|
1 引 言 邊緣是圖像最基本的特征，是圖像分割的第一步。經(jīng)典的邊緣檢測方法如：Roberts，Sobel，Prewitt，Kirsch，Laplace等方法，基本都是對原始圖像中象素的小鄰域構造邊緣檢測算子，進(jìn)行一階微分或二階微分運算，求得梯度最大值或二階導數的過(guò)零點(diǎn)，最后選取適當的閥值提取邊界。由于這些算法涉及梯度的運算，因此均存在對噪聲敏感、計算量大等缺點(diǎn)。在實(shí)踐中，發(fā)現SUSAN算法只基于對周邊象素的灰度比較，完全不涉及梯度的運算，因此其抗噪聲能力很強，運算量也比較小。并將SUSAN算法用于多類(lèi)圖像的邊緣檢測中，實(shí)驗證明該算法非常適合含噪圖像的邊緣檢測。 2 SUSAN邊緣檢測簡(jiǎn)介 2．1 SUSAN特征檢測原理 如圖1所示，用一個(gè)圓形模板在圖像上移動(dòng)，若模板內象素的灰度與模板中心象素(稱(chēng)為：核Nucleus)灰度的差值小于一定閥值，則認為該點(diǎn)與核具有相同(或相近)的灰度，由滿(mǎn)足這樣條件的象素組成的區域稱(chēng)為USAN(Univalue Segment Assimilating Nucleus)。 當圓形模板完全處在圖像或背景中時(shí)，USAN區域面積最大(如圖1中的a和b)；當模板移向圖像邊緣時(shí)，USAN區域逐漸變小(如圖1中c)；當模板中心處于邊緣時(shí)，USAN區域很小(如圖1中的d)；當模板中心處于角點(diǎn)時(shí)，USAN區域最小(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，計算圖像中每一個(gè)象素的USAN值，通過(guò)設定一個(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邊緣檢測算法 (1)算法描述 對整幅圖像中的所有象素，用圓形模板進(jìn)行掃描，比較模板內每一象素與中心象素的灰度值，通過(guò)與給定的閥值比較，來(lái)判別該象素是否屬于USAN區域，如下式： 式(1)中c(r，r0)為模板內屬于USAN區域的象素的判別函數；I(r0)是模板中心象素(核)的灰度值；I(r)為模板內其他任意象素的灰度值；t是灰度差門(mén)限。 圖像中每一點(diǎn)的USAN區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域。得到每個(gè)象素的USAN值n(r0)以后，再與預先設定得門(mén)限g進(jìn)行比較，當n(r0) (2)模板的選取 由于圖像的數字化，實(shí)際上無(wú)法實(shí)現真正的圓形模板，所以都是采用近似圓代替。但是模板較小時(shí)，如果門(mén)限選取不恰當，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 )增大運算量大，通�？扇�5×5或37象素模板[1]。本文實(shí)驗中均采用的是5×5的模板。 (3)門(mén)限t，g的確定 門(mén)限g決定了邊緣點(diǎn)的USAN區域的最大值，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(guò)大時(shí)，邊緣點(diǎn)附近的象素可能作為邊緣被提取出 門(mén)限t表示所能檢測邊緣點(diǎn)的最小對比度，也是能忽略的噪聲的最大容限。t越小，可從對比度越低的圖像中提取特征。因此對于不同對比度和噪聲情況的圖像，應取不同的t值[2]。 3 實(shí) 驗 在主頻2．3 GHz，內存256 MB的PC機上，分別對SUSAN算法(t=10，g=18)和傳統的Robert算子、Gauss-Laplace算子、Prewitt算子，采用Visal C++編程，對圖2中的3幅灰度測試圖像進(jìn)行邊緣檢測。圖2中(a)是原始測試圖像，(b)是加入高斯噪聲(μ=0，σ=0．005)的測試圖像，(c)是加入椒鹽噪聲(ρ=O．005）的測試圖像。圖3～圖5分別是對圖2中(a)～(c)三幅圖像的邊緣檢測結果。 由實(shí)驗結果可以看出，SUSAN算法具有以下優(yōu)良性能： 4．1邊緣檢測效果好 無(wú)論對直線(xiàn)，還是曲線(xiàn)邊緣，SUSAN算法基本上可以檢測出所有的邊緣，檢測結果較好。雖然實(shí)驗中沒(méi)有達到一個(gè)象素的精度，但這主要是因為對邊緣的兩側都應用了SUSAN算法，對具體的實(shí)際應用，可以對背景不再應用SUSAN算法，這樣不但可以達到細化邊緣的目的，而且運算量也大大減少。 而Robert算子和Prewitt算子對部分直線(xiàn)邊緣不能檢測出來(lái)，圓的邊緣也有部分漏檢情況；Gauss-Laplace算子雖然基本上可以檢測出所有邊緣，但是他的定位效果較差，邊緣象素較寬。 4．2抗噪聲能力好 由于USAN的求和相當于求積分，所以這種算法對噪聲不敏感，而且SUSAN算法不涉及梯度的計算，所以該算法抗噪聲的性能很好。很明顯，如果考慮有獨立同分布的高斯噪聲，只要噪聲小于USAN函數的相似灰度門(mén)限值，噪聲就可被忽略。對局部突變的孤立噪聲，即使噪聲的灰度與核相似，只要局部USAN值小于門(mén)限g，也不會(huì )對邊緣檢測造成影響。因此SUSAN邊緣檢測算法可以用于被噪聲污染的圖像的邊緣檢測。 而其他的邊緣檢測算法，Robert算子、Prewitt算子、Gauss-Laplace算子，以及應用廣泛的Canny算子，由于這些算法都涉及一階梯度，甚至二階梯度的計算，所以他們的抗噪聲能力較差[2-5]，圖4、圖5也證明了這一結論。 4．3算法使用靈活 使用控制參數t和g，可以根據具體情況很容易地對不同對比度、不同形狀的圖像通過(guò)設置恰當的t和g進(jìn)行控制。比如圖像的對比度較大，則可選取較大的t值，而圖像的對比度較小，則可選取較小的t值。所以這種算法非常適用于對某些低對比度圖像或目標的識別。 4．4運算量小，速度快 對1幅256×256的圖像，應用SUSAN算法進(jìn)行計算，對每一點(diǎn)只需做8次加法運算，共需要做256×256×8次加法。 而對于其他的經(jīng)典的邊緣檢測算法，如果采用歐式距離作為梯度算子，Sobel算子采用兩個(gè)3×3的模板，對每一點(diǎn)需要做9次加法，6次乘法，以及1次開(kāi)方運算，則共需要做256×256×9次加法運算和256×256×6次乘法運算，以及256×256次開(kāi)方運算。對Gauss-Laplace算子、Priwitt算子以及Canny算子計算量就更大。 4．5 可以檢測邊緣的方向信息 SUSAN算法實(shí)際上還可以檢測邊緣的方向信息。具體算法是，對每一個(gè)檢測點(diǎn)計算模板內與該點(diǎn)灰度相似的象素集合的重心，檢測點(diǎn)與該重心的連線(xiàn)的矢量垂直與這條邊緣[5]。 5 結 語(yǔ) SUSAN邊緣檢測算法直接利用圖像灰度相似性的比較，而不需計算梯度，具有算法簡(jiǎn)單、定位準確、抗噪聲能力強等特點(diǎn)。因此，非常適于含噪圖像或低對比度灰度圖像的邊緣檢測。如果進(jìn)一步減小門(mén)限g的數值，SUSAN算法還可以用于角點(diǎn)的檢測[1]。 |
