CN104252710A - 基于动态阈值的Susan算子彩色图像边缘检测方法 - Google Patents

Abstract

本发明涉及一种基于动态阈值的Susan算子彩色图像边缘检测方法，根据对比灵敏度与色差的空间频率对人眼视觉效果的影响，构建了一个更加适应人眼视觉效果的S-CIELAB色彩模型，并计算此模型下的色差公式，再结合局部背景亮度以及亮度与色彩的不同空间频率对人眼视觉效果的影响，利用对比灵敏度函数构建动态阈值计算公式，使得所设计的算法具有符合人眼的视觉特性，能够抑制噪声，且计算简便。

Description

基于动态阈值的Susan算子彩色图像边缘检测方法

技术领域

本发明涉及自动化领域中的对图像边缘的检测，尤其涉及一种彩色图像边缘检测的方法，适用于计算机视觉领域中的图像纹理特征分析、图像分割、融合以及图形特征提取等。

背景技术

边缘是一种视觉低级特征，被广泛应用在图像处理和计算机视觉的各个领域，如匹配分割、跟踪和识别。在传统的彩色图像(如RGB、HIS等三色图像)低级特征检测中，常见的技术是将彩色图像转换为亮度图像，然后应用基于微分的方法，如Canny算子或Harris进行特征检测。尽管该类方法已经达到很好的效果，但对于彩色图像，其转换到亮度图像则意味着信息的丢失，同时也没能充分考虑到，如照度信息以及亮度相同而颜色不同像素或特征的区别。随着微处理器的发展，直接针对彩色图像处理的系统越来越常见。直接针对彩色图像的特征检测，相当多的研究者是先对不同颜色分量的图像进行微分，再应用一个简单的微分求和来检测特征。这种方法的缺点是忽略了颜色分量之间的相关性，也不能很好的适应人眼的视觉效果。另外，静态色差公式(如欧式公式)只能计算出色彩模型中，像素点之间的色差距离，不能从视觉角度去分析不同像素之间的差值，而全局阈值往往会带来“过检测”等问题。

发明内容

本发明目的在于针对现有技术的不足，在分析和归纳不同色彩空间色差定义以及阈值计算的基础之上，提出一种有效的、能够带来很好的适应人眼的视觉效果的基于动态阈值的彩色图像边缘检测设计方法。

本发明的技术方案为，包括以下步骤：

S101、由公式(1)将RGB彩色图像P变到与设备无关的CIE-XYZ颜色空间，得到图像P′；

S102、由公式(2)将图像P′转换到对立颜色空间ABC并得到P″；

S103、在对立颜色空间中对P″进行空间滤波得到图像P_l，从而来模拟人眼视觉系统的空间混合效果，滤波函数采用对比敏感函数CSF；

S104、由公式(3)将滤波后的对立色分量转换到LAB空间，并带入公式(4)计算色差ΔE_ab；

S105、计算CIELAB空间三个颜色分量L，a，b的CSF函数及其背景亮度掩膜函数；然后求出每个像素点的自适应动态阈值；

S106、采用susan算子，对LAB颜色空间的图像进行遍历运算，得到边缘轮廓；

其中，公式(1)为：

$\left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]=\left[\begin{array}{ccc}0.4124& 0.3576& 0.1805\\ 0.2126& 0.7152& 0.0722\\ 0.0193& 0.1192& 0.9505\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

其中，公式(2)为：

$\left[\begin{array}{c}A\\ B\\ C\end{array}\right]=\left[\begin{array}{ccc}0.297& 0.72& -0.107\\ -0.449& 0.29& -0.077\\ 0.086& -0.59& 0.501\end{array}\right]\left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]$

其中，公式(3)为：

$\left[\begin{array}{c}L\\ A\\ B\end{array}\right]\left[\begin{array}{ccc}0.979& -1.535& 0.445\\ 1.189& 0.764& 0.135\\ 1.232& 1.163& 2.079\end{array}\right]\left[\begin{array}{c}A\\ B\\ C\end{array}\right]$

其中，A为亮度分量，B为红绿分量，C为黄蓝分量；

其中，公式(4)为：

$\mathrm{\Δ}{E}_{\mathrm{ab}}=\sqrt{{\left(\mathrm{\ΔL}\right)}^2+{\left(\mathrm{\Δa}\right)}^2+{\left(\mathrm{\Δb}\right)}^2}$

其中，ΔL，Δa，Δb分别为CIELAB空间L，a，b颜色分量的差值。

进一步，所述步骤S103的空间滤波包含以下步骤：

S201、分别对图像P″的三个颜色分量A、B、C做傅里叶变换得到它们的频谱分布；

S202、分别对其频谱分布做CSF函数滤波；

S203、将滤波后的频谱分布通过傅里叶反变换求得滤波后的图像P_l。

进一步，所述步骤S202的CSF函数滤波包括：

S301、分别计算三个颜色分量A、B、C的CSF函数；

S302、分别对其CSF函数进行归一化处理。

进一步，所述步骤S301的CSF函数计算方法包括：

S401、以(i，j)为中心分别在m*n的邻域窗口中计算水平方向HF，垂直方向VF以及对角线方向的空间频率DF；

S402、将空间频率转换为空间角频率；

S403、分别计算三种颜色分量的CSF函数。

进一步，所述步骤S403的CSF函数采用Mullen的对比敏感函数模型。

进一步，所述步骤S302对其CSF函数进行归一化处理，具体包括：

S501、对于亮度分量A，先找出其CSF函数峰值及其所对应的空间频率f_M，令小于f_M的空间频率对应的函数值为1，大于f_M的空间频率的函数值除以峰值，从而把亮度分量的CSF函数变成一个低通滤波函数；

S502、彩色分量B、C只需要将其CSF函数的函数值除以峰值。

进一步，所述步骤S105的自适应动态阈值为：

当频率大于1cpd时，人眼对亮度对比度敏感值大约比红-绿对比度敏感值大一倍，而红-绿又几乎比黄-蓝对比度敏感值大一倍，因此可以将亮度掩膜函数以及三种颜色分量L，a，b的CSF函数的加权平均和看作自适应动态阈值T：

$T=F(E\left(Y\right),{\mathrm{\ψ}}_w(i,j),{\mathrm{\ψ}}_u(i,j),{\mathrm{\ψ}}_v(i,j))=\frac{a\left(E\left(Y\right)\right)+b(E\left(Y\right),{\mathrm{\ψ}}_w(i,j),{\mathrm{\ψ}}_u(i,j),{\mathrm{\ψ}}_v(i,j))}{k}$

$\mathrm{\Δ}{E}_{\mathrm{Lab}}=(\frac{E\left(Y\right)}{{\mathrm{csf}}_L\left({\mathrm{\ψ}}_w(i,j)\right)}+0.5\frac{E\left(Y\right)}{{\mathrm{csf}}_{\mathrm{rg}}\left({\mathrm{\ψ}}_u(i,j)\right)}+0.25\frac{E\left(Y\right)}{{\mathrm{csf}}_{\mathrm{yb}}\left({\mathrm{\ψ}}_v(i,j)\right)})/1.75$

b＝ΔE_Lab/JNCD

JNCD为CIELAB空间中两种颜色刚好不能区分的色差值，取3NBS；k值取2。

进一步，所述步骤S106中susan算法具体包括：

定义一个半径为3、4个像元的圆，用这个圆去遍历整个彩色图像，计算模板内每一个像元与核的色差，当色差值小于阈值T时，认为该店于核有相似的色度，这样的像元构成的区域称为核值相似区USAN，反之，该点不属于USAN，其公式如下：

$c(i,j)=\left\{\begin{array}{c}1,\mathrm{if}|I\left(i\right)-I\left(j\right)\≤t\\ 0,\mathrm{if}|I\left(i\right)-I\left(j\right)\≥t\end{array}\right.$

其中，j-模板的核；I-像素；

当模板内所有像元比较完成后，对c(i，j)进行累加，即此处的n(j)为USAN像元的数量，得到每个像素的n(j)后，与设定的g门限值比较，确定此核是否为边缘点。

本发明采用以上技术方案，可以较准确的定位图像的边缘，避免了图像的边缘模糊又不会对噪声过于敏感，提高了抑制虚假边缘的能力，可以动态的改变边缘检测的阀值，确保了图像边缘点的连续提取，引入灵敏度函数，充分考虑了背景亮度以及色彩对比度对人眼的影响，使得本算法能很好的适应人眼的视觉特性，以512*512的标准Lena图为例，对比传统固定阈值的susan算法，其结果如图2，并用邻域连通点数从客观的角度分析，如表1，可以发现基于统一的全局阈值作为边缘像素点的判断，会使部分阈值过低处出现过检的现象，特别是在背景颜色鲜艳、图像纹理丰富、亮度和色彩空间频率变化大的地方，而本文算法其检测效果明显更好。

附图说明

图1为本发明基于动态阈值的Susan算子彩色图像边缘检测方法的流程示意图。

图2为本发明以Lena标准图为输入图像检测得出的边缘。

具体实施方式

本发明目的在于针对现有技术的不足，在分析和归纳不同色彩空间色差定义以及阈值计算的基础之上，提出一种图像边缘检测方法。首先进行彩色图像色彩空间的转换，从RGB空间转换为符合人眼视觉特性的均匀空间S-CIELAB，并计算色差；然后利用对比灵敏度函数CSF计算每个像素点的自适应动态阈值，并借助Susan算子对整幅图像滤波，然后进行边缘检测。

如图1所示，为本发明基于动态阈值的Susan算子彩色图像边缘检测方法的流程示意图；本方法的具体步骤为：

S101、由公式(1)将RGB彩色图像P变到与设备无关的CIE-XYZ颜色空间，得到图像P′；

S102、由公式(2)将图像P′转换到对立颜色空间ABC并得到P″；

S103、在对立颜色空间中对P″进行空间滤波得到图像P_l，从而来模拟人眼视觉系统的空间混合效果，滤波函数采用对比敏感函数CSF；

S104、由公式(3)将滤波后的对立色分量转换到LAB空间，并带入公式(4)计算色差ΔE_ab；

S105、计算CIELAB空间三个颜色分量L，a，b的CSF函数和背景亮度掩膜函数，然后再求出每个像素点的自适应动态阈值；

S106、采用susan算子，，对LAB颜色空间的图像进行遍历运算，得到边缘轮廓。

所述步骤S101，公式(1)具体为：

$\left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]=\left[\begin{array}{ccc}0.4124& 0.3576& 0.1805\\ 0.2126& 0.7152& 0.0722\\ 0.0193& 0.1192& 0.9505\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

式中，RGB为彩色图像P的颜色分量，XYZ为图像P′的颜色分量；

其中所述步骤S102，公式(2)具体为：

$\left[\begin{array}{c}A\\ B\\ C\end{array}\right]=\left[\begin{array}{ccc}0.297& 0.72& -0.107\\ -0.449& 0.29& -0.077\\ 0.086& -0.59& 0.501\end{array}\right]\left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]$

式中，ABC为图像P″在对立颜色空间的颜色分量；

其中所述步骤S103，公式(3)具体为：

$\left[\begin{array}{c}L\\ A\\ B\end{array}\right]\left[\begin{array}{ccc}0.979& -1.535& 0.445\\ 1.189& 0.764& 0.135\\ 1.232& 1.163& 2.079\end{array}\right]\left[\begin{array}{c}A\\ B\\ C\end{array}\right]$

式中，A为对立颜色空间的亮度分量，B为红绿分量，C为黄蓝分量；

公式(4)具体为：

$\mathrm{\Δ}{E}_{\mathrm{ab}}=\sqrt{{\left(\mathrm{\ΔL}\right)}^2+{\left(\mathrm{\Δa}\right)}^2+{\left(\mathrm{\Δb}\right)}^2}$

式中，ΔL，Δa，Δb分别为CIELAB空间L，a，b颜色分量的差值；

步骤S103所述对图像的空间滤波，具体包括以下步骤：

S201、分别对图像P″的三个颜色分量A、B、C做傅里叶变换得到它们的频谱分布；

S202、分别对其频谱分布做CSF函数滤波；

S203、将滤波后的频谱分布通过傅里叶反变换求得滤波后的图像P_l。

其中步骤S202所述CSF函数滤波，具体包括以下步骤：

S301、分别计算三个颜色分量A、B、C的CSF函数；

S302、分别对其CSF函数进行归一化处理。

步骤S301所述CSF函数的计算方法，具体包括以下步骤：

S401、以(i，j)为中心分别在m*n的邻域窗口中计算水平方向HF，垂直方向VF以及对角线方向的空间频率DF；

S402、将空间频率转换为空间角频率；

S403、分别计算三种颜色分量的CSF函数。

所述步骤S401，具体包括：

$\mathrm{HF}=\sqrt{\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=2}{\overset{n}{\mathrm{\Σ}}}{(I(i,j)-I(i,j-1))}^2}{m(n-1)}}$

$\mathrm{VF}=\sqrt{\frac{\underset{i=2}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(I(i,j)-I(i-1,j))}^2}{n(m-1)}}$

$\mathrm{DF}=\sqrt{\frac{\underset{i=2}{\overset{m}{\mathrm{\Σ}}}\underset{j=2}{\overset{n}{\mathrm{\Σ}}}{(I(i,j)-I(i-1,j-1))}^2}{(n-1)(m-1)}}+\sqrt{\frac{\underset{i=2}{\overset{m}{\mathrm{\Σ}}}\underset{j=2}{\overset{n}{\mathrm{\Σ}}}{(I(i-1,j)-I(i,j-1))}^2}{(n-1)(m-1)}}$

式中，m，n均取5，I(i，j)为点像素。

所述步骤S402，具体转换步骤为：

像素点(i，j)的空间频率为：

$f(i,j)=\sqrt{{\mathrm{HF}}^2+{\mathrm{VF}}^2+{\mathrm{DF}}^2}$

其角频率为：

$\mathrm{\ψ}(i,j)=f_l(i,j)\·\frac{\mathrm{\πd}}{180\·\mathrm{\Δx}}$

其中d为观察距离通常取50cm，Δx表示像素间距，在LAB空间分别计算出像素点邻域内L分量，a分量与b分量的空间频率ψ_w(i，j)，ψ_u(i，j)，ψ_s(i，j)。

所述步骤S403，具体计算方式为：CSF函数采用Mullen的对比敏感函数模型，该模型用指数形式来拟合空间频率与对比度视觉阈值的关系，拟合后的数学表达式如下：

csf_L(ψ)＝180.763ψ^0.6exp(-0.136ψ)

csf_rg(ψ)＝70.14·exp(-0.0037·ψ^3.4244)+60.59·exp(-0.0037·ψ^2.1677)

csf_yb(ψ)＝35.0328·exp(-0.0004·ψ^4.2582)+40.6910·exp(-0.1040·ψ^1.6487)

其中，ψ为LAB分量的空间角频率w，u，v的集合，单位为周/度(cpd)。

所述步骤S302所述归一化处理，具体包括：

S501、对于亮度分量A，先找出其CSF函数峰值及其所对应的空间频率f_M，令小于f_M的空间频率对应的函数值为1，大于f_M的空间频率的函数值除以峰值，从而把亮度分量的CSF函数变成一个低通滤波函数，

S502、对于彩色分量B、C只需要将其CSF函数的函数值除以峰值。

其中所述步骤S105的自适应动态阈值包括两部分具体为：

S601、由背景亮度变化引起的色差(即背景亮度掩膜函数)

S602、不同颜色变化引起的色差(即由对比灵敏度函数计算的色差阈值)；

所述步骤S602中，所述不同颜色变化引起的色差与对比灵敏度函数CSF的关系为倒数；由于亮度和彩度的变化都产生色差，本文基于CIELAB空间，采用色差ΔE_ab和平均亮度L之比定义对比度，即符合亮度对比度的一般定义形式，又将色差与对比度联系在一起，其关系可以描述为：

$\mathrm{csf}=\frac{1}{\mathrm{\Δ}{E}_{\mathrm{Lab}}/E\left(Y\right)}=\frac{E\left(Y\right)}{\mathrm{\Δ}{E}_{\mathrm{Lab}}}$

其中，E(Y)为像素点邻域的平均亮度，ΔE_Lab为CIELAB空间的色差，csf为对比灵敏度函数。

所述步骤S601中，背景亮度掩模是指人类视觉对亮度对比的视觉敏感度要高于对绝对亮度的敏感度，引起差觉所需要的刺激的变化量ΔI和原来的刺激强度I的比值是一个常数，因此对于图像中的像素点，若邻域的平均亮度不同，则该点与其它像素点的阈值也不相同。背景亮度E(Y)与亮度掩膜函数a(E(Y))的关系为：

$a\left(E\left(Y\right)\right)=\left\{\begin{array}{cc}-0.028E\left(Y\right)+3.5,& 0\&le;E\left(Y\right)<90\\ 1.0,& 90\&le;E\left(Y\right)<150\\ 0.015E\left(Y\right)+1.0,& 150\&le;E\left(Y\right)\&le;255\end{array}\right.$

式中E(Y)为该像素点邻域的平均亮度，结合本文的Susan算子(5*5模板)，其平均亮度为：

$E\left(Y\right)=\left(\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{5}{\mathrm{\&Sigma;}}}L(i,j)\right)/25$

式中L(i，j)为Lab色空间中的L分量，即其亮度分量。

此外，所述步骤S105的自适应动态阈值为：当频率大于1cpd时，人眼对亮度对比度敏感值大约比红-绿对比度敏感值大一倍，而红-绿又几乎比黄-蓝对比度敏感值大一倍，因此可以将亮度掩膜函数a(E(Y))以及3种颜色分量L，a，b的CSF函数的加权平均和看作自适应动态阈值T：

$T=F(E\left(Y\right),{\mathrm{\&psi;}}_w(i,j),{\mathrm{\&psi;}}_u(i,j),{\mathrm{\&psi;}}_v(i,j))=\frac{a\left(E\left(Y\right)\right)+b(E\left(Y\right),{\mathrm{\&psi;}}_w(i,j),{\mathrm{\&psi;}}_u(i,j),{\mathrm{\&psi;}}_v(i,j))}{k}$

$\mathrm{\&Delta;}{E}_{\mathrm{Lab}}=(\frac{E\left(Y\right)}{{\mathrm{csf}}_L\left({\mathrm{\&psi;}}_w(i,j)\right)}+0.5\frac{E\left(Y\right)}{{\mathrm{csf}}_{\mathrm{rg}}\left({\mathrm{\&psi;}}_u(i,j)\right)}+0.25\frac{E\left(Y\right)}{{\mathrm{csf}}_{\mathrm{yb}}\left({\mathrm{\&psi;}}_v(i,j)\right)})/1.75$

b＝ΔE_Lab/JNCD

JNCD为CIELAB空间中两种颜色刚好不能区分的色差值，取3NBS；k值取2。

所述步骤S106中susan算法具体包括：

定义一个半径为3、4个像元的圆，用这个圆去遍历整个彩色图像，计算模板内每一个像元与核的色差，当色差值小于阈值T时，认为该店于核有相似的色度，这样的像元构成的区域称为核值相似区USAN，反之，该点不属于USAN，其公式如下：

$c(i,j)=\left\{\begin{array}{c}1,\mathrm{if}|I\left(i\right)-I\left(j\right)\&le;t\\ 0,\mathrm{if}|I\left(i\right)-I\left(j\right)\&GreaterEqual;t\end{array}\right.$

其中，j-模板的核；I-像素。当模板内所有像元比较完成后，对c(i，j)进行累加，即此处的n(j)为USAN像元的数量，得到每个像素的n(j)后，与设定的g门限值比较，确定此核是否为边缘点。

如图2所示，图2为本发明以Lena标准图为输入图像检测得出的边缘，以512*512的标准Lena图为例，对比传统固定阈值的susan算法(图2左侧)，可以发现基于统一的全局阈值作为边缘像素点的判断，会使部分阈值过低处出现过检的现象，特别是在背景颜色鲜艳、图像纹理丰富、亮度和色彩空间频率变化大的地方，而本文算法其检测效果明显更好(图2右侧)；并用邻域连通点数从客观的角度分析，一般情况下，对于任意边缘图像，当它的边缘线形的连接程度越好时，C/A、C/B的值会越小，如表1，表1为本发明以Lena标准图检测边缘的邻域连通点数，本文算法求出的边缘，其线型连接程度要远好于传统的全阈值susan算法。

表1

	普通Susan算子	本文算法
			边缘点个数A	55689	50129
4-连通成分B	22180	14744

8-连通成分C	16116	3689
			C/A	0.2894	0.0736
C/B	0.7266	0.2502

本文根据局部像素点邻域特征的相异性，以及亮度和色度CSF函数，构建了一个包含亮度与色度的CSF函数以及背景亮度掩膜的色差阈值的权重函数，自适应调整该像素点的可视阈值T。

由上述实施方式可以看出，本发明克服了全局阈值带来的“过检测”和“漏检”等问题，引入灵敏度函数，重新定义色彩空间，可以动态的改变边缘检测的阀值，确保了图像边缘点的连续提取，充分考虑了背景亮度以及色彩对比度对人眼的影响，使得本算法能很好的适应人眼的特性。

应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围。

Claims (8)

1.一种基于动态阈值的Susan算子彩色图像边缘检测方法，其特征在于，包括如下步骤：

S101、由公式(1)将RGB彩色图像P变到与设备无关的CIE-XYZ颜色空间，得到图像P′；

S102、由公式(2)将图像P′转换到对立颜色空间ABC并得到P″；

S103、在对立颜色空间中对P″进行空间滤波得到图像P_l，从而来模拟人眼视觉系统的空间混合效果，滤波函数采用对比敏感函数CSF；

S104、由公式(3)将滤波后的对立色分量转换到LAB空间，并带入公式(4)计算色差ΔE_ab；

S105、计算CIELAB空间三个颜色分量L，a，b的CSF函数及其背景亮度掩膜函数；然后求出每个像素点的自适应动态阈值；

S106、采用susan算子，对LAB颜色空间的图像进行遍历运算，得到边缘轮廓；

其中，公式(1)为：

$\left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]=\left[\begin{array}{ccc}0.4124& 0.3576& 0.1805\\ 0.2126& 0.7152& 0.0722\\ 0.0193& 0.1192& 0.9505\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

其中，公式(2)为：

$\left[\begin{array}{c}A\\ B\\ C\end{array}\right]=\left[\begin{array}{ccc}0.297& 0.72& -0.107\\ -0.449& 0.29& -0.077\\ 0.086& -0.59& 0.501\end{array}\right]\left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]$

其中，公式(3)为：

$\left[\begin{array}{c}L\\ A\\ B\end{array}\right]\left[\begin{array}{ccc}0.979& -1.535& 0.445\\ 1.189& 0.764& 0.135\\ 1.232& 1.163& 2.079\end{array}\right]\left[\begin{array}{c}A\\ B\\ C\end{array}\right]$

其中，A为亮度分量，B为红绿分量，C为黄蓝分量；

其中，公式(4)为：

$\mathrm{\&Delta;}{E}_{\mathrm{ab}}=\sqrt{{\left(\mathrm{\&Delta;L}\right)}^2+{\left(\mathrm{\&Delta;a}\right)}^2+{\left(\mathrm{\&Delta;b}\right)}^2}$

其中，ΔL，Δa，Δb分别为CIELAB空间L，a，b颜色分量的差值。

2.根据权利要求1所述的基于动态阈值的Susan算子彩色图像边缘检测方法，其特征在于，所述步骤S103的空间滤波包含以下步骤：

S201、分别对图像P″的三个颜色分量A、B、C做傅里叶变换得到它们的频谱分布；

S202、分别对其频谱分布做CSF函数滤波；

S203、将滤波后的频谱分布通过傅里叶反变换求得滤波后的图像P_l。

3.根据权利要求2所述的基于动态阈值的Susan算子彩色图像边缘检测方法，其特征在于，所述步骤S202的CSF函数滤波包括：

S301、分别计算三个颜色分量A、B、C的CSF函数；

S302、分别对其CSF函数进行归一化处理。

4.根据权利要求3所述的基于动态阈值的Susan算子彩色图像边缘检测方法，其特征在于，所述步骤S301的CSF函数计算方法包括：

S401、以(i，j)为中心分别在m*n的邻域窗口中计算水平方向HF，垂直方向VF以及对角线方向的空间频率DF；

S402、将空间频率转换为空间角频率；

S403、分别计算三种颜色分量的CSF函数。

5.根据权利要求4所述的基于动态阈值的Susan算子彩色图像边缘检测方法，其特征在于，所述步骤S403的CSF函数采用Mullen的对比敏感函数模型。

6.根据权利要求3所述的基于动态阈值的Susan算子彩色图像边缘检测方法，其特征在于，所述步骤S302对其CSF函数进行归一化处理，具体包括：

S501、对于亮度分量A，先找出其CSF函数峰值及其所对应的空间频率f_M，令小于f_M的空间频率对应的函数值为1，大于f_M的空间频率的函数值除以峰值，从而把亮度分量的CSF函数变成一个低通滤波函数；

S502、彩色分量B、C只需要将其CSF函数的函数值除以峰值。

7.根据权利要求1所述的基于动态阈值的Susan算子彩色图像边缘检测方法，其特征在于，所述步骤S105的自适应动态阈值为：

当频率大于1cpd时，人眼对亮度对比度敏感值大约比红-绿对比度敏感值大一倍，而红-绿又几乎比黄-蓝对比度敏感值大一倍，因此可以将亮度掩膜函数以及三种颜色分量L，a，b的CSF函数的加权平均和看作自适应动态阈值T：

$T=F(E\left(Y\right),{\mathrm{\&psi;}}_w(i,j),{\mathrm{\&psi;}}_u(i,j),{\mathrm{\&psi;}}_v(i,j))=\frac{a\left(E\left(Y\right)\right)+b(E\left(Y\right),{\mathrm{\&psi;}}_w(i,j),{\mathrm{\&psi;}}_u(i,j),{\mathrm{\&psi;}}_v(i,j))}{k}$

$\mathrm{\&Delta;}{E}_{\mathrm{Lab}}=(\frac{E\left(Y\right)}{{\mathrm{csf}}_L\left({\mathrm{\&psi;}}_w(i,j)\right)}+0.5\frac{E\left(Y\right)}{{\mathrm{csf}}_{\mathrm{rg}}\left({\mathrm{\&psi;}}_u(i,j)\right)}+0.25\frac{E\left(Y\right)}{{\mathrm{csf}}_{\mathrm{yb}}\left({\mathrm{\&psi;}}_v(i,j)\right)})/1.75$

b＝ΔE_Lab/JNCD

JNCD为CIELAB空间中两种颜色刚好不能区分的色差值，取3NBS；k值取2。

8.根据权利要求1所述的基于动态阈值的Susan算子彩色图像边缘检测方法，其特征在于，所述步骤S106中susan算法具体包括：

定义一个半径为3、4个像元的圆，用这个圆去遍历整个彩色图像，计算模板内每一个像元与核的色差，当色差值小于阈值T时，认为该店于核有相似的色度，这样的像元构成的区域称为核值相似区USAN，反之，该点不属于USAN，其公式如下：

$c(i,j)=\left\{\begin{array}{c}1,\mathrm{if}|I\left(i\right)-I\left(j\right)\&le;t\\ 0,\mathrm{if}|I\left(i\right)-I\left(j\right)\&GreaterEqual;t\end{array}\right.$

其中，j-模板的核；I-像素；

当模板内所有像元比较完成后，对c(i，j)进行累加，即此处的n(j)为USAN像元的数量，得到每个像素的n(j)后，与设定的g门限值比较，确定此核是否为边缘点。