Sobel - 版本历史

2025年6月10日 (二) 00:36 Yakeworld

2025-06-10T00:36:59Z

2025年6月10日 (二) 00:30 Yakeworld

2025-06-10T00:30:46Z

2025年6月3日 (二) 03:14 Yakeworld

2025-06-03T03:14:56Z

2025年5月30日 (五) 08:57 Yakeworld

2025-05-30T08:57:21Z

10.10.0.2：创建页面，内容为“Edge detection is a cornerstone of image processing, yet existing methods often face critical limitations. Traditional deep learning edge detection methods require…”

2025-03-04T03:30:35Z

创建页面，内容为“Edge detection is a cornerstone of image processing, yet existing methods often face critical limitations. Traditional deep learning edge detection methods require…”

新页面

Edge detection is a cornerstone of image processing, yet existing methods often face critical limitations.

Traditional deep learning edge detection methods require extensive training datasets and fine-tuning, while classical techniques often fail in complex or noisy scenarios, limiting their real-world applicability.

To address these limitations, we propose a training-free, quantum-inspired edge detection model.

Our approach integrates classical Sobel edge detection, the Schrödinger wave equation refinement, and a hybrid framework combining Canny and Laplacian operators.

arXiv:2501.18929

Defective Edge Detection Using Cascaded Ensemble Canny Operator

Edge detection has been one of the most difficult challenges in computer vision because of the difficulty in identifying the borders and edges from the real-world images including objects of varying kinds and sizes. Methods based on ensemble learning, which use a combination of backbones and attention modules, outperformed more conventional approaches, such as Sobel and Canny edge detection. Nevertheless, these algorithms are still challenged when faced with complicated scene photos. In addition, the identified edges utilizing the current methods are not refined and often include incorrect edges. In this work, we used a Cascaded Ensemble Canny operator to solve these problems and detect the object edges. The most difficult Fresh and Rotten and Berkeley datasets are used to test the suggested approach in Python. In terms of performance metrics and output picture quality, the acquired results outperform the specified edge detection networks
arXiv:2411.14868

笔记：
这篇论文短小，架构可以借鉴。
canny算法改良的关键步骤包括：
1. 梯度值计算算子改进
2. 自动化高低阈值设定或者边缘连接算法改进

Edge Connection Based Canny Edge Detection Algorithm1
改良Canny算法，这篇论文也非常适合参考学习。

Song, Renjie; Zhang, Ziqi; Liu, Haiyang (2017). Edge connection based Canny edge detection algorithm. Pattern Recognition and Image Analysis, 27(4), 740–747. doi:10.1134/S1054661817040162

An Improved Canny Edge Detection Algorithm
http://sci.bban.top/pdf/10.1109/icma.2014.6885761.pdf#view=FitH
提出一个新的soble卷积核

←上一版本		2025年6月10日 (二) 00:36的版本
第86行：		第86行：

	傅里叶贝塞尔转换		傅里叶贝塞尔转换
		+	fourier-bessel transform
		+
		+	傅里叶贝塞尔转换在处理具有圆对称的问题时非常有效，尤其是筛选和分析圆形或者环形结构时。
		+	通过傅里叶-贝塞尔变换，可以将图像或信号丛空域转换到频域，并利用贝塞尔函数的性质来提取与圆形结构相关的频率成分。
		+	1. 图像进行傅里叶变换
		+	2. 转换到极坐标
		+	3. 引用傅里叶-贝塞尔变换
		+	4. 识别共振频率

←上一版本		2025年6月10日 (二) 00:30的版本
第75行：		第75行：
	高斯函数偏导数		高斯函数偏导数
	高斯函数+sobel算子		高斯函数+sobel算子
		+
		+
		+
		+	傅里叶转换频阈空间，寻找共振函数
		+	圆环结构属于傅里叶变换属于贝塞尔函数
		+	采用圆卷积核可以实现共振。
		+	通过改变圆卷积核半径，分析卷积后图像变化，可以找到共振卷积核以及合适的卷积核半径。
		+	问题：
		+	能否直接通过图像傅里叶变换后的频域图直接找到共振函数？
		+
		+	傅里叶贝塞尔转换

@@ 第54行： / 第54行： @@
 采用不同高斯函数偏导数监测边缘梯度并进行非极大值抑制
 合并多尺度边缘
 . 边缘跟踪
 强边缘即大尺度边缘作为种子扩展到小尺度边缘
 孤立的没有和强边缘连接的被抑制

←上一版本		2025年5月30日 (五) 08:57的版本
第33行：		第33行：
	http://sci.bban.top/pdf/10.1109/icma.2014.6885761.pdf#view=FitH		http://sci.bban.top/pdf/10.1109/icma.2014.6885761.pdf#view=FitH
	提出一个新的soble卷积核		提出一个新的soble卷积核
		+
		+
		+	所有 sobel-like卷积核都属于高斯函数偏导数离散近似。
		+
		+	为满足不同尺度检测需求，canny算法通常需要首先进行高斯平滑。
		+	高斯平滑 * 梯度算子等同于一个大高斯核的高斯函数偏导数。
		+	所以引出的问题：
		+	1. 如何自适应高斯核参数
		+	2. 高斯金字塔
		+
		+
		+
		+	## canny算法改进
		+	1. 高斯平滑和边缘梯度梯度检测可以合并
		+	高斯平滑*微分=高斯函数偏导数
		+
		+	2. 非极大值抑制
		+
		+	3.多尺度合并
		+	采用不同高斯函数偏导数监测边缘梯度并进行非极大值抑制
		+	合并多尺度边缘
		+
		+	4. 边缘跟踪
		+	强边缘即大尺度边缘作为种子扩展到小尺度边缘
		+	孤立的没有和强边缘连接的被抑制