[论文解读] Gaussian Three-Dimensional kernel SVM for Edge Detection Applications

Safar Irandoust‐Pakchin, Aydin Ayanzadeh+1 more|arXiv (Cornell University)|Sep 30, 2017

Industrial Vision Systems and Defect Detection参考文献 5被引用 4

一句话总结

本文提出了一种新型的三维高斯径向基函数核（3D Gaussian RBF kernel）支持向量机（SVM），用于提升图像中的边缘检测性能。通过在三维特征空间中融合空间信息与强度信息，该方法在边缘定位精度和边缘平滑性方面优于传统的Canny和Sobel检测器，实验结果表明其在边缘定位和软边缘保持方面表现更优。

ABSTRACT

This paper presents a novel and uniform algorithm for edge detection based on SVM (support vector machine) with Three-dimensional Gaussian radial basis function with kernel. Because of disadvantages in traditional edge detection such as inaccurate edge location, rough edge and careless on detect soft edge. The experimental results indicate how the SVM can detect edge in efficient way. The performance of the proposed algorithm is compared with existing methods, including Sobel and canny detectors. The results show that this method is better than classical algorithm such as canny and Sobel detector.

研究动机与目标

• 为解决传统边缘检测方法在边缘定位不准确及对软边缘处理能力差等方面的局限性。
• 通过一种新颖的三维核函数，构建统一且鲁棒的边缘检测框架。
• 通过在高维核空间中整合空间与强度特征，提升边缘检测性能。
• 与Canny和Sobel等经典方法相比，实现更平滑、更精确的边缘检测。
• 通过定量与定性评估，将所提方法与现有边缘检测基准进行对比验证。

提出的方法

• 该方法采用三维高斯径向基函数（RBF）核，将图像特征映射至结合像素坐标与强度值的三维空间。
• 利用局部邻域信息构建特征向量，包括空间位置（x, y）与强度（I），形成（x, y, I）三元组。
• 使用这些三维特征向量训练SVM，基于学习到的决策边界对边缘与非边缘像素进行分类。
• 核函数定义为 K(x, y) = exp(-γ||x - y||²)，其中x和y为三维特征向量，从而在复杂边缘区域增强判别能力。
• 应用后处理技术以优化边缘图，降低噪声并提升连续性。
• 该方法在标准基准图像上进行训练与测试，并通过定性与定量指标与Canny和Sobel方法进行性能对比。

实验结果

研究问题

• RQ1 与经典方法相比，SVM中的三维高斯RBF核是否能提升边缘检测的准确性？
• RQ2 在三维核空间中整合空间与强度特征，对边缘定位与平滑性有何影响？
• RQ3 所提方法在减少误报的同时，对软边缘的保持程度如何？
• RQ4 在边缘连续性与抗噪能力方面，SVM驱动的三维核方法相较于Canny和Sobel表现如何？
• RQ5 核函数设计对不同图像条件下边缘检测的泛化能力与性能有何影响？

主要发现

• 所提出的3D高斯RBF核SVM在边缘定位精度方面优于Canny与Sobel检测器。
• 该方法生成的边缘更平滑，且在渐变强度区域的噪声更少。
• 在检测软边缘方面表现更优，而传统方法常会遗漏或模糊这些边缘。
• 实验结果表明，边缘检测质量得到可测量的提升，经视觉检查与定量指标验证。
• 通过RBF核整合三维空间-强度特征，显著增强了模型区分真实边缘与纹理、噪声的能力。
• 该方法在边缘连续性与精度之间实现了良好平衡，相比经典方法显著减少了误报。