Bir canny edge detektörünün farklı parametrelerinin etkilerini açıklayabilir misiniz?

Son birkaç soru Canny kenar dedektörüne dokundu

Canny kenar detektörünün sınırlamaları nelerdir? ve
yapraklarda damarları segmentlere ayırmanın en iyi yolu?

Algoritmanın temel hatları aşağıdaki gibidir:

a. Gauss Konvolüsyonunu uygular. ( Burada yapılacak seçimi ) b. 2D türevi uygulayın c. Bu kenarların kenarları boyunca izleme ve Hysteresis Alt ve Yüksek T0 ve T1 ( burada yapılacak T 0 ve T 1 seçimi) ile eşikleme (kenarda olmayan pikselleri sıfıra ayarlayın ). $\sigma$

$T0$$T1$

Daha fazla bilgi için bunu okuyun .

Bununla birlikte, Canny'nin optimal olduğu iddia edilir ; Yukarıda listelenen gibi faktörler verdiği, pratik sonuçları konularda alırken ve T 1 farkı bir çok yapar.$\sigma, T0,$$T1$

Peki bu parametreler pratikte nasıl seçilir? Kesin bir yaklaşım veya değer olmasa bile, bunu bilmek için genel teknik nedir?

Aşağıdaki http://www.kerrywong.com/2009/05/07/canny-edge-detection-auto-thresholding/ gösterileri nasıl Tlow ve Uyluk eşikleri seçim olduğunu birkaç kaynaktan biridir

Buna göre, historygramda yeterince yayılmış bir resim için, T_low = 0.66 * görüntünün ortalama değeri ve T_high = 1.33 * ortalama değeri seçilebilir.

Ancak, görüntü yeterince yayılmadığında, görüntünün ortalama değerinin aksine medyan kullanılmalıdır.

T_low ve T_high arasındaki boşluk çok küçükse, sonuçta ortaya çıkan kenarlar süreklilik açısından daha küçük olacaktır ve bu nedenle daha fazla kesir olacaktır. Boşluk arttıkça, daha fazla tek çizgi kenarınız olacaktır.

Sigma ile ilgili olarak, sigma arttıkça, yumuşatma artar ve gürültülü kenarlar kaybolur, ancak aynı zamanda kenarların yeri de az hareket edebilir. Bu belgeye bakın, http://www.cse.unr.edu/~bebis/CS791E/Notes/EdgeDetection.pdf ve sayfa 29'daki sonuçlar bu etkiyi gösterir.