Image Processing and Analysis_8_Edge Detection：Edge Detection Revisited ——2004

此主要讨论图像处理与分析。虽然计算机视觉部分的有些内容比如特 征提取等也可以归结到图像分析中来，但鉴于它们与计算机视觉的紧密联系，以 及它们的出处，没有把它们纳入到图像处理与分析中来。同样，这里面也有一些 也可以划归到计算机视觉中去。这都不重要，只要知道有这么个方法，能为自己 所用，或者从中得到灵感，这就够了。

8. Edge Detection
边缘检测也是图像处理中的一个基本任务。传统的边缘检测方法有基于梯度 算子，尤其是 Sobel 算子，以及经典的 Canny 边缘检测。到现在，Canny 边缘检 测及其思想仍在广泛使用。关于 Canny 算法的具体细节可以在 Sonka 的书以及 canny 自己的论文中找到，网上也可以搜到。最快最直接的方法就是看 OpenCV 的源代码，非常好懂。在边缘检测方面，Berkeley 的大牛 J Malik 和他的学生 在 2004 年的 PAMI 提出的方法效果非常好，当然也比较复杂。在复杂度要求不高 的情况下，还是值得一试的。MIT的Bill Freeman早期的代表作Steerable Filter 在边缘检测方面效果也非常好，并且便于实现。这里给出了几篇比较好的文献， 包括一篇最新的综述。边缘检测是图像处理和计算机视觉中任何方向都无法逃避 的一个问题，这方面研究多深都不为过。
[1980] theory of edge detection
[1983 Canny Thesis] find edge
[1986 PAMI] A Computational Approach to Edge Detection
[1990 PAMI] Scale-space and edge detection using anisotropic diffusion
[1991 PAMI] The design and use of steerable filters
[1995 PR] Multiresolution edge detection techniques
[1996 TIP] Optimal edge detection in two-dimensional images
[1998 PAMI] Local Scale Control for Edge Detection and Blur Estimation
[2003 PAMI] Statistical edge detection_ learning and evaluating edge cues
[2004 IEEE] Edge Detection Revisited
[2004 PAMI] Design of steerable filters for feature detection using canny-like criteria
[2004 PAMI] Learning to Detect Natural Image Boundaries Using Local Brightness, Color, and Texture Cues
[2011 IVC] Edge and line oriented contour detection State of the art

 

翻译

再谈边缘检测——http://tongtianta.site/paper/56198

作者：Felice Andrea Pellegrino, Walter Vanzella, and Vincent Torre

2003年4月8日收到手稿；修订于2003年8月19日。该论文由副编辑D. Goldgof推荐。
F. A. Pellegrino现任意大利乌迪内大学数学和计算机科学系(DIMI)，乌迪内33100。
W. Vanzella和V. Torre在意大利的里雅斯特34014国际高级研究学院神经生物学系任职(电子邮件：torre@sissa.it)。
数字对象标识符10.1109 / TSMCB.2004.824147

 

摘要 -本手稿旨在解决边缘检测的四个问题：从细到粗的尺度同时检测所有阶跃边缘；检测宽度很少的细条；三面体连接的检测；具有图像无关参数的算法的开发。这些问题的建议解决方案将广泛的空间滤波与经典的计算机视觉方法和最新开发的算法结合在一起。通过从一大批不同比例的定向奇数滤波器求和的能量中提取局部最大值来计算阶跃边缘。通过考虑沿提供最大响应的方向在窄奇数和偶数滤波器上求和的能量的最大值来计算薄的屋顶边缘。使用定向滤波器的输出可以精确检测并恢复结点。所提出的算法对检测到的边缘的最小对比度有一个阈值：对于大量测试图像，该阈值固定为等于常规采集系统中存在的噪声标准偏差的三倍(估计为1到1.3灰度级)因此，建议的方案实际上没有参数)。在两个定量比较中，这种边缘检测方案的性能比传统的Canny边缘检测器好：从边缘图恢复原始图像和从运动任务中恢复结构。由于先前比较中的Canny检测器被证明是最好的或在最好的检测器中，因此所提出的方案比以前的方法有了显着的改进。

索引词-边缘检测，接合点检测，性能评估。

 

Ⅰ 引言

边缘，线条和结点通常传达图像的最相关信息[4]，[41]，[46]，因此以可靠的方式检测它们很重要。在过去的20年中，边缘检测已在计算机视觉中得到了广泛的分析[5]，[7]，[10]，[18] – [20]，[41]，但尚未完全解决。实际上，尽管付出了巨大的努力，但仍未产生出能够在所有尺度上检测和定位精确边缘的理想方案，而不论其形状和配置如何。由于缺乏明显而清晰的地面真实数据，因此难以确定最佳或理想的边缘检测方案，因此很难明确评估其性能[28]。已经提出了几种评估边缘检测方案的标准：例如，基于从运动任务中恢复结构上的三维(3-D)数据(36)，或者根据运动目标的恢复，提出了与任务有关的标准。来自边缘贴图的原始图像[28]。还提出了人类评估标准，并使用统计和心理物理工具对其进行了量化[14]，[27]。在所有这些比较中，Canny [5]的经典边缘检测方案经常(但并非总是)提供最佳性能。 该方案实质上将原始图像中的边缘识别为具有奇数方向滤波器的卷积的适当函数的局部最大值。 大约20年前提出的边缘检测方案[5]的成功表明，其本质是正确的，并且接近于最优。 众所周知，人类视觉系统能够独立于识别和推理执行理想的边缘检测。 因此，对人类视觉系统的观察可能会建议如何修改Canny的经典边缘检测方案，以便获得几乎理想的边缘检测方案。

 

在高等脊椎动物和哺乳动物的视觉系统中，处理的第一阶段发生在视觉区域V1中，包括视网膜图像与具有不同方向，大小和形状的滤镜的卷积[16]。 。计算机视觉也使用大量的滤镜进行图像处理。实际上，通过使用具有不同方向，大小和形状的方向滤镜对原始图像进行卷积，可以检测到边缘，拐角和其他重要的二维(2-D)特征[11]，[12]，[ 39]。当通过计算局部能量的最大值检测到二维特征时[18]，[24]，[31]，首先将图像与不同方向的奇数和偶数滤波器进行卷积。分析不同规模图像的需求，即多尺度分析[19]，[45]，现已在计算机视觉中得到广泛认可，并且是图像处理中的标准技术[13]，[22]。在所有这些比较中，