一、算法原理与流程
SUSAN（Smallest Univalue Segment Assimilating Nucleus）通过圆形模板统计邻域相似像素数量，其核心步骤包括：
- 模板扫描：7×7圆形模板（37像素）遍历图像
- 相似性判断：灰度差小于阈值t的像素计入USAN值
- 边缘响应：R=g−USAN（g=0.75×max(USAN)）
- 非极大值抑制：细化边缘
二、MATLAB实现代码
1. 参数配置与预处理
function edge_susan_demo()% 读取图像img = imread('lena.jpg');if size(img,3)==3img = rgb2gray(img);endimg = im2double(img);% 参数设置t = 45; % 灰度差阈值g = 28; % 几何阈值（37×0.75）radius = 3; % 模板半径img_size = size(img);% 扩展图像边界（避免边缘处理）pad = radius;img_pad = padarray(img, [pad,pad], 'replicate');
2. SUSAN核心检测
% 初始化响应矩阵[h,w] = size(img_pad);R = zeros(h,w);% 定义圆形模板掩膜[X,Y] = meshgrid(-radius:radius, -radius:radius);mask = (X.^2 + Y.^2) <= radius^2;mask = double(mask);% 遍历图像for i = (1+radius):(h-radius)for j = (1+radius):(w-radius)% 提取模板区域patch = img_pad(i-radius:i+radius, j-radius:j+radius);% 计算USAN值diff = abs(patch - img_pad(i,j));usan = sum(sum(mask .* (diff < t)));% 计算边缘响应if usan < gR(i,j) = g - usan;endendend% 裁剪回原尺寸R = R(radius+1:end-radius, radius+1:end-radius);
3. 非极大值抑制（NMS）
% 非极大值抑制[rows,cols] = size(R);edge = zeros(rows,cols);% 3x3邻域抑制for i = 2:rows-1for j = 2:cols-1if R(i,j) > max([R(i-1,j-1), R(i-1,j), R(i-1,j+1), ...R(i,j-1), R(i,j+1), ...R(i+1,j-1), R(i+1,j), R(i+1,j+1)])edge(i,j) = R(i,j);endendend
4. 结果可视化
% 显示结果figure;subplot(131), imshow(img), title('Original');subplot(132), imshow(R,[]), title('SUSAN Response');subplot(133), imshow(edge,[]), title('Edge Detection');% 保存结果imwrite(edge, 'susan_edge.jpg');
end
三、关键参数优化
| 参数 | 影响范围 | 推荐值 | 调整策略 |
|---|---|---|---|
| t | 噪声抑制能力 | 30-60 | 低对比度图像减小，高噪声增大 |
| g | 边缘粗细 | 25-35 | 与t联动调整（g=0.7t） |
| 模板尺寸 | 检测精度与计算量 | 3×3~5×5 | 复杂边缘用大模板 |
| NMS窗口 | 边缘细化效果 | 3×3 | 曲线边缘改用十字形窗口 |
四、结果对比与分析
| 指标 | SUSAN | Canny | Sobel |
|---|---|---|---|
| 抗噪性 | ★★★★☆ | ★★★☆☆ | ★★☆☆☆ |
| 边缘定位精度 | ★★★☆☆ | ★★★★☆ | ★★☆☆☆ |
| 计算效率 | ★★★★☆ | ★★☆☆☆ | ★★★★☆ |
| 参数敏感性 | 低 | 高 | 中 |
参考代码 基于SUSAN特征检测算子的边缘提取 www.youwenfan.com/contentcno/97248.html
五、场景示例
- 医学图像分析 检测X光片中的骨骼轮廓，设置t=30抑制噪声，g=25保留细小结构。
- 工业检测 识别金属零件表面裂纹，结合自适应阈值处理反光区域。
- 遥感图像处理 提取卫星影像中的道路边缘，多尺度融合增强断裂路段。