Kenar algılama algoritması seçerken hangi faktörleri göz önünde bulundurmalıyım?

Sobel, Laplacian ve Canny yöntemleri gibi algoritmalar da dahil olmak üzere birçok uç algılama algoritması hakkında bir şeyler öğrendim. Bana göre en popüler kenar dedektörü Canny kenar dedektörüdür, ancak bunun kullanılacak en uygun algoritma olmadığı durumlar var mı? Hangi algoritmayı kullanacağınıza nasıl karar verebilirim? Teşekkürler!

Çok sayıda gelişmiş algılama olanağı var, ancak bahsettiğiniz 3 örnek 3 farklı kategoride yer alıyor.

Sobel

Bu, birinci dereceden bir türevine yaklaşır. Gradyan pozisyonlarında ekstrema verir, 0, gradiyent yoktur. 1D'de, =$\left[ \begin{array}{ccc} -1 & 0 & 1 \end{array} \right]$

• düz kenar => yukarı veya aşağı giden sinyale bağlı olarak yerel minimum veya maksimum.
• 1 piksel satır => 0, satırın hemen yanında, yerel ekstrema (farklı işaretli) ile birlikte. 1D'de, =$\left[ \begin{array}{ccc} 1 & -2 & 1 \end{array} \right]$

Sobel'in +/- aynı özelliklere sahip başka alternatifleri de var. On Roberts Çapraz wikipedia sayfası bunlardan birkaç karşılaştırmasını bulabilirsiniz.

Laplace

Bu, ikinci dereceden bir türevine yaklaşır. Degrade konumlarında 0, ayrıca degradenin olmadığı yerlerde 0 verir. Bir (daha uzun) degradenin başladığı veya durduğu yerde extrema verir.

• pürüzsüz kenar => 0 kenarı boyunca, kenarın başlangıcında / bitişinde yerel ekstrema.
• 1 piksel çizgi => çizgide "çift" bir ekstremum, yanında "normal" ekstrema ile farklı bir işaret

Bu 2'nin farklı kenar tipleri üzerindeki etkisi en iyi görsel olarak görülebilir:

açıkgöz

Bu basit bir operatör değil, Sobel'i adımlardan biri olarak kullanan çok adımlı bir yaklaşım. Sobel ve Laplace'in kendinize eşik etmeniz gereken gri tonlamalı / kayan nokta sonucu verdiği yerlerde, Canny algoritması adımlarından biri olarak akıllı eşikleme özelliğine sahiptir, bu yüzden sadece bir ikili evet / hayır sonucu alırsınız. Ayrıca, pürüzsüz bir kenarda, degradenin ortasında bir yerde yalnızca 1 satır göreceksiniz.

Sobel ve Laplacian basitçe filtreler olsa da, Canny iki şekilde bundan daha ileri gider.

İlk olarak, bir görüntüdeki her türlü nesne ve renk gradyanından kaynaklanan gürültüyü ortadan kaldıran maksimum olmayan baskılama yapar . İkincisi, aslında farklı kenar yönlerini ayırt etmenize ve bir çizginin eksik noktalarını doldurmanıza izin veren bir adım içerir.

Başka bir deyişle, Canny kenar dedektörü, Sobel ve Laplacian'dan tamamen farklı bir sınıftadır. Sobel ve Laplacian basit bir şekilde yüksek geçişli filtre çıktıları ve bunu takiben doğrusal ikili eşikleme izler.

Kenarları tespit etmeye çalışırken en önemli iki karar bana göre:

1. Bunun yerine nesneleri bölümlere ayırabilir miyim ve sonra ikili (bölümlere ayrılmış) görüntünün kenarını bulmak için morfolojik bir operatör kullanabilir miyim? Gürültülü verilerle bu daha sağlam olma eğilimindedir.

2. Görüntü parazitini azaltmak için hangi kenar koruyucu düzleştirme filtresini kullanmalıyım? Kenar filtreleri, gürültülü verilerle karşılaşacak olan farklılığa dayanır. En basit seçenek, medyan filtresidir, ancak anizotropik difüzyon veya yerel olmayan araçlar, ince ayar yapmak için daha fazla parametreye sahip olma pahasına daha iyi performans sunar.

Kenar tespiti için, Canny'yi kullanmamak için iyi bir sebep düşünemiyorum.

SUSAN Yaklaşımı

Kenar ve köşe algılamaya başka bir yaklaşım SUSAN yaklaşımıdır .

Bu yaklaşımda türev yaklaşımlardan ziyade integral bir yaklaşım yaklaşımı kullanılmaktadır. Bu, yalnızca kenarları tespit edememekle kalmayıp aynı zamanda “iki boyutlu özellikleri” (yani köşeleri) de tespit edebilme avantajına sahiptir.

İntegral yaklaşım yaklaşımının bir başka avantajı, gürültünün sonuçlar üzerinde daha az bir etkiye sahip olma eğiliminde olmasıdır.

Canny, ikili bir görüntü verir ve harici olarak verilen eşiklere (görüntü / uygulamaya bağlı) bağlıdır.
Evrişim bazlı filtreler bir "kenar yoğunluğu" görüntüsü verir. Bu, kenar ağırlığı veya kuvveti önemliyse faydalıdır (örneğin ağırlıklı Hough Dönüşümü'nde).