Не могли бы вы описать эффекты для изменения различных параметров детектора краев Canny?

Последние пару вопросов коснулись детектора краев Canny

Каковы ограничения детектора края Canny? и
лучший способ сегментации вен в листьях?

Основная схема алгоритма следующая:

а. Применить гауссову свертку. (Выбор будет сделан здесь) б. Применить 2D производную c. Отслеживание через ребра этого края и пороговое значение (установите пиксели на ноль, которые не на краю) с помощью гистерезиса ниже и выше T0 и T1 (выбор T 0 и T 1 будет сделан здесь). $\sigma$

$T0$$T1$

Прочитайте это для получения дополнительной информации.

В то время как утверждается, что Кэнни является оптимальным ; при получении вопросов , практические результаты, настройки факторов, перечисленных выше , и T 1 делает большой разницы.$\sigma, T0,$$T1$

Так как же выбрать эти параметры (настройки) практически? Даже если нет определенного подхода или ценности, каков общий способ узнать это?

Следующий http://www.kerrywong.com/2009/05/07/canny-edge-detection-auto-thresholding/ является одним из немногих ресурсов, который показывает, как выбрать пороги Tlow и Thigh

В соответствии с этим для картины, которая достаточно распространена в историограмме, можно выбрать T_low = 0,66 * среднее значение изображения и T_high = 1,33 * среднее значение.

Однако, когда изображение недостаточно растянуто, следует использовать медиану, а не среднее значение изображения.

Если зазор между T_low и T_high очень мал, результирующие ребра будут меньше по непрерывности и, следовательно, будет больше дробей. По мере увеличения разрыва у вас будет больше однолинейных ребер.

Что касается сигмы, то при увеличении сигмы сглаживание увеличивается, и зашумленные края исчезают, но в то же время расположение краев также может немного изменяться. См. Этот документ, http://www.cse.unr.edu/~bebis/CS791E/Notes/EdgeDetection.pdf, и результаты на стр. 29 показывают этот эффект.