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:
差分对噪声敏感。设独立高斯噪声方差为 ,一阶差分后方差变为 ,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 ,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 ,定义相似度:
是亮度阈值。累加:
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 不可导,且在阈值附近不稳定: 稍微跨过 , 就从 1 跳到 0。SUSAN 实际用平滑版:
六次幂让曲线在 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 后,与几何阈值 比较:
决定多小的 USAN 才算响应:
- :检测边缘
- :检测更钝的角
- :通用默认
同一个响应函数换 就能在角点和边缘之间切换。
5. 算法流程
对每个像素:
- 累加
- 若 ,令 ,否则
- 计算 USAN 的质心 ;若 太小,舍弃
- 从 到质心方向上,USAN 内像素应当连成一片;断裂则舍弃
- 非极大值抑制:在 邻域内保留 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, 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。
决定亮度敏感度。 小对亮度差异敏感,噪声容易误检; 大则弱对比边缘被吞掉。经验值 (0–255 图像),干净图像取小,噪声大取大。
变化 通常不改变检测结果,因为判决依赖 的总量而不是单个 。
决定检出角点的锐度。 一般不用调。
对比 Harris 的 : 是没有几何含义的经验常数。SUSAN 的 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 。要让判决翻转(假设 ),至少要有 3 个像素的 从接近 1 掉到接近 0。单像素被翻转的概率约 (取 ),3 个同时翻转的概率是 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 | SUSAN | Harris | FAST |
|---|---|---|---|
| 是否用梯度 | 否 | 是 | 否 |
| 响应函数 | 圆上累积亮度差 | ||
| 参数 | 2() | 1()+ | 1() |
| 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:
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:
- 教学,理解检测器可以不建立在梯度之上
- 高噪声场景:低光医学影像、天文暗弱星点、SAR 斑噪图像