低信噪比下曲线边缘的快速检测
介绍一种正式研究边缘检测中的微弱边缘问题的形式化方法,并引入了一些旨在检测嘈杂图像中微弱边缘的计算有效的多尺度边缘检测算法,其中包括针对直线和弯曲曲线的算法。这些算法可以有效地搜索大量的候选边缘,并展示了本文算法在模拟和挑战性实际图像的应用中的效用,并且最后基于这些方法开发了一种纤维检测和增强算法。
Jun, 2017
我们提出了一种使用基于大脑灵感的可训练 B-COSFIRE 滤波器的通用曲线结构检测器,可用于任何需要描绘曲线和细长结构的计算机视觉方法。通过在含有破裂路面的噪声图像数据集上达到最优效果,我们证明了这种方法的有效性(F-measure = 0.865)。
Jul, 2017
本文提出基于量子人工神经元思想的混合量子边缘检测方法,可在现阶段的噪声中等规模的量子计算机上实现,并通过方法的可扩展性实现了比以往更大范围的图像边缘检测。
Mar, 2022
本文提出了一种名为 ELSED 的局部线段检测算法,通过局部线段生长算法对梯度对齐像素进行连接以提高检测效率,同时引入了新的指标衡量线段检测器的准确性和可重复性,在多项实验中证明了该方法的高效性和准确性。
Aug, 2021
通过对边缘检测算法进行分析,我们研究了从卫星图像中自动提取海岸线的有效性。通过视觉和度量的比较,我们发现 Canny 算法的平均结构相似性指数(SSIM)为 0.8,检测到的边缘与参考边缘最为接近。然而,该算法在区分嘈杂边缘(如建筑物等)和海岸线边缘方面存在困难。此外,直方图均衡化和高斯模糊可分别将边缘检测算法的有效性提高 1.5 倍和 1.6 倍。
May, 2024
本研究通过系统性分析表明使用基于卷积神经网络的边缘检测器的检测结果并未正确定位边缘像素,通过一种新的优化架构,使用自上而下的反向优化路径对特征图进行逐步加精,本研究获得了比人类更准确的性能表现,在计算机视觉中的多个重要应用中取得了较好效果,尤其是在语义分割这一应用领域表现突出。
Jan, 2018
我们提出了一个可微分模型,用于明确地建模边界,包括轮廓、角点和交叉点,并使用我们称之为边界注意力的新机制。我们展示了即使边界信号非常弱或被噪声淹没,我们的模型也能提供准确的结果。与找到微弱边界的先前经典方法相比,我们的模型具有可微的优势,适用于更大的图像,并自动适应图像每个部分的适当几何细节水平。与通过端到端训练找到边界的先前深度方法相比,它具有提供亚像素精度、更具噪声鲁棒性以及能够以原生分辨率和长宽比处理任何图像的优势。
Jan, 2024
本文介绍了一种有效解决边缘检测中生成粗糙模糊边缘线的方法,该方法利用轻量级预训练主干网络、多尺度上下文信息聚合模块 (MCGI)、边界校正模块 (BCM) 和边界优化模块 (BRM) 来改善边缘图像的视觉效果,并通过基于 Tversky 指数的混合损失函数解决像素分布不平衡的问题。在三个标准基准数据集上进行实验,结果表明该方法在 BSDS500、NYUD-V2 和 BIPED 数据集上均取得了最佳性能。
Jun, 2024
使用深度学习模型,通过全卷积神经网络和深度监督网络技术实现图像到图像的预测,提出一种全局学习和多尺度特征学习的新型边缘检测算法 (HED),在 BSD500 和 NYU Depth 数据集上较以前的基于卷积神经网络的边缘检测算法拥有更快的速度 (平均 0.4 秒每张图像).
Apr, 2015