[论文解读] New Edge Detection Technique based on the Shannon Entropy in Gray Level Images

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

Medical Image Segmentation Techniques参考文献 21被引用 50

一句话总结

本文提出了一种新型灰度图像边缘检测方法，该方法利用香农熵代替图像导数，如Baljit和Amar方法所述。通过优化基于熵的阈值处理，该方法减少了CPU运行时间，并在多种测试图像上提升了边缘检测的鲁棒性，相较于原始方法在速度和输出质量方面均表现更优。

ABSTRACT

Edge detection is an important field in image processing. Edges characterize object boundaries and are therefore useful for segmentation, registration, feature extraction, and identification of objects in a scene. In this paper, an approach utilizing an improvement of Baljit and Amar method which uses Shannon entropy other than the evaluation of derivatives of the image in detecting edges in gray level images has been proposed. The proposed method can reduce the CPU time required for the edge detection process and the quality of the edge detector of the output images is robust. A standard test images, the real-world and synthetic images are used to compare the results of the proposed edge detector with the Baljit and Amar edge detector method. In order to validate the results, the run time of the proposed method and the pervious method are presented. It has been observed that the proposed edge detector works effectively for different gray scale digital images. The performance evaluation of the proposed technique in terms of the measured CPU time and the quality of edge detector method are presented. Experimental results demonstrate that the proposed method achieve better result than the relevant classic method.

研究动机与目标

• 解决基于导数的边缘检测方法存在的计算效率低下及对噪声敏感的问题。
• 提升在各类灰度图像（包括真实世界图像和合成图像）中边缘检测的鲁棒性。
• 在保持或提升边缘检测质量的同时，减少CPU执行时间。
• 通过实证比较验证基于熵的边缘检测方法相较于基于导数方法的优越性。

提出的方法

• 该方法用香农熵评估替代梯度计算，以检测灰度图像中的边缘。
• 通过基于熵的阈值处理识别显著的灰度变化，代表边缘。
• 算法通过熵计算处理图像块或像素，以定位边缘区域。
• 该方法经过优化，以最小化计算负载，相比基于导数的方法显著减少CPU时间。
• 通过分析图像中局部熵的变化来执行边缘检测，突出信息含量高的边界。
• 使用标准测试图像、真实世界图像和合成数据集对方法进行评估，以进行对比分析。

实验结果

研究问题

• RQ1 香农熵能否有效替代图像导数用于边缘检测？
• RQ2 与基于导数的技术相比，基于熵的方法是否能减少CPU执行时间？
• RQ3 所提出的方法在不同图像类型中的边缘检测质量表现如何？
• RQ4 与传统方法相比，基于熵的方法是否对噪声和灰度变化更具鲁棒性？

主要发现

• 与Baljit和Amar方法相比，所提出方法显著减少了CPU时间，表现出更高的计算效率。
• 边缘检测结果在多种灰度图像（包括真实世界和合成数据集）中表现出更强的鲁棒性。
• 该方法在保持细节方面优于经典的基于导数的方法，尤其在保留精细特征方面表现更优。
• 定量评估证实，该方法在速度和边缘保真度方面均表现更优。
• 基于熵的方法能有效识别物体边界，且对噪声的敏感性更低。