边缘检测综述

一．边缘检测综述

1.1基本概念介绍

开篇的一些废话……
其实，这里面介绍的整体还是比较基础、偏向新手入门的概念，不过本身自己也对这个领域了解的没多少，可能写的并不怎么样，但是对于自己而言，确实也花了不少时间，在写这个文档的过程中，因为有很多不明白的地方，倒逼着我去查一些资料。这里需要感谢很多人在网上分享的优质的博客，以及学长、老师的对我疑问的解答，也希望这之后这里的介绍能够帮一些新人入门，日后他人再查找时有一个垫脚石，同时，也可以作为自己的一个快速回顾，更多的是，在写的过程中，本身是有很多收获的。
除了最后的参考文献外，对我在canny算子的理解上有比较重要帮助的文章有OpenCV的官方文档；知乎上一个专栏数字图像处理：边缘检测，需要注意的是，这里的非极大值抑制讲的稍微有点问题，我在参考后已经更正。
谭升的博客也对我理解一下sobel算子的模板是怎么来的也提供了提供了一个新的角度，这里致谢！谭升的博客
阮一峰的博客对我理解图像与波的过程起了很大帮助！阮一峰：图像与波。这里也表示感谢！
还有一些学长也给我解释了一些问题，这里也要说声谢谢！

在最后再补充一下说明，这个本来是一个作业，要求是读一篇sci或者顶会论文。虽然说取其上者得其中，取其中者得其下，在最开始的时候，确实很多概念不懂，对于现在以及传统的方法具体是怎样的都不了解，最开始顶多知道如Matlab有个edge函数，Opencv也有现成的函数，但是这些是怎么实现的，他们背后的原理，我都不清楚。所以，我选取的还是那些博士、硕士论文作为经典边缘检测的一个参考，虽然这些普通的论文的质量相比于顶会论文差很多，但是对于新手而言可能会容易懂一些。

本人水平有限，如果文章哪里有错误的地方，请见谅并请指出，我会作出修改。

1.1.1边缘的定义及应用

什么是边缘？这个问题看起来基础但又至关重要，否则，边缘检测，连要检测的是什么都不知道，那检测出来的必然不会是好的结果。
目前，在传统的边缘检测中，都是把边缘定于为颜色急剧变化的区域。
在深度学习出现之前，传统的Sobel滤波器，Canny检测器具有广泛的应用，但是这些检测器只考虑到局部的急剧变化，特别是颜色、亮度等的急剧变化，通过这些特征来找边缘。但这些特征很难模拟较为复杂的场景，如伯克利的分割数据集(Berkeley segmentation Dataset)，仅通过亮度、颜色变化并不足以把边缘检测做好。2013年，开始有人使用数据驱动的方法来学习怎样联合颜色、亮度、梯度这些特征来做边缘检测。当然，还有些流行的方法，比如Pb, gPb，StrucutredEdge。为了更好地评测边缘检测算法，伯克利研究组建立了一个国际公认的评测集，叫做Berkeley Segmentation Benchmark。从图中的结果可以看出，即使可以学习颜色、亮度、梯度等low-level特征，但是在特殊场景下，仅凭这样的特征很难做到鲁棒的检测。比如上图的动物图像，我们需要用一些high-level 比如 object-level的信息才能够把中间的细节纹理去掉，使其更加符合人的认知过程（举个形象的例子，就好像画家在画这个物体的时候，更倾向于只画外面这些轮廓，而把里面的细节给忽略掉）。[1]

在CNN的方法中，在HED(Holistically-Nested Edge Detection)方法之前，都是采用局部的信息作为特征，把图像分解为很多patch，再去把从这些patch得到的特征合并。这样就是缺少高层次的特征，而在HED方法中，一改之前边缘检测方法基于局部策略的方式，而是采用全局的图像到图像的处理方式。即不再针对一个个patch进行操作，而是对整幅图像进行操作，为高层级信息的获取提供了便利。与此同时，该方法使用了multi-scale 和multi-level, 通过groundtruth的映射在卷积层侧边插入一个side output layer，在side output layer上进行deep supervision，将最终的结果和不同的层连接起来。[5]
[2]
这是HED方法与Canny算子检测效果的对比，可以看出HED方法比canny算法有一个明显的优势。这可能意味着之后边缘检测研究的发展方向。

[2]
如图所示，加上deep supervision后，该方法可以在不同尺度得到对应抽象程度的边缘。

[2]
可见，该方法的效果有了很大提升（最上面的蓝色线即是该方法）。
可以预见，未来的边缘的定义必将是更高层次的抽象，但是由于本人能力所限，同时，目前大部分传统的边缘检测方法中都是把边缘当作上面定义的“颜色急剧变化的区域”，因此，本文后面对于边缘的定义也是“颜色急剧变化的区域”。

边缘特征是图像的一个重要特征,图像的边缘一般是图像的灰度或者颜色发
生剧烈变化的地方,而这些变化往往是由物体的形状结构、外部的环境光照和物体
的表面对光线反射造成的。图像的边缘能直接反映物体的轮廓和拓扑结构信息。图
像边缘检测技术是数字图像处理、模式识别、计算视觉的重要基础之一。图像的边
缘检测技术广泛应用于工业检测、图像分割`,、运动检测、人脸识别和目标
跟踪等领域。图像边缘检测的结果直接影响物体检测和识别的效果。[3]

1.2边缘检测方法简介

对于传统边缘检测，目前大致有三类边缘检测方法：
图像中的边缘检测一直是机器视觉领域中的研究热点,从年代至今,人们已经从不同的角度、不同的应用背景提出了很多方法,归纳起来分为三大类。
第一类是经典的边缘检测方法,如微分算子法、最优算子法和拟合法等。
第二类是以能量最小化为准则的全局提取方法,其特征是运用严格的数学方法对此问
题进行分析,给出一维值代价函数作为最优提取依据,从全局最优的观点提取边缘,如松驰法。
第三类是以小波变换、数学形态学、模糊数学、分形理论等近年来发展起来的高新技术为基础的图像边缘提取方法,尤其是基于多尺度特性的小波变换提取图像边缘的方法是目前研究较多的课题。其中,以上每一类都包含各种不同的边缘检测算法。[1]
此外，还诞生了一些如基于神经网络的边缘检测等近年来新兴起的方式。
在这里，由于本人并没有深入、系统地学习过图像处理，能力所限，主要介绍一下经典的边缘检测