Каковы ограничения Canny Edge Detector?

В основном в литературе, посвященной алгоритмам обнаружения кромок и приложениям, в которых используется обнаружение кромок, упоминается детектор кромок Canny. Настолько, что это выглядит почти как «решение» для обнаружения краев. Конечно, он лучше всего справится с балансировкой шума и сохранением краев.

Однако, как любопытство, есть ли область беспокойства для детектора края Кэнни? или есть области применения, где Canny не будет лучшим?

В этом контексте более быстрая реализация не имеет большого значения. В центре внимания детектора кромок - хорошее или плохое - должно быть качество и полезность генерируемых кромок.

Кроме того, я действительно не сосредотачиваюсь на конкретных вопросах реализации. Я ищу более теоретические ограничения или характеристики, присущие алгоритму.

Исходя из моего опыта, следующие пункты являются ограничениями:

• Результат является двоичным. Иногда вам нужно измерить, «насколько» край квалифицируется как край (например, изображение интенсивности, полученное с помощью детектора амплитудных краев Собеля)
• Количество параметров приводит к бесконечной настройке для получения только этого немного лучшего результата.
• Вам все еще нужно соединить получающиеся ребра, чтобы извлечь полные ребра, которые кажутся настолько очевидными для человеческого глаза + разума.

• Также из-за гауссова сглаживания: расположение ребер может быть отключено, в зависимости от размера гауссова ядра.

• Метод имеет проблемы с углами и перекрестками:

  • Гауссово сглаживание размывает их, затрудняя их обнаружение (то же самое касается самих краев)
  • Угловые пиксели смотрят в неправильных направлениях для своих соседей, оставляя края с открытым концом и пропуски соединений

Эта последняя проблема решается методом SUSAN , который лучше соединяет ребра, а также приводит к хорошим переходам, как показано на следующих рисунках, приведенных в связанном документе:

Тест входного изображения:

Результаты SUSAN:

Результаты Canny:

Вы можете ясно видеть, что SUSAN находит углы и перекрестки вместо Canny.

или есть области применения, где Canny не будет лучшим?

Я могу думать о нескольких:

• если вам нужны замкнутые кривые, детектор, который может гарантировать, что они могут быть лучше (например, пересечение нуля сегментации лапласиана или водораздела)
• если вы пытаетесь обнаружить однородный объект с низким контрастом в некоторых областях, метод сегментации, использующий глобальную информацию (например, сегментацию водораздела), может дать лучшие результаты

По моему опыту, процесс обнаружения краев с помощью хитрого детектора краев сглаживает края, прежде чем их можно будет обнаружить, а время и длина фильтра должны идеально подходить для обнаружения всех краев без ошибок.

Я просто хочу упомянуть одно ограничение детектора Canny, которое препятствует его применению, и это настройка параметров. Я думаю, что установка параметров - это не только проблема детектора Canny, но и проблема других методов обнаружения краев.