Canny Edge检测器的局限性是什么？

关于使用边缘检测的边缘检测算法和应用的大多数文献，都引用了Canny的边缘检测器。如此之多，以至于看起来几乎是边缘检测的“解决方案”。当然，它将在平衡噪声和保留边缘方面做得最好。

但是，出于好奇，Canny的边缘检测器是否值得关注？还是在Canny最好的应用领域？

在这种情况下，更快的实现并不是真正的问题。边缘检测器好坏的重点应该在于所生成边缘的质量和实用性。

另外，我确实不是在关注特定于实现的问题。我正在寻找算法固有的更多理论限制或特征。

根据我的经验，以下几点是限制：

• 结果为二进制。有时您需要测量“多少”边缘符合边缘标准（例如，强度图像来自Sobel幅度边缘检测器）
• 参数引线无限的调整用于获取只是量小了较好的效果。
• 您仍然需要连接生成的边缘以提取出完整的边缘，这对于人眼和心灵而言似乎是显而易见的。

• 同样由于高斯平滑：边缘的位置可能不正确，具体取决于高斯核的大小。

• 该方法存在转角和结点问题：

  • 高斯平滑使它们模糊不清，使它们更难检测（边缘本身也一样）
  • 角像素为相邻像素的方向错误，留下了开放的边缘，并且缺少连接

这最后一个问题可以通过SUSAN方法解决，该方法可以更好地连接边线，并且还可以实现良好的连接，如链接纸中给出的以下示例图所示：

测试输入图片：

结果SUSAN：

结果Canny：

您可以清楚地看到SUSAN可以找到角落和路口，而不是Canny。

还是在Canny最好的应用领域？

我可以想到一些：

• 如果您需要闭合曲线，则可以确保更好的检测器（例如，拉普拉斯零交叉或分水岭分割）
• 如果您要检测在某些区域对比度较低的同类物体，则使用全局信息的分割方法（例如分水岭分割）可以提供更好的结果

以我的经验，使用Canny边缘检测器进行边缘检测的过程会先平滑边缘，然后才能检测到边缘，并且滤波器的时间和长度必须完美匹配才能正确检测所有边缘。

我只想提及Canny检测器的一个局限性，那就是它的参数设置，这限制了它的应用。我认为参数设置不仅对于Canny检测器是一个问题，对于其他边缘检测方法也是一个问题。