(63)---Android APP 卡顿问题分析及解决方案
- php按钮鼠标感应就变色,JavaScript_JS实现网页滚动条感应鼠标变色的方法,本文实例讲述了JS实现网页滚 - phpStudy...
- css3 混合,css3混合模式
- 玩转 Java 动态编译,太秀了~!
- web开发-引用Google font library-学习笔记四
- 状态机详解(一段式、二段式、三段式)
- adb 下载文件到本地
- 英伟达Nvidia旧版本驱动下载
- 自定义android时间表盘选择器
- 【MySQL基础】Mysql 复制表结构包括索引
- matlab里逻辑符号,下列符号中不属于MATLAB逻辑操作符的是()
- 中央电大c 语言程序设计本科试题,中央电大本科C语言程序设计试题2013年1月.pdf...
- 计算机音乐怎么去掉,怎么取消电脑的开机音乐
- 2020年全球及中国动物模型(模式动物)行业发展现状及竞争格局分析,行业增速较快,发展前景良好「图」
- MySQL 5.7中sync_binlog参数和半同步中after_commit和after_sync的区别
- 正运动EtherCAT总线控制器在 并联机械手上的应用
热门文章
- Proxmox VE 6.0管理指南——5.图形用户界面
- 智能手机集体“高反”,荣耀V10能否用AI给行业供氧?
- (转) 实时SLAM的未来及与深度学习的比较
- (素材源码)猫猫学IOS(十七)UI之纯代码自定义Cell实现新浪微博UI
- 突然被录取?多所院校发布研究生补录通知!
- java标签uri,JSP自定义标签-定制URI
- 计算机硬件清理步骤,怎么清理电脑内存(如何深度清理电脑内存步骤)
- 【NodeJs篇】npm和包
- matlab绘图命令汇总
- 惠普288G6台式机如何在 BIOS中设置通电自动开机