圖像的邊緣檢測技術研究進展?

張 巖 趙玉濤 李光旭 鄭洲洲 張 森

（青島科技大學機電工程學院 青島 266061）

1 引言

圖像邊緣通常是指其周圍像素灰度急劇變化的那些像素的集合，集中了圖像的大部分信息，是圖像最基本的特征之一。邊緣檢測在圖像處理、圖像分析和計算機視覺領域等方面有著重要的研究意義，廣泛應用于圖像分割［1］、動作分析［2］、物體識別［3］、視覺跟蹤［4］和工業檢測［5］等領域。傳統邊緣檢測方法，如Roberts算子［6］、Sobel算子［7］、Prewitt算子［8］、LoG（Laplacian of Gaussian）算子［9］和Canny算子［10］等，主要通過微分算子計算像素階躍性變化，通過對灰度躍變的分析來確定圖像中的邊緣。隨著機器學習技術的快速發展，基于統計機器學習的方法［29～31，34～35，37～40］被引入圖像輪廓和邊緣檢測中，此類方法通常采用卷積或類似卷積對數字圖像進行灰度分析來確定圖像的邊緣。然而，這些方法仍無法有效地提取受復雜圖像內容影響的語義信息［11］。CNN（Convolutional Neural Network）在計算機視覺領域上取得了重大進展，如圖像識別［12～13］，對象檢測［14～15］，語義分割［16～17］等。CNN具有自動提取高質量圖像語義信息的能力，在圖像邊緣檢測方面已經提出了一系列基于 CNN 的邊緣檢測器［11，52，54～55，57～58］。

基于經典差分的邊緣檢測通過梯度算子能夠識別具有亮度變化的像素位置。基于微分的邊緣檢測方法僅以強度的對比度來檢測邊緣，因此它們普遍存在噪聲敏感性的缺點，在紋理區域中有很明顯的邊緣響應。僅使用梯度信息進行邊緣檢測也會導致圖像的內部邊緣，這就是造成圖像噪聲的原因。其主要致力于研究多分辨率分析，亞像素定位和確定滯后閾值，來提高其邊緣檢測的檢測性能。基于統計學習的邊界檢測采用監督學習算法來對邊緣和非邊緣像素進行分類，可以抑制在紋理區域中廣泛出現的內部邊緣，比傳統邊緣檢測算法更加精確。并且通過學習檢測到的邊緣更接近人類視覺感知到的圖像邊緣。基于CNN的邊緣檢測方法能夠融合圖像邊緣的多級信息，從而提取更豐富的特征，并且這些特征可以在不同級別之間直接進行信息交互。將更有效的深度學習網絡架構運用到邊緣檢測成為目前一個新的研究領域。

本文根據兩類邊緣檢測方法原理的不同，將其分為基于差異化的邊緣檢測、基于統計學習的邊緣檢測和基于CNN的邊緣檢測分別進行分析討論。

2 邊緣檢測問題的界定

傳統邊緣檢測算法通常通過對鄰域內像素灰度求一階導數、二階導數及梯度來實現，這些計算經過化簡的結果稱為算子，算子表示一種操作符號，同時也表示一種運算規則。邊緣大致可以分為階梯狀邊緣、脈沖狀邊緣和屋頂裝邊緣。階梯狀和脈沖狀邊緣兩邊的像素值呈階躍性變化，而屋頂狀邊緣的灰度值是逐漸變化的，其邊緣在灰度值變化的轉折處，如圖1所示。

圖1 圖像邊緣特性

邊緣檢測的結果常用灰度圖或者二值圖來表示，源圖像中的邊緣部分用灰度較高的像素表示，而沒有邊緣的部分在灰度圖中顯示為黑色或灰色。邊緣檢測結果圖中的灰度值可以直接通過算子計算原圖像中對應像素的灰度差分來得到。幾乎所有的邊緣檢測思想均是以像素灰度差分為基礎的。在實現時，由于灰度差分的結果通常較小，直接轉換為灰度圖會使檢測結果模糊，可以使用閾值因子對差分結果進行縮放，從而得到清晰的邊緣圖像。如圖2所示。

圖2 灰度圖與雙閾值后的圖像

表1 邊緣檢測方法分類

3 邊緣檢測方法的分類

根據邊緣檢測方法原理的不同，將其分為基于差異化和基于機器學習的方法。其中，機器學習包括統計學習和卷積神經網絡。邊緣梯度的輸出通常用作基于學習的方法輸入。具體分類如表1所示。

3.1 基于差異化的邊緣檢測算法

3.1.1 梯度算子

一階微分邊緣算子也稱為梯度邊緣算子，如圖3（a）所示Prewitt算子模板和如圖3（b）所示Sobel算子模板，它利用了圖像在邊緣處的階躍性，即圖像梯度在邊緣區的極大值的特性進行邊緣檢測。梯度矢量的大小決定邊緣信息的強度，其方向決定了邊緣信息的趨勢。二階微分邊緣檢測算子是利用圖像在邊緣處的階躍性導致圖像二階微分在邊緣處出現零值這一特性進行邊緣檢測的，該算子稱為拉普拉斯算子，如圖3（c）所示算子模板。使用二階微分算子檢測邊緣的方法較為簡單，但它對噪聲十分敏感，同時也不提供邊緣方向的信息。為了實現對噪聲的抑制，Marr提出了高斯拉普拉斯（LoG）的方法［9］，LoG采用高斯函數作為低通濾波器對圖像進行平滑。方向性差異，如OE（Oriented Energy）［18］采用一些不同方向的濾波器來獲得亮度變化。在文獻［6］、［8］中提出的早期邊緣檢測算子，為了抑制噪聲的干擾，在使用高斯濾波器時為了獲取最佳的整體邊緣檢測性能會丟失一部分邊緣信息。基于差異化的邊緣檢測檢測過程簡單，但對噪聲敏感，因此很少獨立地用于識別邊緣。較傳統一階、二階差分邊緣檢測算法相比，基于三階差分濾波器模板的邊緣檢測算法對圖像邊緣和細節信息的增強效果，因此能夠得到更多的圖像邊緣信息［19］。

圖3 基于區分的邊緣檢測算子模板

3.1.2 Canny算子

John Canny等人在對已有邊緣檢測算法進行系統總結的基礎上，提出了經典的Canny邊緣檢測算子［10］。在對信號和濾波器做出一定假設條件下，利用數值計算方法求出最優濾波器，并對各種濾波的性能進行比較。首先，用二維高斯模板進行卷積以消除雜點，通過一維偏導數的有限差分來計算梯度的幅值和方向；其次，對梯度幅值的非極大值進行抑制，用雙閾值算法檢測和連接邊緣；最后，利用多尺度綜合技術對結果進行優化。Canny邊緣檢測算子因其優異的檢測效果和對受白噪聲影響的階躍型邊緣的最優性能仍在廣泛應用。文獻［20］提出了一個基于Canny的改進算法，該算法的邊緣連接性較強，不僅保留了傳統Canny算法的優越性，而且檢測結果能夠保留更加完整、全面的圖像細節信息。此外，在文獻［21］中將改進的Canny算法應用于圖像分割，不僅能夠消除復雜背景圖像在邊緣過程中的影響檢測和字符分割，還可以獲得準確的邊緣位置和良好的分割效果。

3.1.3 其他

由于人類視覺是多分辨率的，多分辨率邊緣檢測主要通過整合不同尺度的邊緣響應，利用高斯平滑與邊緣跟蹤相結合來檢測多尺度的邊緣。基于小波分析理論的Shearlet變換［22］創建了多尺度方向的圖像表示，可用于定位不同尺度圖像的不連續性。根據人類視覺模型能夠自動選擇最合適的邊緣檢測尺度的特性［23］，采用多尺度自適應各向異性擴散方程對圖像進行平滑，即去除了較高密度脈沖信號又能更好地保留邊緣輪廓信息，從而獲得較理想的邊緣輪廓［24］。閾值選擇對于二值化的邊緣響應至關重要。Canny邊緣檢測中使用的閾值處理有助于生成完整且連續的邊緣曲線。在所選區域內使用梯度直方圖來得到高閾值或低閾值，確定滯后閾值并構造邊緣點的子集［25］。亞像素邊緣檢測的主要目標在于提高邊緣的定位精度。實驗證明，多重插值在亞像素邊緣定位中發揮著重要作用［26］。文獻［27］通過在感興趣的區域中計算矩陣，以構建用于亞像素級精度的模型。此外，色彩邊緣檢測也得到人們的進一步研究，顏色模型與邊緣確定技術相結合應用于顏色邊界的檢測［28］。

3.1.4 討論

基于經典差分的邊緣檢測方法，通過梯度算子來識別亮度變化的像素位置，這些梯度算子現在仍然被廣泛使用。基于微分的邊緣檢測方法利用對比度的強度進行檢測，因此它們普遍存在噪聲敏感的缺點。例如，邊緣響應若在紋理區域中僅使用梯度信息可能導致內部產生噪聲。作為進一步的圖像表示的低級預處理，Canny邊緣檢測成為生成連接單響應邊被廣泛應用。

目前，基于差異化的邊緣檢測主要涉及三個重要問題，分別是亞像素邊緣檢測、多尺度邊緣分析和滯后閾值處理。亞像素邊緣檢測是為了提高定位精度，多尺度邊緣分析和滯后閾值處理是為了提高檢測精度。

3.2 基于學習的邊界檢測

3.2.1 基于統計學習的框架

基于差異化的邊緣檢測側重于檢測圖像灰度的階躍性變化，但它在紋理區域產生粗糙的邊緣響應，需要抑制由紋理引起的內部邊緣以獲得不同區域之間的邊界。BSDS（Berkeley Segmentation Data?sets and Benchmarks）將人工標記的自然圖像邊界包含在數據集中。通過手動標記的邊界圖像作為神經網絡訓練圖像，建立基于統計學習的邊緣檢測框架，提取多個低級圖像特征并將其組合到模型中以進行邊緣響應的訓練，從而將邊緣點與平滑區域區分開。我們列出了基于統計學習的邊緣檢測方法，其學習框架的框架如圖4所示。

圖4 基于統計學習的邊界檢測框架

3.2.2 基于邊界概率的多尺度邊緣檢測

Pb（邊界概率）［29］邊緣檢測在多個局部特征中提取亮度梯度、紋理梯度和顏色梯度，應用Logistic回歸來組合這些線索的距離，并學習預測邊緣響應的判別模型。由于邊緣響應與尺度相關，因此提出了基于Pb的多尺度邊緣檢測器［30～31］。與基于微分的邊緣檢測類似，不同尺度邊緣的組合和定位是目前要解決的兩個重要問題。MS-Pb［30］集成了 Pb［29］的多尺度邊緣響應、附加定位和相對對比度信息，以確定多尺度的圖像邊緣。附加定位指在各個尺度上從像素到最接近的峰值之間的Pb響應距離，相對對比度表明局部區域的歸一化邊緣響應程度。

gPb（全局邊界概率）［31～32］將三個尺度的Pb邊緣響應和全局信息線性地組合進行輪廓檢測。多尺度圖像被組合成一個能夠確定像素之間相似性的親和矩陣。譜聚類用于全局計算與輪廓信息對應的親和矩陣的特征向量［33］。tPb（基于紋理的邊界概率）［34］使用隨機放置的窗口中紋理變化的平均值來估計邊緣響應。Pb邊緣特征被納入Any Boost分類器，其基于F-measure的優化標準（即F-measure Boosting）用于邊界檢測［35］。

3.2.3 生成字典單詞的邊緣檢測

除了先前定義的通道進行對比之外，也可以將現有的特征描述符（例如，Haar小波和SIFT［36］）應用為字典單詞，并將它們納入到用于預測邊緣響應的分類器中。基于決策樹概率提升的檢測方法（BEL）［37］利用Boosting決策樹順序選擇在不同的位置和尺度上生成的通用特征（例如，DoG響應和Haar小波的直方圖），構建用于邊緣檢測的判別模型。此外，基于隨機決策樹的檢測方法（SFE）［38］將顏色和梯度通道以及成對差異輸入分類器，建立映射結構化的的離散空間標簽，每個結構化標簽標記補丁內的邊緣像素，最終隨機森林的聚合引起邊緣響應。基于 BEL［37］和 SFE［38］的邊緣檢測方法均具有相對低的計算成本，并能夠將自動生成字典單詞作為邊緣概率輸入到確定的分類器中。例如，將稀疏編碼表示應用于生成邊緣響應的字典單詞。在文獻［39］中，使用判別稀疏編碼算法來學習圖像的稀疏表示，訓練線性分類器來組合稀疏編碼的多尺度重建誤差并獲得邊緣響應。SCG（稀疏代碼梯度）檢測［40］使用稀疏編碼自動生成通用特征，并且支持向量機（SVM）分類用于學習模型以區分邊緣和非邊緣。

3.2.4 邊緣跟蹤和輪廓分組

邊緣跟蹤主要是鏈接孤立和待識別的邊緣點。輪廓分組利用全局信息改善邊界檢測性能，從而能夠獲得連續的曲線和封閉的區域邊界。在輪廓分組中需要考慮分散邊緣片段的空間關系，在輪廓分組模型中使用諸如鄰近度和連續性的Gesalt因子。圖模型已廣泛應用于分組因子的制定，比如將基于圖模型的學習算法用于訓練邊緣片段的空間和共現關系。在文獻［35］中探索了歸一化的輪廓顯著性，并將輪廓分組用于解決離散優化問題。馬爾可夫隨機場和條件隨機場（CRF）模型［41～42］是廣泛應用的分割技術，用于捕獲相鄰輪廓之間的相互作用并建立輪廓連接。順序貝葉斯框架則是對邊緣片段進行分組，在文獻［43］中，原始邊緣片段通過形狀信息被分類為邊緣，在離線步驟中學習了多種邊緣類型的檢驗和判定，為輪廓元素分組構造了粒子濾波框架。

邊緣跟蹤和輪廓分組是生成連續邊緣線或曲線的步驟。邊緣跟蹤是在將孤立的邊緣點連接到邊緣線或曲線，輪廓分組則是獲得不同對象之間的邊界。連接和分組邊緣對于對象識別和圖像理解有重要作用，從連接邊緣的分析中能夠直接獲取形狀信息。因此，Canny和Pb邊緣檢測器的響應被廣泛用作具有形狀的對象類識別的基礎，其中檢測到的響應被視為目標邊界信息，準確度和精密度是評估邊緣檢測性能的重要指標。

3.3 基于CNN的邊緣檢測

3.3.1 CNN網絡構架

有四種基本的CNN，包括廣泛用于計算機視覺 的 VGGNet［44］，GoogLeNet［45］，ResNet［46］和DenseNet［47］。其中，VGGNet和 GoogLeNet分別有16層和22層，由于VGGNet具有簡單和多級的網絡架構，而且對其他數據集具有良好的泛化能力。因此它廣泛用于邊緣檢測［52，54，56～57］。ResNet是一種極其深入的網絡結構，在數據集上能夠實現比VGG?Net更好的檢測性能。DenseNet擁有一個更復雜的卷積網絡架構，它直接連接到密集塊內的每個前層，因此它在圖像分類方面比VGGNet和ResNet的速度慢。另外，HybridNet［48］是一種混合卷積網絡，以VGGNet和ResNet作為兩個基本卷積網絡，將VGGNet的低級層和ResNet的高級層組合在一起，使用 VGGNet的 conv1_2，conv2_2和 conv3_3提取低級功能，使用ResNet的res3d，res4f和res5c的高級層作為輔助分支的基礎層。HybridNet的架構如圖5所示。

圖5 混合卷積網絡HybridNet的架構

3.3.2 基于CNN的邊緣檢測器

一些早期基于CNN的方法利用最后的完全連接層作為對邊緣和非邊緣像素進行分類。為了融合多級信息，有兩種典型的CNN架構，完全卷積網絡（FCN）［51］和整體嵌套網絡（HED）［52］。FCN最初設計用于語義分割，并且在邊緣檢測方面也實現了高性能。該方法首先從最后一層CNN產生概率圖，然后通過將概率圖與從較低級別特征逐級產生的概率圖相加來更新概率圖。HED是一種比FCN更有效的邊緣檢測架構，它結合了以并行方式生成的多個概率圖來融合多級信息。FCN和HED都以基于概率圖的方式融合多級信息。但是，在這些方法中，不同級別的特征不能直接進行交互。

最新的邊緣探測器利用更深的CNN，可以自動提取圖像中的多級特征。Ganin和Lempitsky提出了第一個基于 CNN 的邊緣檢測器 N4-Fields［53］，它采用CNN來提取圖像塊的特征，并使用最近鄰點將提取的特征與邊緣塊的預定義特征進行匹配。沉等人［54］將邊緣檢測作為分類問題，并將每個圖像塊分類為若干預定義形狀類別之一。Bertasius等人［55］提出了一種級聯邊緣檢測器，首先使用結構化邊緣（SE）［56］生成候選輪廓點，并采用CNN生成最終邊緣圖。這些早期基于CNN的方法主要預測補丁到類范例中的邊緣圖。謝等［52］提出了一種新穎的方法，即整體嵌套網絡（HED），以圖像到圖像的方式檢測邊緣。HED是一種多尺度網絡，它結合了多個側面輸出，能夠融合圖像多級信息，并以極快的速度預測邊緣圖。楊等［57］將邊緣檢測擴展到物體輪廓檢測，旨在檢測更高級別的物體輪廓。他們還提出了一種新穎的架構，可以通過編碼器-解碼器網絡來檢測物體輪廓。Maninis等［58］提出了一種基于ResNet的HED式邊緣探測器，用于預測輪廓的強度和方向。這是一種基于概率圖的方法。在文獻［48］中提出了一種新的基于CNN的網絡構架，使用VGGNet（16層）和ResNet（50層）作為基本CNN構架來執行邊緣檢測，它以基于特征圖的方式融合多層信息，并生成高質量的混合卷積特征（HCF），用于檢測圖像到圖像中的邊緣，沒有任何后期處理的方式。同時，添加一個輔助分支，以幫助主分支提取強大的高級功能。并且提取的豐富特征可以在不同級別之間直接進行信息交互，如圖5所示。

3.3.3 討論

基于學習的邊緣檢測是一個值得我們關注的熱點。伯克利分割數據集和基準的出現推動了它的發展。邊緣檢測被建模為分類邊界點的分類問題，使用統計學習算法和多圖像數據集來構建用于確定邊緣響應的模型。基于傳統學習的方法可以利用多個圖像進一步訓練，通過邊緣檢測器和距離函數公式來測量顏色、紋理、亮度通道中的區域差異。分類算法用于組合多個距離測量，由于距離測量與邊界點直接相關，因此簡單的線性算法就能滿足性能需求。現有實驗表明，通過平均成對子窗口中的紋理距離，也可以實現相當的性能。其他基于學習的方法將自動生成的字典單詞（即稀疏代碼、密集定義的Haar特征、成對比較特征）饋送到分類器中。在某些情況下，需要使用分類算法（例如Boosting和隨機森林）來選擇有效的字典單詞，選擇簡單的計算字典單詞可以減少計算量。

這些方法仍無法有效地提取受復雜圖像內容影響的語義信息。為了提高性能，基于卷積神經網絡的邊緣檢測方法利用基本CNN網絡構架的優勢，能夠融合圖像邊緣的多級信息，從而提取更豐富的特征。同時，從VGGNet和ResNet開發的混合卷積網絡，利用網絡各自的優勢，以基于特征圖的方式有效地融合多級信息，并產生高質量的混合卷積特征，用于圖像到圖像的邊緣檢測。

4 邊緣檢測的評估

視覺特征檢測的評估非常重要，雖然可以通過人工觀察直觀地評估視覺特征檢測［49］，但它不具備大規模數據庫的功能。邊緣檢測一般需要對檢測精度、定位誤差和計算效率這三個標準進行評估。計算效率可以通過檢測時間成本來衡量；定位誤差可以從二維空間中的誤差距離進行計算；檢測精度的測量是多種多樣的，其關鍵思想是找到對應關系。不同之處在于對應的定義，第一種對應指基于將檢測到的響應與人類標記的實況相匹配，第二種指匹配相關圖像中檢測到的響應。

圖6 人工標記（Human）的標準圖像邊緣

BSDS用于評估邊緣檢測［50］。該數據集的早期版本包含300個圖像，具有200個訓練圖像和100個測試圖像。之后又添加了200個地測試圖像，數據集總共擴展到500個圖像。為每個圖像提供5～10個帶有分數的帶標記的邊界，并提供公共基準，基準測試的目標是為算法的邊界生成分數。通過發現檢測到的邊緣響應與人工標記（Human）的真實圖像邊緣之間的對應關系來實現邊緣檢測的評估，如圖6所示。典型的BSDS數據庫為每個圖像提供幾個人工標記的邊界圖，附加實值（F-measure）測量的參數曲線用于評估邊緣檢測性能［59］。利用固定閾值，可以通過邊緣檢測方法獲得二進制檢測響應，檢測到的響應與人工標記的真實邊界匹配。

真陽性Ntp被定義為匹配響應的數量。假陽性Nfp定義為檢測到的響應的數量，其不能與人工標記圖像相匹配。假設有Np個標記的邊緣點。精度（Precision）定義為真陽性與所有檢測到的響應數之間的比率。回憶（Recall）是確定真陽性和人工標記的真實邊界之間的比例。

當存在多個實況圖時，二進制檢測到的響應與每個人類標記的邊界圖匹配。回憶（Recall）定義為通過匹配每個地圖獲得的召回率的平均值。假陽性被定義為檢測到的響應的數量，其不能與任何人類標記的真實邊緣匹配。通過式（1）、（2）進一步計算，得到更高精度和召回率的檢測。常用的F-measure定義為

0<α<1是平衡精確度（P）和回憶（R）重要性的權重，通常α=0.5，即F=2P*R（/R+P）。我們將算法的精確回憶曲線中最大的F-measure值作為其匯總統計量，如圖7所示。此外，在文獻［60～61］中，還提出其他邊緣檢測的測量評估方法。

圖7 邊界基準算子在Berkeley分割數據集（BSDS500）基準上的精確度-回憶曲線

表2 邊緣檢測方法及其數據測量

我們列出了表2中代表性方法的最大F-mea?sure。從表中可以發現，傳統基于梯度的邊緣檢測算子Roberts、Sobel、Prewitt在BSDS300數據集上實現的F-measure值約為0.48，Canny邊緣檢測的F-measure為0.58。而通過基于統計學習的方法，F-measure從0.63變化到0.74。通過gPb［31］和SCG［40］獲得具有灰度信息的最高F-measure值為0.74。根據 BEL［37］，gPb［31］和 SCG［40］提供的經驗評估及顏色信息的整合將F-measure值提升約0.02～0.03。基于tPb邊緣響應預測和基于順序標記的邊緣鏈接，在BSDS500數據集上的最高F-measure值為0.74［34］。此外，SFE算法的BSDS500數據集的最高F-mea?sure值為0.74［38］。因此，基于統計學習的邊界檢測比基于差異化的邊緣檢測更加精確。除了測量精度，計算效率也是評估的一個關鍵問題。在所有基于學習的方法中，只有 SFE［38］是實時的。BEL［37］和SFE［38］是基于通用描述符和特征選擇分類算法（即用于BEL的Boosting和用于SFE的隨機森林），它們具有相對低的計算成本，但該算法不適用于基于稀疏碼計算的SCG［40］。SFE是計算成本最高的方法［38］，其全局信息和邊緣鏈接的整合雖然增加了F-mea?sure值，但計算時間也增加了。

早期基于CNN的邊緣檢測器，包括N4-Fields［53］，DeepContour［54］和 DeepEdge［55］，主要預測補丁到類范例中的邊緣，以及最近的基于CNN的方法，如HFL［62］，HED［52］，CEDN［57］等等，以圖像到圖像的方式推斷圖像邊緣，以圖像到圖像方式執行的方法擁有更大的感受域、多級的CNN特征以及完全卷積的網絡架構［52］。HCF［48］利用一種新的卷積網絡，以基于特征圖的方式有效地融合多級信息，并產生高質量的混合卷積特征。同時從VGGNet和ResNET開發的HybridNet中提取高級和低級功能。通過人工標記邊緣獲得的理想F-measure值為0.803。因此，HCF能夠達到0.806的F-measure值，優于人類標注的邊緣。

因此我們可以得出，與基于差異的方法相比，由于基于差異化的邊緣檢測沒有區分紋理邊緣，基于統計學習的邊緣檢測可以實現更好的檢測效果。而基于CNN的邊緣檢測通過深度學習檢測到的邊緣更接近人類視覺感知到的圖像邊緣，最新的深度學習檢測方法甚至優于人類標注的邊緣。

5 結語

邊緣檢測通常用作其他視覺任務的基礎技術，因此應該簡單有效。所提出的方法應符合這一目的，使其更容易參與其他視覺系統。我們應當將新方法、新觀念和先進有益的成果引入圖像邊緣檢測的領域，促進邊緣檢測的進一步發展。

從研究現狀來看，首先，我們需要為蓬勃發展的計算機視覺應用設計更有效的邊緣檢測方法。整合有效的學習邊緣檢測方法能夠在檢測精度和檢測速度上取得平衡。再者，我們應考慮擴展所提出的方法以實現更快的速度。在新的數據集上探索和設計新的CNN構架，能夠在提取高質量的高級和低級特征之間取得良好的折衷，并開發能夠進行實時檢測的方法。