SUSAN算法是1997年牛津大学的Smith等人提出的一种处理灰度图像的方法,它主要是用来计算图像中的角点特征。SUSAN算法选用圆形模板(如图1所示)。将位于圆形窗口模板中心等待检测的像素点称为核心点。核心点的邻域被划分为两个区域:亮度值相似于核心点亮度的区域即核值相似区(Univalue SegmentAs-similatingNueleus,USAN)和亮度值不相似于核心点亮度的区域。
图1 圆形模板
USAN的典型区域如图2所示。模板在图像上移动时,当圆形模板完全在背景或者目标区域时，其USAN区域最大,如图2(a)；当核心在边缘时,USAN区域减少一半,如图2(c)；当核心在角点时, USAN区域最小，如图2(d)。基于这一原理, Smith提出了最小核值相似区角点检测算法。
图2 典型区域
SUSAN角点检测算法的具体步骤如下:
(1)在图像上放置一个37个像素的圆形模板，模板在图像上滑动，依次比较模板内各个像素点的灰度与模板核的灰度，判断是否属于USAN区域。判别函数如下：
(2)统计圆形模板中和核心点有相似亮度值的像素个数n(r0)。
其中，D(r0)是以r0为中心的圆形模板区域
(3)使用如下角点响应函数。若某个像素点的USAN值小于某一特定阈值，则该点被认为是初始角点，其中，g可以设定为USAN的最大面积的一半。
(4)对初始角点进行非极值抑制来求得最后的角点。
算法实现如下:
IplImage* SUSAN(IplImage* src) { uchar *data0, *data1, *data2; int same, max, min, thresh; IplImage* img = cvCreateImage(cvGetSize(src), 8, 1); //中间图像 IplImage* dst = cvCreateImage(cvGetSize(src), 8, 1); //结果图像 int height = src->height; int width = src->width; int step = src->widthStep / sizeof(uchar); int channels = src->nChannels; data0 = (uchar*)src->imageData; data1 = (uchar*)img->imageData; data2 = (uchar*)dst->imageData; int g = 18; //核值相似区域中点个数的阈值 //模版 x 和 y的坐标的偏移量 int OffSetX[37] = { -1, 0, 1, -2, -1, 0, 1, 2, -3, -2, -1, 0, 1, 2, 3, -3, -2, -1, 0, 1, 2, 3, -3, -2, -1, 0, 1, 2, 3, -2, -1, 0, 1, 2, -1, 0, 1 }; int OffSetY[37] = { -3, -3, -3, -2, -2, -2, -2, -2, -1, -1, -1, -1, -1, -1, -1, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 3, 3, 3 }; //求阈值 max = min = data0[0]; for (int i = 0; i < height; i++) { for (int j = 0; j
max) max = data0[i*step + j]; if (data0[i*step + j]
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/176032.html原文链接：https://javaforall.net
