图像边缘检测算法可研究内容

 图像中明显变化的像素点，包括明暗变化、颜 色变化、深度不连续、表面方向变化等范畴，都属于边缘。通过边缘检测，能够大幅减少图像数据量，在保留重要的结构属性同时，剔除弱相关信息。边缘检测是众多图像分析和计算机视觉任务中解决问题的首要步骤，比如对高层视觉特征的成功识别建立在边缘效果上。计算机视觉中的边缘检测任务由此衍生了许多其他课题的研究。在阅读与边缘检测相关的文献过程中，我们归纳出以下三个问题。进一步通过这些问题的解决，使边缘检测技术得到改进。

（1）融合多尺度思想。真实世界中，图像数据总会被噪声干扰，因此图像平滑是边缘检测的必要预处理步骤。平滑程度与尺度是对应的，当平滑程度即尺度参数发生变化时，边缘可能会有错位、消失、分岔等各种复杂的变化，且多尺度技术给出边缘结果时有共同的问题：如何融合不同尺度的边缘？或进行融合的思想是什么？为了解决这个问题，本文将分析尺度空间中边缘的行为。具体来说，我们需要根据边缘的相互影响，分析边缘在尺度空间中的演化过程，确定边缘随着尺度变化的位置，通过这样的理论基础来融合不同尺度的边缘信息；

（2）单尺度参数局限。灰度图像的边缘检测在低尺度上会产生噪声等不必要的细节，而高尺度会使边缘位置精度降低，这就是单尺度的局限。边缘跟踪即以连续的某种方式从一条边缘跨尺度跟踪到其他边缘，可以解决抗噪性与精度的冲突，但这种方法引起了一个疑问：跨越多个尺度的跟踪方式是什么？Ma等人的跟踪策略是粗尺度到细尺度方向；Halber的跟踪思想相反，采用了细尺度到粗尺度方向的跟踪。由于边缘行为的复杂性，这些单向的跟踪策略依然会存在漏检、误检的边缘，因此一种基于边缘尺度空间理论基础的、新的跨尺度的双向跟踪技术需要被探讨；

（3）色 彩信息的忽略。尽管灰度图像的边缘检测性能得到了提升，但是，灰度边缘检测算法依然面临一些问题：比如一张灰度化后灰度值处处相等的图像，用灰度边缘检测算法不能检测出符合人眼的边缘。同时，随着视频处理等需求，彩图像的边缘检测有更广泛的应用，因此，彩色 图像的边缘检测也是很重要的。RCF算法将彩色 图像的金字塔输入到网络结构后，计算平均值得到最终边缘图，不同于这种显示融合方法，在计算彩 色梯度向量时隐式融合类方法可以更好地利用特征。