边缘检测是图像解决的关键构成部分。 虽然根据卷积神经网络等基于深度神经网络的新技术可以实行比较复杂的边缘检测（即具备转变的折射率，噪音，色调等的边缘），但在某种情形下，经典的边缘检测方式依然具备很高的实际意义！ 例如，假如已经知道数据信息是简易且可预估的； 与CNN对比，Canny边界检测可以直接应用，而CNN的完成通常比较繁杂。
边缘检测的基础知识
大部分经典的边缘检测优化算法全是根据一阶导数的定义。在如图所示中，我们可以见到一个基础理论边缘轮廊，y轴是清晰度抗压强度，x轴是图像中的物理上的部位。在图像的边缘位置，有一个从低抗压强度到高韧性的迅速衔接，相反也是。这一调整的效率越快，边缘可能发生。为了更好地检验边缘，大家只需取清晰度抗压强度的一阶导数，随后找寻如下图所示的最高值!
Canny边缘检测
通常将该导函数与高斯滤波器紧密结合，一步进行图像光滑和边缘检测。因为导函数和高斯滤波器的卷积神经网络全是线性运算，因此大家立即对图像运用全微分高斯滤波器就可以!下边的实例5×5过滤装置完成了这一实际操作，应用这一过滤装置= 1。
那样会形成一个輸出，该输出已经突出显示了边缘的部位！ 可是，Canny的特点是可以形成十分薄和整洁的边缘。 下一步，非较大抑止（NMS）将完成这一总体目标。 根据追踪輸出图像中的低值，随后查验3×3领域中的较大梯度方向来进行NMS。 核心清晰度需要在垂直平分边缘的角度上最大，不然将被设定为0。
在下面的实例中，大家见到一个7×7引流矩阵，在其中的取样輸出来源于高斯滤波器。 较高的值将表明该部位的一阶导数较高！ 为了更好地实行NMS，大家顺着边缘方位开展追踪，随后将其设定为0（假如他们并不是边缘法线方位的最高值）（即鲜红色轴）。 因而，在NMS以后，深蓝色模块将保存，深灰色模块将所有设定为0。 大家见到这给予了只有一个清晰度宽的细致边缘輸出！
Canny边缘检测的另一个主要构成部分是落后阀值。 这听起来非常繁杂，可是比较简单！ 此流程与NMS一起实行，其关键观念是避免噪音边缘在最后边缘检测中造成残片。 挑选2个阀值，在其中T1> T2。 仅当梯度方向值超过T1时才逐渐NMS追踪，仅当梯度方向值低于T2时才终止NMS追踪。 那样可以保证NMS追踪对边缘的噪音具备一定的可扩展性，该边缘可以根据T1和T2值开展操纵。
汇总
Canny 边缘检测是很风靡的边缘检测优化算法，是在1986年由John F.Canny明确提出的。虽然Canny 边缘检测和各种各样经典的边缘检测方式好像被时兴的CNN和深度神经网络方式所遮盖，但人们不应该忘掉他们的简便性和实效性。 有时候，试着经典解决方法要简单得多，而且它很有可能比您预估的好些！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
