跳到主要内容

SUSAN 角点检测

SUSAN(Smallest Univalue Segment Assimilating Nucleus)由 Smith 和 Brady 在 1997 年提出。和 Harris、Moravec 不同,SUSAN 不依赖图像梯度。

1. 动机​

Harris 用有限差分近似梯度:

∂xf≈f(x+1,y)−f(x−1,y)2\partial_x f \approx \frac{f(x+1,y)-f(x-1,y)}{2}

差分对噪声敏感。设独立高斯噪声方差为 σ2\sigma^2,一阶差分后方差变为 σ2/2\sigma^2/2,但真实梯度的信号幅度通常也只有几十灰度级。当图像信噪比不高时,梯度类方法会退化。Harris 用高斯平滑部分弥补,但底层还是差分。

SUSAN 换个角度:不算导数,只数"多少邻居和中心像素亮度相似"。这是一次比较,不需要差分。

2. USAN​

设待检像素 r0\mathbf{r}_0,称为核(nucleus)。在核周围放一个圆形模板,原论文用 37 像素的圆盘(直径 7)。对模板内每个像素 r\mathbf{r},定义相似度:

c(r,r0)={1,∣I(r)−I(r0)∣≤t0,otherwisec(\mathbf{r}, \mathbf{r}_0) = \begin{cases} 1, & |I(\mathbf{r}) - I(\mathbf{r}_0)| \le t \\ 0, & \text{otherwise} \end{cases}

tt 是亮度阈值。累加:

n(r0)=∑rc(r,r0)n(\mathbf{r}_0) = \sum_{\mathbf{r}} c(\mathbf{r}, \mathbf{r}_0)

nn 就是模板内和核亮度相近的像素数。这块相似区叫 USAN。

USAN 的面积反映中心像素所处的几何位置:

   模板圆盘          USAN 面积
┌──────────┐
│ ● ● ● ● │
│ ● ● ● ● ●│ 平坦区: USAN ≈ 整个圆盘 (n ≈ n_max)
│ ● ● ● ● │
└──────────┘

┌──────────┐
│ ● ● ○ ○ │
│ ● ● ○ ○ ○│ 边缘上: USAN ≈ 半个圆盘 (n ≈ n_max/2)
│ ● ● ○ ○ │
└──────────┘

┌──────────┐
│ ● ○ ○ ○ │
│ ● ● ○ ○ ○│ 角点: USAN ≈ 四分之一圆盘 (n ≈ n_max/4)
│ ● ● ● ○ │
└──────────┘

USAN 越小,特征越尖锐,这也是名字里 "Smallest" 的来源。

3. 平滑相似度​

硬阈值 cc 不可导,且在阈值附近不稳定:∣I−I0∣|I - I_0| 稍微跨过 tt,cc 就从 1 跳到 0。SUSAN 实际用平滑版:

c(r,r0)=exp⁡ ⁣(−(I(r)−I(r0)t)6)c(\mathbf{r}, \mathbf{r}_0) = \exp\!\left( -\left( \frac{I(\mathbf{r}) - I(\mathbf{r}_0)}{t} \right)^{6} \right)

六次幂让曲线在 ∣I−I0∣=t|I - I_0| = t 附近急剧下降,同时保留一阶可导性。指数 6 是原论文的实验取值。

4. 响应函数​

得到 nn 后,与几何阈值 gg 比较:

R(r0)={g−n(r0),n(r0)<g0,otherwiseR(\mathbf{r}_0) = \begin{cases} g - n(\mathbf{r}_0), & n(\mathbf{r}_0) < g \\ 0, & \text{otherwise} \end{cases}

gg 决定多小的 USAN 才算响应:

  • g=nmax⁡/2g = n_{\max}/2:检测边缘
  • g=3nmax⁡/4g = 3n_{\max}/4:检测更钝的角
  • g=nmax⁡/2g = n_{\max}/2:通用默认

同一个响应函数换 gg 就能在角点和边缘之间切换。

5. 算法流程​

对每个像素:

  1. 累加 n(r0)n(\mathbf{r}_0)
  2. 若 n<gn < g,令 R=g−nR = g - n,否则 R=0R = 0
  3. 计算 USAN 的质心 rˉ\bar{\mathbf{r}};若 ∥rˉ−r0∥\|\bar{\mathbf{r}} - \mathbf{r}_0\| 太小,舍弃
  4. 从 r0\mathbf{r}_0 到质心方向上,USAN 内像素应当连成一片;断裂则舍弃
  5. 非极大值抑制:在 5×55\times 5 邻域内保留 RR 最大者

第 3 步针对的是一条明暗相间的条纹。暗线上像素的 USAN 是一个细长条带,nn 很小,朴素判决会误当作角点。但它是线的中点,USAN 关于核对称,质心到核的距离能识别这种情形。

6. 参数​

SUSAN 有两个参数。

tt 决定亮度敏感度。tt 小对亮度差异敏感,噪声容易误检;tt 大则弱对比边缘被吞掉。经验值 t∈[10,40]t \in [10, 40](0–255 图像),干净图像取小,噪声大取大。

tt 变化 ±5\pm 5 通常不改变检测结果,因为判决依赖 nn 的总量而不是单个 cc。

gg 决定检出角点的锐度。g=nmax⁡/2g = n_{\max}/2 一般不用调。

对比 Harris 的 kk:kk 是没有几何含义的经验常数。SUSAN 的 gg 是 USAN 面积占比,跨场景迁移更容易。

7. 抗噪性​

考虑一个 37 像素模板,USAN 内 20 个像素,非 USAN 内 17 个,加性高斯噪声 σ=10\sigma = 10。要让判决翻转(假设 g=18g = 18),至少要有 3 个像素的 cc 从接近 1 掉到接近 0。单像素被翻转的概率约 P(∣X∣>t)≈0.15P(|X| > t) \approx 0.15(取 t∼15t \sim 15),3 个同时翻转的概率是 10−310^{-3} 量级。

Harris 对噪声是线性依赖:单个像素的差分噪声直接进入自相关矩阵。SUSAN 用的是计数,计数天然不受少量离群值影响,相当于一次投票。

8. 与 Harris、FAST 的对比​

维度SUSANHarrisFAST
是否用梯度否是否
响应函数g−ng - ndet⁡M−k tr2M\det M - k\,\mathrm{tr}^2 M圆上累积亮度差
参数2(t,gt, g)1(kk)+ σ\sigma1(tt)
抗噪强中弱
速度慢中快
几何直观强中弱

SUSAN 的主要问题是速度:每像素遍历 37 个模板点。这是它在实时系统中逐渐让位于 FAST 的原因。

从公式看,FAST 可以视为 SUSAN 的简化:只保留中心与圆上邻居的亮度比较,去掉圆盘内部像素、去掉高斯衰减、去掉平滑相似度、去掉质心校验,只在 Bresenham 圆上做 16 次整数比较。

9. SUSAN 用于去噪​

原论文另有一节 SUSAN structure-preserving noise reduction。核心公式:

I^(r0)=∑r≠r0I(r) c(r,r0)∑r≠r0c(r,r0)\hat{I}(\mathbf{r}_0) = \frac{\sum_{\mathbf{r} \ne \mathbf{r}_0} I(\mathbf{r})\, c(\mathbf{r}, \mathbf{r}_0)}{\sum_{\mathbf{r} \ne \mathbf{r}_0} c(\mathbf{r}, \mathbf{r}_0)}

只用亮度相似的邻居做加权平均。这是双边滤波的一个前身,比 Tomasi 和 Manduchi 1998 早一年。同一个相似度框架能覆盖角点检测和保边去噪。

10. 什么时候用​

新项目一般不选 SUSAN。FAST + ORB 或学习特征(如 SuperPoint)在大多数指标上更好。

以下两种场景 SUSAN 仍然可用:

  1. 教学,理解检测器可以不建立在梯度之上
  2. 高噪声场景:低光医学影像、天文暗弱星点、SAR 斑噪图像