边缘检测和角点检测的区别（Susan角点检测python实现（边缘检测、角点检测、重心计算、非极大值抑制））

时间2025-06-21 03:54:16分类IT科技浏览4354

导读：Susan角点检测（边缘检测、角点检测、重心计算、非极大值抑制）写在前面...

Susan角点检测（边缘检测、角点检测、重心计算、非极大值抑制）

写在前面

黄宁然——看过你看过的算法，觉得好难。

参考文献镇楼

[1]https://blog.csdn.net/tostq/article/details/49305615

[2]https://blog.csdn.net/qq_45613931/article/details/117819107

[3]陈丽莉《基于SUSAN算法的角点检测》

[4]王栋、朱明《SUSAN角点探测算法分析改进》

问题来源

an***** xue100: https://bbs.csdn.net/topics/*********?spm=1001.2014.3001.**77

1）如何计算USAN区域的重心？

2）非极大值抑制，指的是若模板中心对应的灰度小于模板内的任意像素灰度，就舍弃该像素点吗？

3）几何门限g如何选取？

因“当前发帖距今超过3年，不再开放新的回复 ” ，故新建帖子。迟到的回复。

1 、原理简介

SUSAN（Smallest UnivalueSegment Assimilating Nucleus）使用一个圆形模板，通过检测模板中的像素与中心位置像素的偏离程度，来判断中心位置像素是否为边缘或角点。

模板大小：半径为3.5像素，模板内共计有37个像素。

中心思想：如果周边像素与中心位置像素偏差较小，则认为周边像素与中心位置像素相似，中心位置为非边缘；如果周边像素与中心位置偏差较大，则认为中心位置为边缘或角点。

2 、基本实现步骤

（1）相似判断

（式1）

I(r0)为中心位置像素，I( r)为周边位置像素，t像素偏差阈值，c为布尔结果，表示相似或不相似。

关于阈值t：可见，t越大，周边像素越容易与中心位置像素“相似 ” ，越不容易被判定为边缘或角点，即将获得较少的角点。相关文献说，t值影响的是角点检测的数量[1] 。

（2）平滑曲线进行相似判断

实际中，使用平滑曲线来求c

（式2）

（3）累计相似度

对于圆形模板区域，共计37个像素，周边36个像素与中心位置像素进行对比，可以得到该中心位置的36个c 。对这36个c进行累加，得到该中心位置的累计相似度：

（式3）

显然，n越大，越不可能是边缘、角点。

（4）初始边缘响应/角点

这里，再引入一个阈值g，通过判断n与g的大小，来得到该中心位置属于边缘或角点的可能性。

（式4）

可见，若n大于g，则R为0 ，表示该中心位置为非边缘（非角点）；如果n小于g ，R取值为（g-n），含有取负操作。故R值越大，该中心位置为边缘或角点的可能性就越大。

关于阈值g：g的取值越小，对角点检测越挑剔。文献[1]阐述，g影响角点检测的质量。g的取值，文献[1]阐述可以取max(n)的0.75倍；有的程序代码中，直接取值37/2 。具体取值，应该需要针对具体场景进行调试。

3 、python代码实现

3.1 圆形掩模

def get_susan_mask(): mask=np.ones((7,7)) mask[0,0]=0;mask[0,1]=0;mask[0,5]=0;mask[0,6]=0; mask[1,0]=0;mask[1,6]=0; mask[5,0]=0;mask[5,6]=0;mask[6,0]=0;mask[6,1]=0; mask[6,5]=0;mask[6,6]=0; return mask

该程序返回的mask如下：

为1的位置，即是圆形模板区域。

3.2 susan角点检测

def susan_corner_detect(img_src,t=10): susan_mask = get_susan_mask() img = img_src.copy() row_s,col_s = 3,3 row_e,col_e = img_src.shape[0]-3,img.shape[1]-3 n_max = 0 n_arr=37*np.ones(img.shape) # 初始认为没有角点 for r in range(row_s,row_e):#遍历所有行 for c in range(col_s,col_e):#遍历所有列 susan_zone = img[r-3:r+3+1,c-3:c+3+1]#获取矩形区域 susan_zone = susan_zone[susan_mask!=0]#使用mask截取圆形区域 r0 = img[r,c] similarity = np.exp(-((1.0*susan_zone-r0)/t)**6 ) n=np.sum(similarity) if n>n_max: n_max = n n_arr[r,c] = n g = n_max /2 R = np.zeros(img.shape) index = n_arr<g #小于g ，认为是可能的角点，越小，可能性越大 R[index] = g-n_arr[index] # 取反，所以R越大，是角点的可能性越大 plt.figure() plt.title("edge") plt.imshow((6.37 * n_arr).astype(np.uint8), cmap=cm.gray) return R

3.3 检测结果

取t=10，g= n_max /2 。

主程序中，调用算法： if __name__ == __main__: img_src = cv2.imread(susan_input1.png,-1) if len(img_src.shape)==3: img_src = cv2.cvtColor(img_src,cv2.COLOR_BGR2GRAY) corner = susan_corner_detect(img_src) img_show = cv2.cvtColor(img_src, cv2.COLOR_GRAY2BGR) img_show[corner != 0] = (255, 0, 0) plt.figure() plt.title("original corners") plt.imshow(img_show, cmap=cm.gray) plt.show()

4 、重心法去除伪角点

从上图的角点检测结果来看，原始角点中存在较多冗余角点，或伪角点。

采用重心法去除。

根据文献1 ，求取重心

（式5）

上式中，r为位置，实际为（x ，y）两轴构成。计算时，先计算x方向重心，再计算y方向重心。对公式的简言之：圆形模板中心位置周边有36个像素，相应的有36个c ，在求x方向重心Gx时，将36个位置的x坐标与相应的c相乘后累加，再除以sum( c) ，即可得到Gx；同理得Gy 。另外，对于r0，可假设其位置为(0,0) 。

在求得重心后，计算重心与中心位置的距离，根据文献[3]描述，如距离较小，则认为中心位置不是角点。根据文献[4] ，该距离阈值设置为1.8 。本文采用1.5。另，重心法去除伪角点与初始角点的检测，在代码实现时，有些许内容的重复，所以在初始角点检测时，即可同步应用重心法。

4.1重心法代码

def gravity_filter(img_src,corner_src,t=10,F=1.5): x_label = np.zeros((7,7)) y_label = np.zeros((7,7)) x_label[:,0]=-3;x_label[:,1]=-2;x_label[:,2]=-1; x_label[:, -1] = 3; x_label[:, -2] = 2; x_label[:, -3] = 1; y_label[0,:]=-3;y_label[1,:]=-2;y_label[2,:]=-1; y_label[4, :] = 1;y_label[5, :] = 2; y_label[6, :] = 3; print(x_label,"\r\n",y_label) #查看矩形区域内x、y轴信息 img = img_src.copy() row_s, col_s = 3, 3 row_e, col_e = img_src.shape[0] - 3, img.shape[1] - 3 corner = corner_src.copy() susan_mask = get_susan_mask() for r in range(row_s,row_e): for c in range(col_s,col_e): if corner[r,c] ==0: #对于不是角点的位置，就没必要进行后续计算了 continue susan_zone = img[r-3:r+3+1,c-3:c+3+1]#获取矩形区域 r0 = img[r,c] similarity = np.exp(-((1.0*susan_zone-r0)/t)**6 ) g_x = np.sum(similarity[susan_mask==1]*x_label[susan_mask==1] )/np.sum(similarity[susan_mask==1])#使用mask截取圆形区域 g_y = np.sum(similarity[susan_mask == 1] * y_label[susan_mask == 1]) / np.sum(similarity[susan_mask == 1])#使用mask截取圆形区域 distance = np.sqrt(g_x**2+g_y**2) if distance<F: corner[r,c] = 0 return corner

4.2 主程序调用

if __name__ == __main__: img_src = cv2.imread(susan_input1.png,-1) if len(img_src.shape)==3: img_src = cv2.cvtColor(img_src,cv2.COLOR_BGR2GRAY) corner = susan_corner_detect(img_src) img_show = cv2.cvtColor(img_src, cv2.COLOR_GRAY2BGR) img_show[corner != 0] = (255, 0, 0) plt.figure() plt.title("original corners") plt.imshow(img_show, cmap=cm.gray) cor_g = gravity_filter(img_src, corner) img_show2 = cv2.cvtColor(img_src, cv2.COLOR_GRAY2BGR) img_show2[cor_g != 0] = (255, 0, 0) plt.figure() plt.title("corners-gravity ") plt.imshow(img_show2, cmap=cm.gray) plt.show()

4.3 检测结果

与原始角点的局部对比

5 、非极大值抑制

非极大值抑制，也可对角点进行剔除。

思想：对于已获取的角点矩阵，使用一3x3的矩形区域进行逐个判断。在3x3的区域中，若中心位置不是最大，则认为该中心位置不是局部极值，即认为该中心位置不是角点，将其抑制。

问题：若3x3区域内，有两个位置的值相等且均为最大，则如何处理？目前，本文2个均保留。

220719更新：该nms代码存在些许不足之处，详见后续的博文，https://blog.csdn.net/xiaohuolong1827/article/details/125859795

5.1 非极大值抑制代码

def corner_nms(corner,kernal=3): out = corner.copy() row_s = int(kernal/2) row_e = out.shape[0] - int(kernal/2) col_s,col_e = int(kernal/2),out.shape[1] - int(kernal/2) for r in range(row_s,row_e): for c in range(col_s,col_e): if corner[r,c]==0: #不是可能的角点 continue zone = corner[r-int(kernal/2):r+int(kernal/2)+1,c-int(kernal/2):c+int(kernal/2)+1] index = corner[r,c]<zone (x,y) = np.where(index==True) if len(x)>0 : #说明corner[r,c]不是最大，直接归零将其抑制 out[r,c] = 0 else: out[r,c] = 255 return out

5.2 主程序调用

5.3 检测结果

与重心法处理后的局部对比

6. 源码下载：

https://download.csdn.net/download/xiaohuolong1827/85030525

7. 其他

2022.03.22 ，黄宁然：“SUSAN ，你竟然在看这个，我以前用过，你信不信”。呃，我当然信。

展开全文READ MORE

ssl加速卡（怎么使用SSL加速,SSL加速的作用和优势）

边缘检测和角点检测的区别（Susan角点检测python实现 （边缘检测、角点检测、重心计算、非极大值抑制））