SUSAN算法思想：
SUSAN算法采用圆形模板，其目的是使检测达到各向同性；
在实际应用中，由于图像的数字化，无法实现真正的原型模板，往往采用近似圆代替；
圆形模板在图像上使用，模板内部每个图像像素点的灰度与模板中心像素的灰度进行比较；
若模板内某个像素的灰度与模板中心像素灰度的差值小于一定值，则认为该点与核具有相同或相似的灰度。
由满足这样条件的像素组成的区域称为吸收核同值区(Univalue Segment Assimilation Nucleus,USAN);
当圆形模板完全在背景或目标中时，USAN区面积最大；
当圆形模板向边缘移动时，USAN区面积减少；
当圆心处于边缘时，USAN区面积很小；
当圆心在角点处时，USAN区面积最小；
故将图像每点上的USAN区面积作为该处特征的显著性度量，USAN区面积越小，特征越显著；
②确定USAN区域：
用这个圆形模板扫描整个图像，模板内部的每个像素的灰度与模板中心像素的灰度进行比较，并且给定阈值，确定像素是否属于USAN区域；
判断方法如下式：
式中，为USAN判别函数，r0为模板中心点，r为模板内部点；t为灰度差阈值，一般取25；
当然，也可以用平滑的线来代替这种直接的分割方式（如下图b线），这样可以获得更稳定而敏感的结果，虽然计算复杂但是可以通过查找表来获得较快的速度。
公式如下：
④信息提取：
USAN特征图像可以通过下式求得：
其中，g为几何门限，在进行边缘提取时，g的取值要大一些，一般设为3nmax/4,表示边缘响应，USAN区域的面积越小，则边缘相应就越大；
4、SUSAN阈值的分析:
在SUSAN检测中，有两种阈值：
一种用来约束角点的数量；
一种用来约束角点的质量；
当然，一个阈值不能完全做到只影响质量或数量，只会有一个侧重点；
那么，SUSAN中的两个阈值t和g在特征检测中起到一个什么样的作用呢？
很明显，
阈值g是角点质量，尽管也会影响数量，但是相对来说更侧重于影响质量；
例如，g值减小，那么SUSAN会更加侧重于检测到更加“尖锐”的角点；
阈值t是角点数量，当t减小时，会检测到更多的角点；
所以，阈值t可以在不影响角点质量的情况下，控制检测到的角点的数量；
在大多数情况下，设t为25比较合适，如果图像的对比度比较低，可以修改t值以适应变化。
6、opencv：susan边缘检测程序：
//
//susan边缘检测
//
Mat SusanFun(Mat img)
{
//susan模板
int OffSetX[37] = { -1, 0, 1,
-2,-1, 0, 1, 2,
-3,-2,-1, 0, 1, 2, 3,
-3,-2,-1, 0, 1, 2, 3,
-3,-2,-1, 0, 1, 2, 3,
-2,-1, 0, 1, 2,
-1, 0, 1 };
int OffSetY[37] = { -3,-3,-3,
-2,-2,-2,-2,-2,
-1,-1,-1,-1,-1,-1,-1,
0, 0, 0, 0, 0, 0, 0,
1, 1, 1, 1, 1, 1, 1,
2, 2, 2, 2, 2,
3, 3, 3 };
int mHeight = img.rows;
int mWidth = img.cols;
unsigned char *ucDataImg = (unsigned char *)img.data;
Mat nImg(img.rows,img.cols,CV_8UC1);
unsigned char *ucDatanImg = (unsigned char *)nImg.data;
int k,pixelSum,thresh,sameNum;
for(int i=3;i<mHeight-3;i++)
{
for (int j=3;j<mWidth-3;j++)
{
pixelSum = 0;
sameNum = 0;
for (k=0;k<37;k++)
{
pixelSum += ucDataImg[(i+OffSetY[k])*mWidth+(j+OffSetX[k])];
thresh = pixelSum/37;//数量
if (abs(ucDataImg[(i+OffSetY[k])*mWidth+(j+OffSetX[k])]-ucDataImg[i*mWidth+j])<=thresh)
{
sameNum ++;
}
}
if (sameNum<33)//质量34
{
ucDatanImg[i*mWidth+j] = 0;
}
else
{
ucDatanImg[i*mWidth+j] = 255;
}
}
}
return nImg;
}
