WO2014121573A1

WO2014121573A1 - 基于非局部均值的susan边缘检测方法及系统

Info

Publication number: WO2014121573A1
Application number: PCT/CN2013/077101
Authority: WO
Inventors: 张旭明; 詹轶; 吴意; 丁明跃; 尹周平; 王瑜辉; 熊有伦
Original assignee: Huazhong University of Science and Technology
Current assignee: Huazhong University of Science and Technology
Priority date: 2013-02-06
Filing date: 2013-06-09
Publication date: 2014-08-14
Anticipated expiration: 2015-08-06
Also published as: CN103150725B; CN103150725A

Abstract

本发明公开了一种基于非局部均值的SUSAN边缘检测方法，包括：计算初始SUSAN边缘响应图像的步骤：对于图像中的每一像素（x，y），取以其为中心的圆形模板Ψ，采用图像块刻画Ψ中的每个像素与（x，y）的像素比较差异，依据像素比较差异计算（x，y）的初始SUSAN边缘响应R⁰；计算最终SUSAN边缘响应图像的步骤：对于R⁰中的每一像素（x'，y'），搜索与其具有结构相似性的邻域，通过计算初始SUSAN边缘响应的相似度加权平均得到（x'，y'）的最终SUSAN边缘响应R；边缘像素判定步骤：若像素（x'，y'）对应的R（x'，y'）大于阈值，则其为边缘像素，否则为非边缘像素。本发明还提供了实现上述方法的系统。本发明将非局部均值用于SUSAN边缘检测，大大提高抗噪性，获得更高的边缘检测精度。

Description

基于非局部均值的 SUSAN边缘检测方法及系统

【技术领域】

本发明属于图像边缘检测领域，具体涉及一种基于非局部均值的苏珊 (SUSAN) 边缘检测方法及系统。

【背景技术】

边缘检测是是模式识别、图像分割及图像场景分析的基础，被广泛应用于生物医学工程和工业自动化等领域。然而，实际应用中的图像在获取和传输过程中不可避免会受到噪声的污染，噪声的引入对精确边缘检测产生了极大的挑战，研究具有优异抗噪性能的边缘检测方法，对促进其实际应用具有重要理论价值和实际意义。

边缘检测作为图像处理和计算机视觉中的一个热点问题，已得到了深入研究。边缘检测的目的是标识数字图像中亮度变化明显的点。目前，研究者提出了多种边缘检测方法，如索贝尔（Sobel) 检测方法、 Prewitt检测方法、坎尼（Canny)检测方法、基于伽伯（Gabor) 的检测方法及 SUSAN 边缘检测方法等。其中， SUSAN边缘检测方法较上述其它方法具有更好的边缘检测能力，因此受到广泛关注。然而，传统 SUSAN边缘检测方法利用单个像素灰度差来刻画像素差异，易受到噪声干扰的影响，大大影响了其抗噪性能。为提高 SUSAN边缘检测方法的抗噪能力，一些改进方法被提出，如双模板 SUSAN方法和自适应 SUSAN边缘检测方法 (ASED) 等，这些方法在图像中噪声污染程度较大时难以取得满意的检测结果。为克服上述不足，研究者提出了改进的 SUSAN检测方法 (ISED), 它利用优化约束条件方程来计算 SUSAN响应，该方法能较好地抑制图像中椒盐噪声的不利影响，但对噪声尤其是高斯噪声的抑制能力不足。

【发明内容】

本发明的目的在于提供一种基于非局部均值的 SUSAN边缘检测方法，该方法对噪声具有较优的抑制能力，在噪声污染图像中可获得精度较高的边缘检测结果。

本发明的另一目的在于提供一种基于非局部均值的 SUSAN边缘检测系统，该系统对噪声具有较优的抑制能力，在噪声污染图像中可获得精度较高的边缘检测结果。为实现上述发明目的，本发明提供的一种 SUSAN边缘检测方法，具体包括下述步骤：

第 1步计算待检测图像 I的初始 SUSAN边缘响应图像，其过程为：

(1.1) 对于待检测图像 I中的每一个像素 (x,y)，提取以其为中心的圆形模板 Ψ_;

(1.2)利用式 I分别计算各圆形模板 Ψ中的每个像素 (ρ, q)与所在圆形模板的中心像素 (X, y)之间的像素比较差异 c(x, y, p,q)：

( \ ( ,Φ*ΙΙ Ip(p,q)-Ip(x, y) \\ ₃

c(x, y, p,q) = exp(-( ^ ²-)³)

丄式 1 其中， P(P,q)为以圆形模板中像素 (p,q)为中心的图像块， ^P(X，y)为以圆形模板中像素 (x,y)为中心的图像块，图像块 P(p,q)和 P(x,y)大小相同， N_p为图像块 P(p,q)包含的像素个数， I_P(_M PI_P(„ 、别表示图像块 P(p,q) 和 P y)中各像素的灰度值， *表示卷积， ΙΙ·ΙΙ₂表示求欧氏距离， Τ为边缘检测阈值， 20≤Τ≤35， Φ为与图像块 P(p,q)大小相同的自适应核；

(1.3) 依据像素比较差异 c(x,y,p,q)利用式 II计算各圆形模板的中心像素的初始 SUSAN边缘响应 R°(x,y)，即得初始 SUSAN边缘响应图像 R^Q：

_R<YY _v、— / — n(^x，y) n(x,y)— !^<0

,^y)— 0 其他 ^A 其中， n(x, y) = c(x,y,p,q) , R, =^n_max(x, _y) , n_max(x, y)为圆形模各像素对应的 n(x, y)最大值；第 2步计算待检测图像 I的最终 SUSAN边缘响应图像，其过程为：

(2.1) 对于初始 SUSAN边缘响应图像 R^Q中的每一非零初始 SUSAN 边缘响应值的像素 (x',y')，提取以该点为中心的方形搜索窗口 Ω;

(2.2)利用式 III分别计算各方形搜索窗口 Ω中的每个像素 (p',q')与所在方形搜索窗口的中心像素 (χ', y')之间的相似度 ω(χ', y',p',q')：式 m

其中， Z(x',y')为使得 ∑ w(x',y',p',q') = l的归一化常量， _Μ为衰减系数， RpO^q.)和 R^y.)分别为图像块 P(_p,,_q,)和 P(_x,,_y,)中各像素的灰度值， P(_p,,_q,)为

SUSAN边缘响应图像 R^Q中以（p',q')为中心的图像块， ^^为 SUSAN边缘响应图像 R^Q中以 (x',y')为中心的图像块， G为高斯核；

(2.3) 分别从各方形搜索窗口 Ω内选取部分相似度较大的像素；

(2.4)利用式 IV分别计算各方形搜索窗口 Ω的中心像素 (χ', y')的最终 SUSAN边缘响应 R(x'， y')， K为步骤（2.3 )选取的像素数，（i_n, jj为步骤（2.3 ) 选取的第 n个像素；

| (x',y',i_n,j_n)R。(i_n,j_n)

R(x', y') = 式 IV ∑w(x',y',i_n,j_n) 第 3步若各方形搜索窗口 Ω的中心像素（χ', y')对应的最终 SUSAN边缘响应 R(x'， y')大于预先设定的边缘判定阈值^，则判定像素（χ', y')为边缘像素，否则像素 (x',y')为非边缘像素。进一步地，在计算初始 SUSAN边缘响应图像之前还对待检测图像 I滤波。

进一步地，所述步骤（2.3) 选取相似度较大的 20~30个像素。为实现上述发明目的，本发明提供的一种 SUSAN边缘检测系统，包括: 第一模块，用于计算待检测图像 I的初始 SUSAN边缘响应图像，其包括以下子模块：

第 1.1子模块，用于对于待检测图像 I中的每一个像素 (x, y)，提取以其为中心的圆形模板 Ψ_;

第 1.2子模块，用于利用式 I分别计算各圆形模板 Ψ中的每个像素 ( ρ, q) 与所在圆形模板的中心像素 (X, y)之间的像素比较差异 c(x, y, p,q)：

( \ ( ,Φ*ΙΙ Ip(p,q)-Ip(x, y) \\² _{? 3}

c(x, y, p,q) = exp(-( ^ ²-)³)

丄式 1

其中， ^p( p， q)和 y)分别为以圆形模板 Ψ中像素， q)和为中心的图像块，图像块 P(p,q)和 P y)大小相同， N_p为图像块 P(p,q)包含的像素个数， I_P(_M PI_P(„ 、别表示图像块 P(p,q)和 P y)中各像素的灰度值， *表示卷积， ΙΙ·ΙΙ₂表示求欧氏距离，边缘检测阈值 20≤Τ≤35， Φ为与图像块 P(p,q) 大小相同的自适应核；

第 1.3子模块，用于依据像素比较差异利用式 II计算各圆形模板的中心像素的初始 SUSAN边缘响应 R°(x,y)，即得初始 SUSAN边缘响应图像 R^Q: 式 II

其中， n(x,y)= J c(x,y,p,q) , R, =^n_max(x, _y) , n_max(x, y)为圆形模板中各像素对应的 n(x, y)最大值；第二模块，用于计算待检测图像 I的最终 SUSAN边缘响应图像，其包括以下子模块：

第 2.1子模块，用于对于初始 SUSAN边缘响应图像 R^Q中的每一非零初始 SUSAN边缘响应值的像素 (x',y')，提取以该点为中心的方形搜索窗口 Ω. 第 2.2子模块，用于利用式 III分别计算各方形搜索窗口 Ω中的每个像素（p',q')与所在方形搜索窗口的中心像素（x',y')之间的相似度 co(x',y',p',q')：

1

<»(x',y',p',q') = ex (- G*iiRp ,_q')- U ■)

Z(x',y') 式 m 其中， Z(x',y')为使得 ∑ w(x',y',p',q') = l的归一化常量， _Μ为衰减系数， RpO^q.)和 R^.,_y.)分别为图像块 P(_p,,_q,)和 P(_x,,_y,)中各像素的灰度值， P(_p,,_q,)和

Ρ(_χ,^分别为边缘响应图像 R^Q中以（p',q')和（x',y')为中心的图像块， G为高斯核；

第 2.3子模块，用于分别从各方形搜索窗口 Ω内选取部分相似度较大的

第 2.4子模块，用于利用式 IV分别计算各方形搜索窗口 Ω的中心像素 (χ', y')的最终 SUSAN边缘响应 R(x'， y')， K为第 2.3子模块选取的像素数，

( , jj为第 2.3子模块选取的第 n个像素；

| (x',y',i„,j_n)R。(i„ ）

R(x', y') n=l

K 式 IV

∑w(x',y',i_n,j_n) 第三模块，用于判定若各方形搜索窗口 Ω的中心像素 (χ', y')对应的最终 SUSAN边缘响应 R(x',y')大于预定边缘判定阈值，则判定像素（χ', y')为边缘像素，否则像素 (x',y')为非边缘像素。进一步地，还包括第三模块，用于在计算初始 SUSAN边缘响应图像之前还对待检测图像 I滤波。

进一步地，所述第 2.3子模块中选取相似度较大的 20~30。本发明的技术效果体现在： ( 1 ) 本发明基于非局部均值方法，利用图像块来刻画图像中两像素的差异，并结合自适应核来计算像素间的比较差异，由此确定图像中像素的初始 SUSAN边缘响应，克服了现有 SUSAN边缘检测方法中基于单个像素灰度值的比较差异计算方法易受噪声影响的不足，可更好地适应图像中不同像素对应局部图像结构的差异，为准确计算图像初始 SUSAN边缘响应奠定了基础；

( 2 )在初始边缘响应图中，对于其中每一非零初始 SUSAN边缘响应值的像素，搜索与其具有结构相似性的邻域像素，并利用初始 SUSAN边缘响应的相似度加权平均来获得最终 SUSAN边缘响应，可有效降低仅利用初始边缘响应进行边缘检测易引入的孤立噪声，为准确计算最终边缘响应提供了基础。

大量实验证明，本发明提供的 SUSAN边缘检测方法及系统有效克服噪声尤其是高斯噪声的不利影响，获得较现有各类 SUSAN边缘检测方法更优的抗噪性能和更高的边缘检测精度。

【附图说明】

图 1是本发明基于非局部均值的 SUSAN边缘检测方法的流程图；图 2是实例 1中应用本发明的检测结果以及与其它方法的检测结果对比示意图，其中，图 2a为源图像，图 2b为加 σ = 30的高斯白噪声图像，图 2c为真实的边缘图像，图 2d为采用 Gabor检测方法得到的边缘图像，图 2e为采用 Canny检测方法得到的边缘图像，图 2f为采用 TSED检测方法得到的边缘图像，图 2g为采用 ISED检测方法得到的边缘图像，图 2h为采用 ASED检测方法得到的边缘图像，图 2i为采用本发明方法检测得到的边缘图像；

图 3是实例 2中应用本发明的检测结果以及与其它方法的检测结果对比示意图，其中，图 3a为源图像，图 3b为采用 TSED检测得到的边缘图像，图 3c为采用 ISED检测得到的边缘图像，图 3d为采用 ASED检测得到的边缘图像，图 3e为采用本发明方法检测得到的边缘图像。

【具体实肺式】

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图 1所示，本发明基于非局部均值的 SUSAN边缘检测方法包括以下第 1步计算待检测图像 I的初始 SUSAN边缘响应图像 R^Q；

本步骤基于非局部均值方法，利用图像块来刻画图像中两像素的差异，并结合自适应核来计算像素间的比较差异，由此确定图像中像素的初始 SUSAN边缘响应，其过程具体为：

( 1.1 ) 对于待检测图像 I的像素 (x , y)，取以其为中心的圆形模板 Ψ，圆形模板 Ψ的半径为 3~4个像素。

( 1.2)选取圆形模板 Ψ中的像素（p, q)，计算该像素与圆形模板 Ψ的中心像素（X, y)之间的像素比较差异 c(x, y, p, q)：

c(x, y, p,q) =

其中， P(p, q)和 P(x, y)分别为以圆形模板 Ψ中像素（p,q)和（x, y)为中心的图像块，这两图像块尺寸相同，图像块的边长小于圆形模板直径即可，一般取 1~2个像素； I_P(_p^P l_P(„ 、别表示图像块 P(p, q)和 P(x, y)中各像素的灰度值； N_p为图像块 P(p,q)包含的像素个数， I_P^_q^P l_{P y)}分别为图像块 P(p, q)和 P(x, y)中第 n_p个像素的灰度值；边缘检测阈值 T 的取值范围为 20~35; exp为指数函数， *表示卷积， 1卜11₂表示欧氏距离； Φ为与图像块 P(p,q)

其中，常量 C^l, d 为圆形模板中心像素 (x,y)与第 n_p个像素间的笛卡尔距离， t = max(r— C₂,0)， Γ = max(l ξ_Ρ(Μ) I -11,1 θ _νΛ) I Θ_Ρ(^_} -II), 这里 max(a,b)为取 a和 b两个数中的较大者，相似度判别阈值 0≤C₂≤1， _pq) 和 _x,_y)分别为图像块 P(P,q)和 y)所包含像素灰度值的平均值， _p,_q)和 i¾_x,_y)分别为图像块 P(P,q)和 P(x,y)所包含像素灰度值的标准偏差， I I表示求绝对值。

(1.3) 计算圆形模板中心像素的初始 SUSAN 边缘响应 R°(x,y)，其计算公式如下：

其中， n(x,y)= X c(x,y,p,q) , R, = n_max(x, _y) , n_max(x, y)为圆形模板中

(p,q)eY ⁴

各像素对应的 n(x, y)最大值。

重复步骤（1.1) ~ (1.3)，计算得到图像中所有像素的初始 SUSAN边缘响应，即得初始 SUSAN边缘响应图像 R^Q。

第 2步计算待检测图像 I的最终边缘响应图像 R。

本步骤是在初始 SUSAN 边缘响应图像中，对于其中每一非零初始 SUSAN边缘响应值的像素，搜索与其具有结构相似性的邻域像素，利用其初始 SUSAN边缘响应的相似度加权平均来获得最终 SUSAN边缘响应，其过程如下：

(2.1)选取初始 SUSAN边缘响应图像 R^Q中的非零初始 SUSAN边缘响应值的像素 (x',y')，取以该点为中心的方形搜索窗口 Ω，搜索窗口 Ω的大小与精度要求相关，一般边长为 3~13个像素，若精度要求较高，则优选 11~13；

(2.2) 对搜索窗口 Ω内的像素（p',q')，按下式计算其与该窗口的中心像素 (χ', y，)之间的相似度 ω(χ', y',p',q')

其中 Z(x',y')为使得 ∑ «y',p',q') = l的归一化常量，为衰减系数； P(_P.,_q.)和 P(_x.,_y.)分别为边缘响应图像 R^Q中以（p',q')和（χ', y')为中心的图像块，这两图像块尺寸相同，图像块的边长小于搜索窗口边长即可，优选 3~5 个像素； Rp°(_p.,_q^_PI¾_x.,_y.^别为图像块 P^ PP^中各像素的灰度值， G为高斯核。

(2.3) 将方形搜索窗口 Ω内所有像素按相似度从高到低的顺序排列，排序后像素构成的集合为：

0(x'， y') = {( , ϋ j_n)"..(i_N, j_N) I ω(χ*, y',^, jj...

≥ ω(χ*, y',i_n, j_n)≥ ... > ω(χ*, y',i_N, j_N)}

N为初始 SUSAN边缘响应图像 R^Q中的非零始 SUSAN边缘响应值的像素数；

选取 0(x',y')中相似度较大的前 K个像素，这里只选取相似度较大的部分像素，是因为较小相似度像素会引入噪声。如果 K过小则不能起到很好的平均效果， K值过大则引入噪声造成最终边缘响应的不准确，推荐 K取值为 20~30，不局限于此，可根据实际情况调整。

(2.4) 利用相似度加权计算方形搜索窗口 Ω中心像素 (x',y')的最终响应 R(x',y')，其计算公式如下： >(x',y',i_n,j_n)R。(i_n,j_n)

R(x', y') =

∑w(x',y',i_n,j_n)

(i_n,j_n)为步骤（2.3) 选取的第 n个像素；

重复上述步骤（2.1) 〜（2.4)，计算出初始 SUSAN边缘响应图像中有像素的最终 SUSAN边缘响应，即得最终 SUSAN边缘响应图像 R。

第 3步对最终 SUSAN边缘响应图像 R进行边缘判定得到边缘像素，具体实现方式为：若像素 (x', y')的 R(x', y')大于边缘判定阈值 T_r，则视其为边缘像素，否则为非边缘像素。边缘判定阈值 T_R为经验值，一般取 2~4。

作为优化，可在计算初始 SUSAN边缘响应图像之前先对待检测图像 I 进行滤波，其作用是初步平滑图像，有利于一定程度的抑制噪声，增加边缘检测的准确度，可采用高斯滤波、中值滤波和伽伯（Gabor) 滤波等，优选高斯滤波。

实例 1 :

如图 2所示，采用自然图像进行测试，该实例中使用的参数为：自然图像所加的噪声为高斯噪声，圆形模板 Ψ的半径为 3个像素，计算像素对比差异 c时所有图像块大小为 5x5，方形模板 Ω的边长为 11x11，计算像素的相似度《时所用图像块的大小为 7x7 ，高斯核 G= {0.0068,0.0068,0.0068,0.0068,0.0068,0.0068,0.0068,0.0068,0.0201,0.0201, 0.0201,0.0201,0.0201,0.0068,0.0068,0.0201,0.0572,0.0572,0.0572,0.0201,0.006 8,0.0068,0.0201,0.0572,0.0572,0.0572,0.0201,0.0068,0.0068,0.0201,0.0572,0.0 572,0.0572,0.0201 ,0.0068,0.0068,0.0201 ,0.0201 ,0.0201 ,0.0201 ,0.0201 ,0.0068,0 .0068,0.0068,0.0068,0.0068, 0.0068,0.0068,0.0068} , K=25， d=25， C₂=0.25，衰减参数 t ^ = 900+10χ(σ-30)，边缘检测阈值 Τ=20，边缘判定阈值 T_{R =2}，₅，这里 σ为估计的噪声方差， σ=30，其通过估计检测图像 I中每个象素点的伪残差来近似获得。该实例还分别使用现有基于 Gabor的检测方法，基于 Canny的检测方法，传统的 SUSAN边缘检测方法（TSED) ,改进的 SUSAN 边缘检测方法（ISED) , 自适应 SUSAN边缘检测方法（ASED) 和本发明基于非局部均值的 SUSAN边缘检测方法（NLMSED)对同一高斯噪声图像进行边缘检测，根据检测结果计算边缘图像的品质因数（FOM: figure of merit) 禾口性會 ^；测度 (P: performance measure) 并进行对比。其中，图 2a为源图像，图 2b为加 σ = 30的高斯白噪声图像，图 2c为真实的边缘图像，经 Gabor检测得到的边缘图像如图 2d所示，经 Canny检测得到的边缘图像如图 2e所示，经 TSED检测得到的边缘图像如图 2f所示，经 ISED检测得到的边缘图像如图 2g所示，经 ASED检测得到的边缘图像如图 2h所示，经 NLMSED检测得到的边缘图像如图 2i所示。将品质因数 (FOM)和性能测度（P)作为评价边缘检测质量的测度，经测得其各项参数如表 1所示。

方法，以及相关的改进方法，都有大幅度的提高，从而证明了本发明的有

实例 2:

如图 3所示，采用 CT图像进行测试，该实例中使用的参数为：图像中原有噪声可认为是高斯噪声，圆形模板 Ψ的半径为 4个像素，计算像素对比差异 c时所有图像块大小为 5x5，方形搜索窗口 Ω的边长为 11x11，计算像素的相似度《时所用图像块的大小为 7x7 ，高斯核 G= {0.0068,0.0068,0.0068,0.0068,0.0068,0.0068,0.0068,0.0068,0.0201,0.0201, 0.0201,0.0201,0.0201,0.0068,0.0068,0.0201,0.0572,0.0572,0.0572,0.0201,0.006 8,0.0068,0.0201,0.0572,0.0572,0.0572,0.0201,0.0068,0.0068,0.0201,0.0572,0.0 572,0.0572,0.0201 ,0.0068,0.0068,0.0201 ,0.0201 ,0.0201 ,0.0201 ,0.0201 ,0.0068,0 .0068,0.0068,0.0068,0.0068, 0.0068,0.0068,0.0068} , K=25， d=25， C₂=0.25，衰减参数 ^ =900+10x^-30)，边缘检测阈值 T=15，边缘判定阈值 T_{R =2} 这里 σ为估计的噪声方差， σ=5，其通过估计检测图像 I中每个象素点的伪残差来近似获得。该实例分别使用现有基于 Gabor的检测方法，基于 Canny 的检测方法，传统的 SUSAN边缘检测方法（TSED) , 改进的 SUSAN边缘检测方法（ISED) , 自适应 SUSAN边缘检测方法（ASED) 和本发明基于非局部均值的 SUSAN边缘检测方法（NLMSED)对同一高斯噪声图像进行边缘检测。

其中图 3a为源噪声图像，经 TSED检测得到的边缘图像如图 3b所示，经 ISED检测得到的边缘图像如图 3c所示，经 ASED检测得到的边缘图像如图 3d所示，经本发明 NLMSED检测得到的边缘图像如图 3e所示。从图 3可看出，本发明 NLMSED方法获得的边缘更清晰、连续性好，残留的噪声少，抗噪声性优于与其它比较方法。

Claims

利要求

1、一种 SUSAN边缘检测方法，包括下述步骤：

(1.2)利用式 I分别计算各圆形模板 Ψ中的每个像素 (ρ, q)与所在圆形模板的中心像素（X, y)之间的像素比较差异 c(x, y, p,q)：

( ₍ ,Φ*ΙΙ (p,q)— Ip(x, y) ||、3、

c(x, y, p,q) = exp(-( ― ²-)³)

丄式 1

其中， P(p,q)为以圆形模板中像素（p,q)为中心的图像块， P(x,y)为以圆形模板中像素 (x,y)为中心的图像块，图像块 P(p,q)和 P(x,y)大小相同， N_p为图像块 P(p,q)包含的像素个数， I_P(_M Pl_P(_Xy)分别表示图像块 P(p,q) 和 P y)中各像素的灰度值， *表示卷积， ΙΙ·ΙΙ₂表示求欧氏距离， Τ为边缘检测阈值， 20≤Τ≤35， Φ为与图像块 P(p,q)大小相同的自适应核；

R°(x,y) = 式 II

其中， n(x,y)= J c(x,y,p,q), R, =^n_max(x, _y) , n_max(x, y)为圆形模板中各像素对应的 n(x, y)最大值；第 2步计算待检测图像 I的最终 SUSAN边缘响应图像，其过程为：

(2.2)利用式 III分别计算各方形搜索窗口 Ω中的每个像素 (p',q')与所在方形搜索窗口的中心像素 (χ', y')之间的相似度 ω(χ', y',p',q')： w(x'， γ·,ρ·,_¾·) = 式 m

其中， Z(x',y')为使得 ∑ w(x',y',p',q') = l的归一化常量， _Μ为衰减系数， Rp°(_p.,_q.)和 R^.,_y.)分别为图像块 P(_p,,_q,)和 P(_x,,_y,)中各像素的灰度值， P(_p,,_q,)为

(2.4)利用式 IV分别计算各方形搜索窗口 Ω的中心像素 (χ', y')的最终 SUSAN边缘响应 R(x'， y')， K为步骤（2.3 )选取的像素数，（i_n, jj为步骤（2.3 ) 选取的第 n个像素； >(x',y',i_n,j_n)R。(i_n,j_n)

R(x', y') = 式 IV ∑w(x',y',i_n,j_n) 第 3步若各方形搜索窗口 Ω的中心像素（χ', y')对应的最终 SUSAN边缘响应 R(x'， y')大于预先设定的边缘判定阈值^，则判定像素（χ', y')为边缘像素，否则像素 (x',y')为非边缘像素。

2、根据权利要求 1所述的 SUSAN边缘检测方法，其特征在于，在计算初始 SUSAN边缘响应图像之前还对待检测图像 I滤波。

3、根据权利要求 1或 2所述的 SUSAN边缘检测方法，其特征在于，所述步骤（2.3) 选取相似度较大的 20~30个像素。

4、一种 SUSAN边缘检测系统，包括：

第一模块，用于计算待检测图像 I的初始 SUSAN边缘响应图像，其包括以下子模块：

第 1.1子模块，用于对于待检测图像 I中的每一个像素 (x,y)，提取以其为中心的圆形模板 Ψ_; 第 1.2子模块，用于利用式 I分别计算各圆形模板 Ψ中的每个像素 ( ρ, q) 与所在圆形模板的中心像素 (X, y)之间的像素比较差异 c(x, y, p,q)：

( ₍ ,Φ*ΙΙ (p,q)— Ip(x, y) ||、3、

c(x, y, p,q) = exp(-( ― ²-)³)

丄式 1

其中， P(p,q)和 P(x,y)分别为以圆形模板中像素（p,q)和（x,y)为中心的图像块，图像块 P(p,q)和 P y)大小相同， N_p为图像块 P(p,q)包含的像素个数， I_P(_M P I_P(„ 、别表示图像块 P(p,q)和 P y)中各像素的灰度值， *表示卷积， ΙΙ·ΙΙ₂表示求欧氏距离，边缘检测阈值 20≤Τ≤35， Φ为与图像块 P(p,q) 大小相同的自适应核；

第 1.3子模块，用于依据像素比较差异利用式 II计算各圆形模板的中心像素的初始 SUSAN边缘响应 R°(x,y)，即得初始 SUSAN边缘响应图像 R^Q:

R Y、八— ^n(X，^y) n(x,y)-R_t <0

,^y)— 0 其他 ^A 其中， n(x,y)= X c(x,y,p,q), R, =^n_max(x, _y) , n_max(x, y)为圆形模各像素对应的 n(x, y)最大值；第二模块，用于计算待检测图像 I的最终 SUSAN边缘响应图像，其包括以下子模块：

第 2.1子模块，用于对于初始 SUSAN边缘响应图像 R^Q中的每一非零初始 SUSAN边缘响应值的像素 (x',y')，提取以该点为中心的方形搜索窗口 Ω; 第 22子模块，用于利用式 III分别计算各方形搜索窗口 Ω中的每个像素（P',q')与所在方形搜索窗口的中心像素（x',y')之间的相似度 co(x',y',p',q')： <»(x',y',p',q') -ex (- G*iiRp⁰(_p.,_q.)- U ■)

Z(x',y') h, 式 m 其中， Z(x',y')为使得 ∑ w(x',y',p',q') = l的归一化常量， _M为衰减系数， _P',_q')和 Rp 分别为图像块 P(_P.,q.)和 P 中各像素的灰度值， P(_P.,q.)和

Ρ(_χ^分别为边缘响应图像 R^Q中以（P',q')和（x',y')为中心的图像块， G为高斯核；

第 2.3子模块，用于分别从各方形搜索窗口 Ω内选取部分相似度较大的第 2.4子模块，用于利用式 IV分别计算各方形搜索窗口 Ω的中心像素 (χ', y')的最终 SUSAN边缘响应 R(x'， y')， K为第 2.3子模块选取的像素数，

(i_n, jj为第 2.3子模块选取的第 n个像素;

∑ o(x',y',i_B,j_B)R°(i_B,j_B)

R(x', y') = 式 IV ∑w(x',y',i_n,j_n) 第三模块，用于判定若各方形搜索窗口 Ω的中心像素 (χ', y')对应的最终 SUSAN边缘响应 R(x',y')大于预定边缘判定阈值¾，则判定像素（χ', y')为边缘像素，否则像素 (x',y')为非边缘像素。

5、根据权利要求 4所述的 SUSAN边缘检测系统，其特征在于，还包括第三模块，用于在计算初始 SUSAN边缘响应图像之前还对待检测图像 I 滤波。

6、根据权利要求 4或 5所述的 SUSAN边缘检测系统，其特征在于，所述第 2.3子模块中选取相似度较大的 20~30个像素。