因此可以设计一个圆形模板，边界的像素点作为模板的圆心，让模板在蒜瓣二值图像边界上运动一周，由于图像已经二值化，因此 USAN 值即为模板与蒜瓣图像相交点的个数。
如图 5,USAN 角点检测原理图所示，由模板核和圆形边界组成的 USAN 圆形模板检测矩形图像的角点。当圆形模板完全处于矩形图像中时，USAN 区域面积为圆形面积，USAN 值最大，如 B;当圆形模板向矩形图像外部移动时，USAN 区域在矩形图像中的逐渐减小； 如 C; 当圆形模板中心处于矩形图像边缘时，USAN 区域在矩形图像中的面积为圆形模板面积的一半，如 D; 当圆形模板中心处于矩形角点时，USAN 区域在矩形图像中的面积最小； 如 E; 当模板核不在矩形图像上时，不考虑。可以看出，在边缘处像素的 USAN 值都小于或等于圆形模板最大值的 1/2.因此对于大蒜蒜瓣图像中每一个像素的 USAN 值，可以设定一个 USAN 阈值，寻找小于阈值的像素点，即可确定该像素点为蒜瓣角点，即可确定大蒜蒜瓣的尖端位置，如图 6 所示，即为大蒜瓣尖识别结果，在瓣尖处，角点最小，曲率最大。
3 试验结果与分析
SUSAN 算法具有很好的角点检测原理，对于形体规则的大蒜具有很好的识别蒜尖的功能，对于不规则形体的大蒜选取若干进行测试，分别选取蒜头和大蒜形体不规则的大蒜进行试验，也得到了较为理想结果，即可以识别出大蒜蒜瓣的尖端。如下图不规则的蒜瓣图像，图 7 蒜头不规则图像和图 9 蒜体不规则图像。通过 SUSAN 识别算法的试验，蒜瓣图像的瓣尖识别结果如图 8 和图 10 所示。
在图 8 和图 10 中，XY 平面中的曲线是蒜瓣图像的边界，Z 轴方向是由蒜瓣边界中的每一个像素点的 USAN 值组成的曲线。由图 8 和图 10可以看出，每幅图中 USAN 最小值均在蒜瓣尖端位置。因此可知，在这不规则的蒜头和蒜体图像中，应用 SUSAN 算法，通过确定边界像素中最小USAN 值所对应点的位置就是大蒜瓣尖的位置是可行的。
4 结束语
通过对大蒜种植瓣粒的初选，将不合格和形状奇特的蒜瓣筛选掉，根据蒜瓣的形状特征，本文采用图像处理技术，应用 SUSAN 角点检测算法，选用曲率作为特征量，对蒜瓣进行瓣尖识别。试验结果表明，把 SUSAN 角点检测算法运用到大蒜瓣尖识别中，可以识别蒜瓣尖端的位置，对于农机化生产具有很大的提升意义。同时，在蒜瓣识别中对于蒜瓣中出现影响蒜尖识别的蒜皮、突尖等，还需要进一步进行分析和处理，后续还需要投入更多研究工作解决该问题。
参考文献：
[1] 丁超。 我国蒜瓣出口现状及对策[J]. 中国蔬菜，2005,（04） : 1-5.
[2] 金诚谦，袁文胜，张敏。 大蒜播种鳞芽朝向对大蒜生长发育影响的试验研究[J]. 农业工程学报，2008,24（04） : 155-158.
[3] 章毓晋。 图像处理和分析[M]. 北京： 清华大学出版社，1999.
[4] 崔凤魁，张丰收，白露，等。 二值图像目标邻域点法边界跟踪算法[J]. 洛阳工学院学报，2001,22（01） :28-31.
[5] 胡小锋，赵辉。 图像处理与识别[M]. 北京： 人民邮电出版社，2004.
[6] 许磊。 大蒜的营养价值与食疗保健[J]. 上海蔬菜，2005,（05） : 94-95.
