Які обмеження детектора канти канти?

Як правило, більшість літератури про алгоритми виявлення країв та додатки, що використовують виявлення краю, посилаються на детектор ребра Кенні. Настільки, що схоже майже на "рішення" для виявлення ребер. Безумовно, це було б найкращим чином, врівноважуючи шум і зберігаючи краї.

Однак, як просте цікавість, чи є стурбованість крайовим детектором Кенні? чи є області застосувань, де Canny не буде кращим?

У цьому контексті швидша реалізація насправді не викликає занепокоєння. У фокусі кращого або поганого сповіщувача крайових зображень має бути якість та корисність створених країв.

Крім того, я дійсно не зосереджуюсь на конкретних питаннях впровадження. Я шукаю більш теоретичні обмеження або характеристики, притаманні алгоритму.

З мого досвіду, наступні моменти є обмеженнями:

• Результат - двійковий. Іноді вам потрібна міра "на скільки" край визначається як край (наприклад, зображення інтенсивності, що надходить від детектора амплітудної межі Собеля)
• Кількість параметрів призводить до нескінченно тонкої настройки для отримання тільки що трохи кращий результат.
• Ще потрібно з’єднати отримані краї, щоб витягти цілі краї, які здаються настільки очевидними для людського ока + розуму.

• Також завдяки гауссовому згладжуванню: розташування країв може бути відключеним, залежно від розміру ядра гаусса.

• Метод має проблеми з кутами та стиками:

  • Гауссова згладжування розмиває їх, роблячи їх важче виявити (те саме стосується самих країв)
  • Кутові пікселі дивляться у неправильних напрямках для своїх сусідів, залишаючи краї з відкритими кінцями та відсутні місця стиків

Ця остання проблема вирішується методом SUSAN , який краще з'єднує краї, а також призводить до хороших стиків, як показано цими прикладними фігурами, наведеними у зв'язаному документі:

Тестове вхідне зображення:

Результати SUSAN:

Результати Canny:

Ви чітко бачите, що SUSAN знаходить кути та переходи замість Canny.

чи є області застосувань, де Canny не буде кращим?

Я можу придумати декілька:

• якщо вам потрібні закриті криві, детектор, який може гарантувати, що вони можуть бути кращими (наприклад, нульові переходи лаплаціанської або вододільної сегментації)
• якщо ви намагаєтесь виявити однорідний об’єкт, який має низьку контрастність у деяких областях, метод сегментації, який використовує глобальну інформацію (наприклад, сегментація вододілу), може дати кращі результати

на моєму досвіді процес виявлення країв з використанням рентгенівського реберного детектора розгладжує краї, перш ніж їх можна буде виявити, а терміни та довжина фільтра повинні бути ідеальним відповідним для виявлення всіх країв без помилок.

Я просто хочу зазначити одне обмеження детектора Canny, яке перешкоджає його застосуванню, і це налаштування параметрів. Я думаю, що встановлення параметрів є не тільки проблемою для детектора Кенні, але й проблемою для інших методів виявлення краю.