首先讨论的是Harris Corner Detection（哈里斯角点检测）算法。该方法由Chris Harris和Mike Stephens于1988年提出，其核心思想是对局部邻域内的图像梯度变化响应进行分析以确定潜在的关键点或“角点”。具体而言，在每个像素位置上计算一个自相关矩阵M，基于这个矩阵的一个特性值及其对应的主方向来判断此点是否为显著的角点。在MATLAB中，可以利用`cornerharris()`函数对灰度图象实施这一过程，然后设定阈值得到最终的角点集合。
以下是一个简化的 MATLAB 实现示例：
matlab
I = imread('your_image.jpg'); % 读取图片并转换成灰阶
grayImage = rgb2gray(I);
[imx, imy] = gradient(grayImage); % 计算图像梯度
R = det(M) - k * trace^2; % 哈里斯操作符 R 其中 M 是结构张量，k 是自由参数
corners = cornerharris(R,'Method','normalized', 'Threshold',0.5*max(max(R)));
figure, imshow grayImage), hold on;
[corners_row,corners_col] = find(corners > threshold_value); % 设置合适的阈值筛选出角点
plot(corners_col, corners_row, '*r');
接下来探讨的是 SUSAN (Smallest Univalue Segment Assimilating Nucleus) 角点检测算法。相比于依赖二阶导数统计特性的Harris角点检测器,Susan算法更侧重于一阶微分属性以及局部位相一致性原理。它通过对各个像素与其周围区域的一致性程度来进行评价，若某一点在其半径范围内的差异较小，则认为这一点可能是稳定的边缘或者角点。在MATLAB环境下，可以通过使用内置函数`susan`(旧版本)/ `detectSURFFeatures`(新版本配合'SURFSize'选项设置大尺寸窗口模拟Susan效果)，结合适当的参数配置完成此类角点识别。
尽管上述两个算法都可用于有效地探测图像中的关键角点，但各自具有不同的适用场景和优缺点：Harris 算法对于噪声鲁棒性强、适合大规模密集型应用；而 Susan 算法则由于考虑了单个像素周围的同质性质而在某些特定场合下表现更为优秀，如低质量影像处理等。理解这些内在机制并在实际问题中灵活运用，能够帮助我们更好地驾驭这两个强大工具解决复杂的图像解析难题。