經過 SUSAN 角點偵測後發現，門檻值對於判斷角點的關鍵性，因此門檻值的設定 太大或太小都不足以找出正確的角點，因此在適當的門檻值下，加入 corner response function (CRF)來剔除一些不正確的角點。
針對 SUSAN 剔除不正確的角點上，可利用 USAN 中區域的重心與圓形遮罩中核心 的距離來判定，假如距離較小便認定為不是正確的角點；而角點所在位置的 corner
response 可能會為周遭的最大值，因此只有在區域最大值的位置才為角點的正確位置。
圖 3.5 SUSAN 角點偵測，(T,G)=(19,10)
圖 3.6 及 3.7 為第一組實驗影片，在圖 3.6 中，門檻值 T的設定設為 45，門檻值G設 為 19，當核心點與遮罩內任一點相減小於 45 的時候，便統計進 USAN 裡面，而當 USAN 值小於 19 時便將此區域的點數當為角點，被當作為角點的個數總共平均 5000 個，而圖 3.6(a)與(b)為不同 frame 數下的角點偵測。
(a) 10th frame (b) 20th frame 圖 3.6 SUSAN 角點偵測，(T,G)=(45,19)
(a) 10th frame (b) 20th frame 圖 3.7 SUSAN 角點偵測，(T,G)=(25,19)
利用同一組影片測試，將門檻值T設定為 25，門檻值G一樣設為 19，利用圖 3.6 與圖 3.7 兩組不同門檻值T做比較，可以發現當門檻值T越小時所判斷出的點數越多，
這是因為當圓形遮罩的核心點與周圍像素進行差異值的計算時，門檻值T主要是用來判 斷像素之間的差距，小於此門檻值內的像素差值，便將此像素當作和核心點為相似的像 素，在圖 3.7 被當作角點的個數平均有 12000 個，而圖 3.7(a)(b)為不同 frame 數下的角 點偵測。
圖 3.8 及 3.9 為第二組實驗影片，在圖 3.8 中門檻值T 設為 45 門檻值G設為 10，當 所計算的 USAN 值總數小於G值時，便將此區域標記為角點，圖 3.8 被當作角點個數平 均有 800 個，而圖 3.8(a)與(b)為不同 frame 數下的角點偵測。
(a) 10th frame (b) 20th frame 圖 3.8 SUSAN 角點偵測，(T,G)=(45,10)
(a) 10th frame (b) 20th frame 圖 3.9 SUSAN 角點偵測，(T,G)=(45,30)
在圖 3.9 此組實驗當中，使用在門檻值T設為 45，將門檻值G調高至為 30，與圖 3.8 比較可得知許多不屬於角點的邊緣也都被標示出來，門檻值G主要是用來判斷 USAN 總數小於G時便判定為角點，因此當G值越大時會將許多 USAN 納入為角點並
標記起來，因此門檻值T與門檻值G的設定將會影響 SUSAN 於角點的判斷，圖 3.9 被 當作角點個數平均有 16000 個，而圖 3.9(a)與(b)為不同 frame 數下的角點偵測。
在圖 3.10 中使用與圖 3.6 相同的實驗影片來進行比較，門檻值T的設定為相同 45，
門檻值G一樣設為圓形遮罩的一半點數 19，在相同門檻值下，圖 3.6 會將許多疑似為角 點的部份標記為角點，而圖 3.9 加入 CRF 後便可將大部分疑似為角點的部分剔除，在圖 3.10 的角點個數平均有 2500 個，而圖 3.10(a)(b)為不同 frame 數下的角點偵測。
圖 3.11 與圖 3.7 設為相同門檻值T 設定為 25、門檻值G設為 19，在圖 3.11 的角點 個數平均有 9000 個，利用 CRF 後可發現，原本許多被標記為角點的部分，經過抑制後 已經將大量的疑似為角點部分刪除，因此 CRF 可將大部分的疑似角點刪除，得到較為 精確的物件角點的部分，而圖 3.11(a)與(b)為不同 frame 數下的角點偵測。
(a) 10th frame (b) 20th frame 圖 3.10 SUSAN 角點偵測加入 CRF，(T,G)=(45,19)
(a) 10th frame (b) 20th frame 圖 3.11 SUSAN 角點偵測加入 CRF，(T,G)=(25,19)