Canny - 版本历史

2025年8月5日 (二) 02:28 Yakeworld

2025-08-05T02:28:56Z

2025年7月25日 (五) 08:31 172.18.0.1

2025-07-25T08:31:32Z

2025年7月25日 (五) 08:11 Yakeworld

2025-07-25T08:11:34Z

2025年7月25日 (五) 08:08 Yakeworld

2025-07-25T08:08:22Z

2025年7月22日 (二) 00:36 Yakeworld

2025-07-22T00:36:03Z

2025年7月18日 (五) 08:33 Yakeworld

2025-07-18T08:33:30Z

2025年7月18日 (五) 07:49 Yakeworld

2025-07-18T07:49:52Z

2025年7月15日 (二) 02:21 Yakeworld

2025-07-15T02:21:03Z

2025年7月15日 (二) 00:01 Yakeworld

2025-07-15T00:01:25Z

2025年7月11日 (五) 08:56 Yakeworld

2025-07-11T08:56:16Z

←上一版本		2025年8月5日 (二) 02:28的版本
第308行：		第308行：
	让模型在前向传播的过程中就直接输出一个满足NMS约束的细化的边缘图。		让模型在前向传播的过程中就直接输出一个满足NMS约束的细化的边缘图。
	DSCD(Deep structural contour detection):设计一个可微的NMS层（或模块），并将其嵌入到神经网络中		DSCD(Deep structural contour detection):设计一个可微的NMS层（或模块），并将其嵌入到神经网络中
		+
		+
		+
		+
		+	如何融合和筛选不同尺度的边缘是迫切需要解决的问题。
		+	每一个尺度实施2D NMS 获取边缘，构建三维尺度空间边缘。
		+	通过条件来筛选边缘。
		+	1. 每一边界元成为边缘的时刻应该是在本源巅峰尺度
		+	可以进一步通过三维尺度空间来进行筛选，获取其它特征来进行筛选。
		+
		+	边缘定义为梯度的嵴线。
		+	NMS是获取边缘的有效方法。
		+	面临的问题是尺度空间边缘的合并和筛选。
		+
		+	我们的框架成为有用的筛选工具。
		+	1. 巅峰尺度
		+	2. 第一个生命周期
		+
		+	## 分类
		+	3. 生命的开始是因为光度的增加：黑暗边缘
		+	4. 生命的开始是因为光度的减少：亮边缘
		+	5. 三维结构分离

←上一版本		2025年7月25日 (五) 08:31的版本
第250行：		第250行：

	不合格边界元的定义，可以规范边缘的位置，使得不同尺度空间获得的边缘保持一致，不会出现虚假边缘。		不合格边界元的定义，可以规范边缘的位置，使得不同尺度空间获得的边缘保持一致，不会出现虚假边缘。
−	~~区别时不同尺度空间，获取不同结构的边缘。~~	+	区别是不同尺度空间，获取不同结构的边缘。
−
−
−
−
−
−
−

		+	我们希望对边缘进行准确的定义。
		+	从原始图片来看，边缘应该是确定性的，只是结构和细节的问题，是筛选的问题。
		+	不管是清晰边缘还是模糊边缘，其边缘位置应该是固定的，不能因为高斯平滑sigma不同而发生变化。
		+	但是，目前的类似Canny算法的单尺度空间边缘获取方法就存在这个问题。
		+	3D NMS 结合光度不增原理，可以解决自适应尺度空间问题。
		+	我们需要结合光度三维尺度图、梯度三维尺度图对三维边缘图进行处理。
		+	在三维尺度空间，光度增加但上一个尺度为死亡，其后尺度的边缘都不合格。
		+	在小尺度空间没有资格成为边界元的，在大尺度空间，同样没有资格成为边界元。

←上一版本		2025年7月25日 (五) 08:11的版本
第251行：		第251行：
	不合格边界元的定义，可以规范边缘的位置，使得不同尺度空间获得的边缘保持一致，不会出现虚假边缘。		不合格边界元的定义，可以规范边缘的位置，使得不同尺度空间获得的边缘保持一致，不会出现虚假边缘。
	区别时不同尺度空间，获取不同结构的边缘。		区别时不同尺度空间，获取不同结构的边缘。
		+

←上一版本		2025年7月25日 (五) 08:08的版本
第226行：		第226行：
	劣势：		劣势：
	更高运算量		更高运算量
		+
		+	3D NMS 取得极大的成功。关键点是梯度尺度方向导数需要尺度归一化。
		+	理论上，这是获取边缘的正确方法。其实现简洁优美。
		+
		+	各个结构在尺度空间实际上时分离的，需要在不同的尺度获取不同结构的边缘。
		+
		+	基于本源梯度获取边缘时可行的，存在的问题是边界元可能存在多个生命周期，也就是在不同的尺度空间属于不同的结构。
		+	可以根据巅峰梯度来获取大结构的边缘。
		+	2D NMS是3D NMS算法的已经简便替代。
		+
		+	边缘是尺度相关的，必须建立这样的观念。
		+	Canny算法在单个尺度获取的边缘，存在测不准问题。高斯平滑小sigma能获取准确清晰边缘（小尺度），但是不能获取模糊边缘（大尺度）。反之，高斯平滑大sigma能获取模糊边缘（大尺度），但是不能获取准确清晰边缘（小尺度）。
		+	3D NMS算法和2D NMS算法也可能存在差异，主要是部分结构边缘存在于不同尺度空间，难以用单个像素宽度来表示其边缘。
		+
		+	自适应尺度空间概念也无法解决Canny算法单个尺度缺陷问题，如果定义边缘为单个像素宽度。
		+	在不同尺度空间，根据最强梯度强度获取的边缘是会变动的。
		+	预处理消除伪边缘至关重要。
		+	1. 生命开始是由于光度增加的，不能成为边缘，适用于所有生命周期。
		+	2. 生命还没有结束，出现光度增加的，可以成为边缘，其融合入大结构。
		+	不合格边界元的综合判断标准是上一刻是死亡的，下一个出现光度增加。
		+	如此，可以消除所有伪边缘。
		+	3D NMS是在梯度三维尺度空间进行的，进行预处理消除不合格边界元，有利于获取准确的3D边缘。
		+
		+	不合格边界元的定义，可以规范边缘的位置，使得不同尺度空间获得的边缘保持一致，不会出现虚假边缘。
		+	区别时不同尺度空间，获取不同结构的边缘。
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+
		+

@@ 第214行： / 第214行： @@
 可以根据特征来筛选边缘或直接在边缘获取过程施加筛选条件。
 我们可以分析BSDS500人类提取的边缘在尺度空间的分布特征，探索人类边缘特征。
 ## 3D 特征提取

←上一版本		2025年7月18日 (五) 08:33的版本
第224行：		第224行：
	1.作为NMS边缘图筛选条件，输出边缘图，计算损失函数。		1.作为NMS边缘图筛选条件，输出边缘图，计算损失函数。
	2.作为初始点，结合梯度图找到局部最大梯度点。		2.作为初始点，结合梯度图找到局部最大梯度点。
		+
		+
		+	让模型在前向传播的过程中就直接输出一个满足NMS约束的细化的边缘图。
		+	DSCD(Deep structural contour detection):设计一个可微的NMS层（或模块），并将其嵌入到神经网络中

←上一版本		2025年7月18日 (五) 07:49的版本
第217行：		第217行：
	## 3D 特征提取		## 3D 特征提取
	3D尺度空间多维特征		3D尺度空间多维特征
		+
		+
		+
		+	## 混合模型
		+	原始图片，输出概率图
		+	1.作为NMS边缘图筛选条件，输出边缘图，计算损失函数。
		+	2.作为初始点，结合梯度图找到局部最大梯度点。

@@ 第209行： / 第209行： @@
 ## 3D NMS
-建立尺度空间图像场，获取尺度空间梯度三维结构，每一个像素根据梯度为0分割未不同周期，每一个周期提取最大梯度，由此建立三维空间点云。
+建立尺度空间图像场，获取尺度空间梯度三维结构，每一个像素根据梯度为0分割为不同周期，每一个周期提取最大梯度，由此建立三维空间点云。
 尺度空间3DNMS总是比较和分析临近点最近尺度最大梯度值。
 所有最大梯度值均经过比较和分析，由此可以获取三维的边缘结构。
 可以根据特征来筛选边缘或直接在边缘获取过程施加筛选条件。

←上一版本		2025年7月15日 (二) 00:01的版本
第207行：		第207行：
	大尺度空间存活，具备特征唯一性即可。		大尺度空间存活，具备特征唯一性即可。
	特征是有生命周期的，部分特征在特定尺度空间存活。		特征是有生命周期的，部分特征在特定尺度空间存活。
		+
		+	## 3D NMS
		+	建立尺度空间图像场，获取尺度空间梯度三维结构，每一个像素根据梯度为0分割未不同周期，每一个周期提取最大梯度，由此建立三维空间点云。
		+	尺度空间3DNMS总是比较和分析临近点最近尺度最大梯度值。
		+	所有最大梯度值均经过比较和分析，由此可以获取三维的边缘结构。
		+	可以根据特征来筛选边缘或直接在边缘获取过程施加筛选条件。

@@ 第203行： / 第203行： @@
 巅峰梯度图可以获取大结构边缘，其缺点是丢失边缘细节
 高阶导数作为像素特征可能是有效的
-###
+### 尺度空间像素特征提取
-尺度空间像素特征提取
+本源梯度，方向，梯度尺度空间导数最大值，梯度方向尺度空间导数最大值，
-本源梯度，方向，梯度尺度空间导数最大值，梯度方向尺度空间导数最大值
+大尺度空间存活，具备特征唯一性即可。