我们分析了用于自动海岸线检测的边缘检测算法的有效性，通过评估 RMSE、PSNR、SSIM 和 FOM 等评估指标，发现 FOM 是选择最佳阈值的最可靠指标。相对于 RMSE、PSNR 和 SSIM，在这次实验中，FOM 在 92.6% 的时间内选择到更好的阈值，在 66.3% 的时间内选择到最佳阈值。而 RMSE、PSNR 和 SSIM 的选择率分别仅为 6.3%、6.3% 和 11.6%。通过重新解释 RMSE、PSNR 和 SSIM 的混淆矩阵度量，我们提出了对这些结果的解释，这表明这些评估指标不仅在这次实验中效果不好，而且在一般的边缘检测评估中也不实用。

May, 2024

本文提出了一种新的多尺度方法来检测嘈杂图像中的曲线边缘，算法基于候选曲线，针对高噪声情况进行全局处理，实现了较快的运行时间，同时在各种具有挑战性的嘈杂图像上获得了可比较甚至更好的边缘检测质量。

May, 2015

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

边缘检测是计算机视觉各种任务中的一项基本技术，本文提出了一种新的自我监督方法用于边缘检测，通过多级、多同态变换技术将注释从合成数据集转移到真实世界数据集，并开发了 SuperEdge 模型，可同时在像素级和对象级粒度上提取边缘，相较于现有的 STEedge 方法，在 BIPEDv2 数据集上展示了 ODS 和 OIS 方面分别提高了 4.9% 和 3.3% 的边缘检测改进。

Jan, 2024

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

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

通过使用深度学习、几何后处理方法和基于实例分割的 Mask R-CNN 模型来改进自动宗地绘制检测质量，其中关键方法是引入基于口袋的简化算法，实验结果表明该方法优于 Douglas-Puecker 算法。

Aug, 2023

该论文使用 BIPED 数据集，使用接收器操作特征（ROC）分析方法来评估边缘检测器，探讨了在 Matlab 中应用该技术的优缺点。作者通过定制技术提高了 Laplacian，Laplacian of Gaussian 和 Canny 等过滤器的性能，从而更准确地评估边缘检测器的综合表现。

May, 2023

通过引入小波变换卷积神经网络方法，利用 Sentinel-1 SAR-C 双极化数据获取了印度西部沿海区域海洋监视和海事监测中的船舶检测，并获得了 95.46% 的检测准确率，进而实现了对海洋船舶的自动监测和外来船只的识别。

Apr, 2023

基于人工智能技术的 LiDAR 图像边缘检测方法优于传统方法，在检测准确性和计算效率方面具有显著的实际应用价值。

Jun, 2024