针对红外小目标在背景较为复杂时边缘模糊不易被检测、虚警率高等问题, 提出了一种基于SUSAN背景抑制的改进Top-Hat的检测方法。该方法先将原图像做SUSAN背景抑制, 再对抑制后图像做开运算, 最后将开运算结果与原图像做比较并分别赋值得到结果图像。为了验证改进 Top-Hat方法的优越性, 在图像做完背景抑制后分别做传统Top-Hat处理与改进后的 Top-Hat处理, 并对其结果进行了对比。结果表明, 所提算法能够大大提高复杂背景下红外小目标的检测概率, 有效地减少伪目标数量, 即降低了虚警率。

为解决高斯混合模型中噪声和光照变化带来的影响以及运算量大等问题, 先通过帧差法确定运动目标大致区域, 筛选后在确定区域内采用混合高斯模型重建背景, 并运用SUSAN算子进行边缘检测, 形态学处理后将两者结果进行“与”运算; 区域外部分按照当前帧背景更新, 两部分综合得到最终的运动目标。实验结果显示, 改进算法有良好的鲁棒性, 能很好地适应光照变化, 检测结果高效准确, 可以应用于目标跟踪领域。

针对显微视觉系统中大范围聚焦问题，本文提出新的聚焦搜索策略。该策略将改进的SUSAN 算子和小波变换算子组合提出新的聚焦评价函数，并根据评价函数单峰性以及峰值两侧变化陡峭的特点将聚焦曲线分为实现快速搜索的平缓区和高斯拟合的陡峭区，采用自行研发的显微视觉系统对搜索策略进行验证，按照拟合结果驱动电机直接到达焦平面。实验结果表明，新的聚焦搜索策略在实时性和准确性上具有更好的效果。

针对复杂背景下红外弱小目标提取困难的问题, 提出了一种自适应 SUSAN各向异性扩散的红外弱小目标检测算法。该算法结合 SUSAN边缘检测算子与各向异性扩散, 形成新的扩散方程对红外图像进行背景预测, 与原图像差分后实现弱小目标检测。为使算法具备自适应能力, 提出 SUSAN边缘检测器灰度差阈值的自适应设定方法, 采用绝对偏差中值算子作为其扩散系数。实验结果表明, 该算法能够有效滤除复杂图像背景, 大幅提升信噪比, 同时保留目标大小。

为了更好地滤除图像中脉冲噪声和高斯噪声组成的混合噪声, 提出了一种基于非局部均值和Small Univalue Segment Assimilating Nucleus(SUSAN)算子的混合噪声滤除方法.该方法首先根据脉冲噪声点与角点之间吸收核同值区形状特征的不同, 采用SUSAN算子检测出大量的特征点, 特征点主要是脉冲噪声点, 也可能含有小部分角点.将特征点进行排序, 出现频次最高两位的点为脉冲噪声点.然后采用改进的均值滤波法计算脉冲噪声点邻域中非脉冲噪声点的均值, 以此替换脉冲噪声点灰度值.最后针对已滤除脉冲噪声的图像, 采用考虑了图像块信息的非局部均值方法滤除剩余的高斯噪声.去噪实验结果表明: 与自适应中值和加权均值结合的方法、中值滤波与小波结合的方法、脉冲耦合神经网络与中值滤波结合的方法相比, 本文方法主观视觉效果更好, 能够更好地保留图像中的边缘细节, 客观评价指标峰值信噪比有较大的提高, 滤除混合噪声的优势明显.

为了改善在滤除微机电系统微结构图像的噪声时导致边缘模糊的问题, 提出了一种改进的各向异性SUSAN滤波算法。该方法用独立强度传播模型决定长短轴的方差, 由该点的梯度方向决定滤波器的长轴方向, 由局部图像的灰度值与核值的差构成的局部均值构成SUSAN滤波器的自适应阈值, 从而构建出各向异性SUSAN滤波器。该算法在平滑图像同时能保持图像的边缘特征。结果表明, 各向异性SUSAN滤波器能够很好地降噪并保持图像的边缘信息。

针对边缘方向误差较大导致各向异性 SUSAN算法背景抑制能力降低的问题, 提出了一种高精度边缘方向求解算法来确定实际边缘方向; 并引入独立强度模型来确定短轴的尺度以实现滤波器长、短轴自适应地确定。实验表明: 高精度边缘方向求解算法的引入能显著提升红外背景重建的精确度, 从而提高了算法的背景抑制能力, 经过该算法滤波后的图像其信噪比、检测率都获得显著提升, 虚警率明显降低, 能有效提高系统的单帧红外弱小目标的检测能力。

在聚焦评价算法的研究中, 本文首先对传统的离散余弦变换(DCT)算法和最小核值相似区(SUSAN)算法进行改进, 然后结合改进后的 DCT算法和 SUSAN算法提出一种新的聚焦评价算法, 该算法结合频域评价算法和空间域评价算法各自的优点, 使聚焦曲线在单峰性, 局部极值点和灵敏度等方面与传统算法相比有较大改善。在聚焦窗口的研究中, 本文提出一种基于图像子块重要程度加权的聚焦窗口选择方法, 该方法以总梯度变化率作为图像子块重要程度因子, 将重要程度因子值小于阈值的图像子块视为背景子块, 去除背景子块后剩下的部分为聚焦窗口。新的聚焦窗口选择方法能实现动态的区分目标区域与背景区域。

为了满足自动对焦系统的实时性与抗噪性要求，提出了一种基于SUSAN算子的清晰度评价函数。该函数利用SUSAN边缘提取算子的算法简单、准确度高、抗噪性强的特点，对SUSAN算子边缘检测函数进行改进，将边缘点的USAN值的平方和作为清晰度评价值，并将其运用到自动对焦算法中。将该函数与几个经典的清晰度评价函数进行性能比较，实验结果表明：对于引入噪声前后的图像序列，基于SUSAN算子的清晰度评价函数均具有良好的单峰性、无偏性和较高的灵敏度；对于256×256的对焦窗口图片，该函数在TMS320C6416硬件平台上的运行时间仅为16 ms。该函数能够满足清晰度评价函数的单峰性、无偏性、高灵敏度等基本特性，同时具有良好的实时性与抗噪性。

受多种因素的影响, 白天获得的红外星图像信噪比低, 且背景通常是不均匀的, 为红外星目标的提取造成了极大的困难。通过理论计算, 实际白天拍摄的近红外星图信噪比极低, 使用一般的滤波方法无法提取出恒星目标, 目前常用的形态学方法对于星图像的处理也不甚理想。首先分析背景特性, 采用多帧叠加的方法削弱随机噪声, 增大信噪比; 然后设定阈值对叠加后的星图进行背景消除, 得到只含有目标及噪声的图像; 最后基于图像的特性, 使用改进的 SUSAN算子对星图进行目标检测, 进而分割出目标, 实验证明, 与传统方法相比, 该方法可较好地分离出恒星目标。