SUSAN邊緣檢測算法性能分析與比較
加入技術交流群
而Robert算子和Prewitt算子對部分直線邊緣不能檢測出來，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值小于門限g，也不會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設置恰當的t和g進行控制。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算法進行計算，對每一點只需做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3×3的模板，對每一點需要做9次加法，6次乘法，以及1次開方運算，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算法實際上還可以檢測邊緣的方向信息。具體算法是，對每一個檢測點計算模板內與該點灰度相似的象素集合的重心，檢測點與該重心的連線的矢量垂直與這條邊緣[5]。
5 結 語
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，具有算法簡單、定位準確、抗噪聲能力強等特點。因此，非常適于含噪圖像或低對比度灰度圖像的邊緣檢測。如果進一步減小門限g的數值，SUSAN算法還可以用于角點的檢測[1]。
評論