Метод обнаружения края лучше, чем обнаружение Canny Edge

Есть разные виды «ребер», это зависит от вашей задачи. Взгляните на недавнюю статью "Какие края имеют значение?" от ICCV-2013, со сравнением нескольких методов:

• ультраметрическая контурная карта - «Обнаружение контуров и иерархическая сегментация изображений» от P Арбелаес, М. Мэйр, К. Фаулкс и Дж. Малик - лучшие результаты по сравнению с приведенным выше.
• нормализованные разрезы - "Нормализованные разрезы и сегментация изображения" Дж. Ши и Дж. Малик.
• средний сдвиг - «Средний сдвиг: надежный подход к анализу пространства признаков» Д. Команику и П. Меер.
• Подход Felzenszwalb и Huttenlocher - «Эффективная сегментация изображений на основе графов "Авторы: Felzenszwalb и Huttenlocher.
• BiCE - «Бинарные когерентные дескрипторы границ» от CL Zitnick .
• N4-Fields - "N4-Fields: поля ближайшего соседа нейронной сети для преобразования изображения" Ганин и др.
• RDS - «Обучение более расслабленному глубокому контролю для лучшего обнаружения границ» Лю и Лью
• COB - "Сверточно-ориентированные границы" от Maninis et.al.

Надеюсь, это поможет будущему читателю

Active Canny: обнаружение и восстановление границ с помощью открытых моделей активного контура

Вот изображение, показывающее его производительность

Осуществлять это - боль. Я пытаюсь реализовать это с помощью OpenCV и Python

Вот еще один документ, который я нашел.

Анизотропные аэрозольные эйкональные активные контуры на основе краев

Метод обнаружения кромок - один из наиболее часто используемых методов обнаружения кромок. Как сказал old-ufo, нет хорошего или плохого метода обнаружения края.

Я хотел бы представить вам еще два метода обнаружения краев, помимо ответа old-ufo.

Sobel - метод обнаружения краев на изображении может быть выполнено путем определения местоположения пикселей, где градиент выше, чем его соседи.

методы на основе Гаусса - методы обнаружение краев с использованием гауссиана.

Если вы спросите меня, мне очень нравится DoG (разница гауссовского), особенно когда я пытаюсь получить очертания / форму объекта (когда объект шумный) и т. Д. Очень полезно.

Но в целом это действительно основано на том, чего вы пытаетесь достичь. Canny - тоже очень хороший метод обнаружения краев. Поиграйте (:

Термин лучше требует пояснения. Я лично считаю детектор контуров Canny медленным и ... нестабильным по простой причине: он использует набор крайне нелинейных алгоритмов, которые выполняют слишком много сложных операций (сегментация, подавление не-max и т. Д.), Что делает его чрезвычайно нестабильным и чувствительным к шум. Да, он может вытаскивать слабые края, но «мигание» и шум слишком велики, чтобы работать, скажем, с соответствующим приложением. С другой стороны, такая простая операция, как Sobel, является линейной и стабильной, поэтому для сопоставления я бы использовал Sobel, а не Canny. Например, если вас интересует обнаружение текста, вместо краев вы можете использовать связанные компоненты или MSER для извлечения ваших функций. Дело в том, что термин «лучше» сильно зависит от вашего приложения.

И последнее, но не менее важное - неправильно начинать думать о своем проекте с точки зрения алгоритма, но ведь это делается так часто! Подумайте об оперативном определении вашей цели, характеристик, вероятностей и только потом о реализации. «Мы записываем не шаги по решению проблемы, а саму проблему», - красноречиво выразился Саймон Принс. Так что, если у вас есть вопрос о лучшем алгоритме, но вы действительно хотите лучше понять компьютерное зрение, я настоятельно рекомендую вам купить его книга (эта действительно читабельная, хорошо иллюстрированная и мотивирующая, и это лучшее мягкое введение в компьютерное зрение, которое я когда-либо знал). На противоположной стороне спектра находится классическая геометрия множественного просмотра Хартли и Зиссермана, которая является отличным источником формул, но, к сожалению, очень нечитаема.

Целостно вложенное обнаружение краев (HED), использующее глубокое обучение, теперь интегрировано в модуль глубокого обучения OpenCV. Это намного лучше, чем обнаружение Canny on Edge, но немного медленнее. Вот цифра из статьи, которая сравнивает результаты с хитростью. Замечательно, что если вы хотите запустить этот метод в OpenCV сейчас, вы можете сделать это с помощью всего нескольких строк кода. В этом сообщении блога есть более подробная информация: Запуск обнаружения границ на основе глубокого обучения в OpenCV