SUSAN边缘检测算法性能分析与比较
加入技术交流群
而Robert算子和Prewitt算子对部分直线边缘不能检测出来，圆的边缘也有部分漏检情况；Gauss-Laplace算子虽然基本上可以检测出所有边缘，但是他的定位效果较差，边缘象素较宽。
4．2抗噪声能力好
由于USAN的求和相当于求积分，所以这种算法对噪声不敏感，而且SUSAN算法不涉及梯度的计算，所以该算法抗噪声的性能很好。很明显，如果考虑有独立同分布的高斯噪声，只要噪声小于USAN函数的相似灰度门限值，噪声就可被忽略。对局部突变的孤立噪声，即使噪声的灰度与核相似，只要局部USAN值小于门限g，也不会对边缘检测造成影响。因此SUSAN边缘检测算法可以用于被噪声污染的图像的边缘检测。
而其他的边缘检测算法，Robert算子、Prewitt算子、Gauss-Laplace算子，以及应用广泛的Canny算子，由于这些算法都涉及一阶梯度，甚至二阶梯度的计算，所以他们的抗噪声能力较差[2-5]，图4、图5也证明了这一结论。
4．3算法使用灵活
使用控制参数t和g，可以根据具体情况很容易地对不同对比度、不同形状的图像通过设置恰当的t和g进行控制。比如图像的对比度较大，则可选取较大的t值，而图像的对比度较小，则可选取较小的t值。所以这种算法非常适用于对某些低对比度图像或目标的识别。
4．4运算量小，速度快
对1幅256×256的图像，应用SUSAN算法进行计算，对每一点只需做8次加法运算，共需要做256×256×8次加法。
而对于其他的经典的边缘检测算法，如果采用欧式距离作为梯度算子，Sobel算子采用两个3×3的模板，对每一点需要做9次加法，6次乘法，以及1次开方运算，则共需要做256×256×9次加法运算和256×256×6次乘法运算，以及256×256次开方运算。对Gauss-Laplace算子、Priwitt算子以及Canny算子计算量就更大。
4．5 可以检测边缘的方向信息
SUSAN算法实际上还可以检测边缘的方向信息。具体算法是，对每一个检测点计算模板内与该点灰度相似的象素集合的重心，检测点与该重心的连线的矢量垂直与这条边缘[5]。
5 结 语
SUSAN边缘检测算法直接利用图像灰度相似性的比较，而不需计算梯度，具有算法简单、定位准确、抗噪声能力强等特点。因此，非常适于含噪图像或低对比度灰度图像的边缘检测。如果进一步减小门限g的数值，SUSAN算法还可以用于角点的检测[1]。
评论