6、边缘检测技术全解析

边缘检测技术全解析

1. 带限拉普拉斯与二值拉普拉斯图像

在边缘检测中，首先得到的图像 $B = S - I$ 是图像的带限拉普拉斯。通过将 $B$ 中所有正值像素设为 1，其他设为 0，可得到二值拉普拉斯图像（BLI），这一过程由 ISEF 源代码中的 compute_bli 函数计算。候选边缘像素位于 BLI 区域的边界，对应零交叉点。不过，为提升算法识别边缘像素的质量，还需一些额外的增强操作。

2. 虚假零交叉抑制

这一改进与 Canny 方法中的非极大值抑制相关。在边缘像素位置，滤波图像的二阶导数会出现零交叉，意味着该点的梯度为最大值或最小值。二阶导数从正变负为正零交叉，从负变正为负零交叉。允许正零交叉有正梯度，负零交叉有负梯度，其他零交叉视为虚假的，不对应边缘。此操作在 ISEF 代码的 is_candidate_edge 函数中实现。

3. 自适应梯度方法

当原始图像噪声很大时，标准阈值方法可能不够。可以对梯度应用全局阈值对边缘像素进行阈值处理，但 Shen 和 Castan 建议采用自适应梯度方法。以 BLI 中找到的候选边缘像素为中心，设置固定宽度 $W$ 的窗口。若该像素确实是边缘像素，窗口将包含由边缘（零交叉轮廓）分隔的两个不同灰度级区域。该点梯度的最佳估计应为两个区域的灰度级差值，其中一个区域对应 BLI 中的零像素，另一个对应一值像素。 compute_adaptive_gradient 函数执行此操作。

4. 滞后阈值处理

最后对边缘应用滞后阈值处理方法，该算法与 Canny