[论文解读] A New Algorithm Based Entropic Threshold for Edge Detection in Images

Mohamed A. El-Sayed|arXiv (Cornell University)|Nov 12, 2012

Medical Image Segmentation Techniques参考文献 13被引用 51

一句话总结

本文提出了一种基于熵的新型阈值化算法，用于图像边缘检测，利用信息熵动态确定最优阈值，与传统的Canny、Sobel和LOG方法相比，显著提升了边缘检测的准确性并减少了计算时间。

ABSTRACT

Edge detection is one of the most critical tasks in automatic image analysis. There exists no universal edge detection method which works well under all conditions. This paper shows the new approach based on the one of the most efficient techniques for edge detection, which is entropy-based thresholding. The main advantages of the proposed method are its robustness and its flexibility. We present experimental results for this method, and compare results of the algorithm against several leading edge detection methods, such as Canny, LOG, and Sobel. Experimental results demonstrate that the proposed method achieves better result than some classic methods and the quality of the edge detector of the output images is robust and decrease the computation time.

研究动机与目标

• 解决现有边缘检测方法在不同图像条件下缺乏鲁棒性的问题。
• 开发一种灵活且自适应的边缘检测技术，使其在不同光照和噪声条件下均表现良好。
• 在保持高质量边缘检测结果的同时，降低计算开销。
• 将所提方法与Canny、Sobel和LOG等成熟边缘检测算法进行对比评估。
• 证明基于熵的阈值化在提升边缘检测性能与一致性方面的优越性。

提出的方法

• 该方法以信息熵作为选择图像分割中最优阈值的首要标准。
• 通过最大化熵值将图像灰度级划分为前景和背景区域，从而增强边缘定位精度。
• 算法计算图像直方图的熵，并选择使该熵值最大的阈值。
• 对阈值化后的图像应用形态学操作以优化边缘轮廓。
• 通过避免复杂的迭代优化，使该方法在计算上更加高效。
• 通过在阈值化图像上应用梯度算子生成最终的边缘图，以突出显著的灰度变化。

实验结果

研究问题

• RQ1 与Canny和Sobel等经典方法相比，基于熵的阈值化是否能提升边缘检测的准确性？
• RQ2 所提算法在不同图像条件下，其计算效率和鲁棒性表现如何？
• RQ3 在图像直方图中最大化熵是否能带来更优的分割效果与更精确的边缘定位？
• RQ4 与LOG及其他先进边缘检测器相比，该方法的相对性能如何？
• RQ5 该算法能否在各种图像类型和噪声水平下保持高质量的边缘检测结果？

主要发现

• 与Canny、Sobel和LOG相比，所提方法在边缘连续性和噪声抑制方面表现出更优的边缘检测效果。
• 由于采用了高效的熵最大化方法，该算法显著降低了计算时间。
• 实验结果表明，该方法在各种图像类型和光照条件下均保持了鲁棒的性能。
• 基于熵的阈值化有效通过优化目标与背景区域之间的分离，增强了边缘定位能力。
• 与传统方法相比，输出的边缘图具有更高的精度并显著减少了误报。
• 在保留细微细节的同时，该方法在抑制虚假边缘方面优于经典技术。