Jakie są ograniczenia Canny Edge Detector?

Zasadniczo większość literatury na temat algorytmów wykrywania krawędzi i aplikacji wykorzystujących wykrywanie krawędzi nawiązuje do detektora krawędzi Canny'ego. Tak bardzo, że wygląda na prawie „rozwiązanie” wykrywania krawędzi. Z pewnością zrobiłby to najlepiej, równoważąc hałas i zachowując krawędzie.

Jednak, jako zwykła ciekawość, czy istnieje obszar zainteresowania detektora krawędzi Canny? czy są obszary zastosowań, w których Canny nie będzie najlepszy?

W tym kontekście szybsze wdrożenie nie jest tak naprawdę problemem. Detektor brzegowy powinien skupiać się na dobrej lub złej jakości i użyteczności generowanych krawędzi.

Poza tym tak naprawdę nie koncentruję się na kwestiach związanych z implementacją. Szukam bardziej teoretycznych ograniczeń lub cech charakterystycznych dla algorytmu.

Z mojego doświadczenia wynika, że ​​następujące punkty są ograniczeniami:

• Wynik jest binarny. Czasami potrzebujesz pomiaru „ile” krawędź kwalifikuje się jako krawędź (np. Obraz intensywności pochodzący z detektora krawędzi amplitudy Sobela)
• Ilość parametrów prowadzi do nieskończonej modyfikacji, aby uzyskać tylko trochę lepszy wynik.
• Nadal musisz połączyć powstałe krawędzie, aby wydobyć pełne krawędzie, które wydają się tak oczywiste dla ludzkiego oka + umysłu.

• Również z powodu wygładzenia gaussowskiego: położenie krawędzi może być wyłączone, w zależności od wielkości jądra gaussowskiego.

• Metoda ma problemy z narożnikami i skrzyżowaniami:

  • Wygładzanie gaussa rozmywa je, co utrudnia ich wykrycie (to samo dotyczy samych krawędzi)
  • Piksele narożne wyglądają w złych kierunkach dla swoich sąsiadów, pozostawiając otwarte końce krawędzi i brakujące skrzyżowania

Ten ostatni problem rozwiązuje metoda SUSAN , która lepiej łączy krawędzie, a także powoduje ładne połączenia, jak pokazują te przykładowe liczby podane w powiązanym dokumencie:

Testuj obraz wejściowy:

Wyniki SUSAN:

Wyniki Canny:

Możesz wyraźnie zobaczyć, że SUSAN znajduje rogi i skrzyżowania zamiast Canny.

czy są obszary zastosowań, w których Canny nie będzie najlepszy?

Mogę wymyślić kilka:

• jeśli potrzebujesz zamkniętych krzywych, wykrywacz, który może zagwarantować, że mogą być lepsze (np. zero przejść przez segmentację laplacian lub zlewisko)
• jeśli próbujesz wykryć jednorodny obiekt o niskim kontraście w niektórych obszarach, metoda segmentacji wykorzystująca informacje globalne (np. segmentacja zlewu) może dać lepsze wyniki

z mojego doświadczenia wynika, że ​​proces wykrywania krawędzi za pomocą Canny Edge Detector wygładza krawędzie przed ich wykryciem, a czas i długość filtra muszą być idealnie dopasowane, aby wykryć wszystkie krawędzie bez błędów.

Chciałbym tylko wspomnieć o jednym ograniczeniu detektora Canny'ego, które utrudnia jego zastosowanie, a mianowicie ustawieniu parametrów. Myślę, że ustawienie parametrów jest nie tylko problemem dla detektora Canny, ale także problemem dla innych metod wykrywania krawędzi.