摘  要： 提出了一种完全不涉及梯度运算、只基于周边像素灰度比较的SUSAN边缘检测算法。主要介绍了SUSAN算法的原理，并用MATLAB编程实现了该算法。在对噪声图像的边缘检测中，与其他传统经典检测算子进行比较，结果表明，该算法较传统的边缘检测算法更具优势，能够有效提高边缘定位精度，降低漏检率，使边缘更细致、光滑。
 关键词： 图像；边缘检测；SUSAN算法

　边缘特征是图像的重要特征之一，图像分割、图像融合、模式识别等很多方面都用到了图像的边缘特征。所谓边缘是指其周围像素灰度急剧变化的那些像素的集合，它是图像最基本的特征。边缘检测就是检测图像局部特征值（如灰度）不连续或变化较为剧烈的像素点。传统的边缘检测算子（如Sobel算子、Prewitt算子、Roberts算子、Kirsch算子和Log算子等）基本都是以原始图像为基础，对图像各个像素考察其某个领域内灰度阶跃变化，利用边缘邻近一阶或二阶方向导数变化规律来检测边缘[1]。由于这些算法都涉及关于梯度的运算，因此都存在对噪声比较敏感、计算量大等缺点。经过研究和探索发现，SUSAN算法是一种只基于对周边像素的灰度比较，完全不涉及梯度的运算[2]，因此其抗噪声能力很强、运算量也比较小，广泛应用于多类图像的边缘检测中。
1 SUSAN算子原理
　SUSAN是最小吸收核同值区的缩写，是英国牛津大学学者SMITH S M和BRADY J M提出的一种基于灰度的特征点获取方法[3]，它简单而有效，适用于图像中边缘和角点的检测，可以去除图像中的部分噪声。该算法提出使用一种近似圆形的模板在图像上移动，遍历整个图像，然后再把模板内部每个图像素点的灰度值都与模板中心像素的灰度值进行比较。如果它们的差值小于某个阈值，则认为该点与核具有相同的灰度，满足该条件的所有像素组成的区域统称为核值相似区（USAN）。当圆形模板在图像中移动时，USAN区域面积也会相应地变化，如图1所示。当圆形模板完全处在图像或背景中时，USAN区域面积最大（如a和b）；当模板移向图像边缘时，USAN区域逐渐变小（如c）；当模板中心处于边缘时，USAN区域很小（如d）；当模板中心处于角点时，USAN区域最小（如e）。可以看出，在边缘处像素的USAN值都小于或等于其最大值的一半[4]，因此，计算图像中每一个像素的USAN值，通过设定一个USAN阈值，查找小于阈值的像素点，即可确定为边缘点，这就是SUSAN算法的思想。

出边缘点。
　灰度差阈t决定SUSAN算子所能检测到的最小的对比度以及去除噪声点的能力。阈值t是区分特征目标与背景的一个重要阈值，其表示的是所能检测特征点的最小对比度，它主要决定了能够提取的特征数量，t越小，则可从对比度越低的图像中提取特征，且提取的特征也越多。因此对于不同对比度和噪声情况的图像[8]，应取不同的t值。实际上可以根据图像中目标与背景的对比程度来确定t的取值。

　对比图3和图4的边缘检测结果可以看出，SUSAN算法的边缘检测效果最好，检测出的边缘细腻而光滑，连续性好，定位较高，对加入噪声的图像检测也有很好的效果。而Sobel算子、Robert算子、Prewitt算子检测的边缘连续性不好，漏检率相对较高，而且对噪声图像的检测效果不好，很多边缘检测不出来。
SUSAN边缘检测算法不计算梯度而直接利用图像灰度相似性的比较，具有算法简单、定位准确、抗噪声能力强等特点，非常适合于低对比度灰度图像或含噪图像的边缘检测。
参考文献
[1] GONZALEZ R C， WOODS R E.数字图像处理[M].阮秋琦，阮宇智，译.北京：电子工业出版社，2007.
[2] 孙即祥.图像分析[M].北京：科学出版社，2005.
[3] 陈彦燕，王元庆.常用边缘检测算法的定量比较[J].计算机工程，2008，34（17）：202-204.
[4] SMITH S M， BRADY J M. SUSAN—a new approach to low level image processing[J]. Journal of Computer Vision， 1997， 23（1）：45-78 .
[5] 马桂珍，房宗良，姚宗中.SUSAN边缘检测算法性能分析与比较[J].现代电子技术，2007（8）：189-191.
[6] 翁木云，何明一.图像综合特征及其在图像检测与匹配中的应用[J].中国图象图形学报，2007，12（1）：121-126.
[7] 张坤华，王敬儒，张启衡.多特征复合的角点提取算法[J].中国图象图形学报，2002（4）：124.
[8] 陈志方，张艳宁，杨将林，等．一种改进的SUSAN算法[J]．微电子学与计算机，2007，24（11）：142-144.