模糊边缘检测
Blurry edge detection
我对图像处理和识别的背景知识很少。我正在尝试检测灰度图像（例如肖像）上的主要 edges/grayscale 过渡。问题是在某些部分，边缘模糊（因为聚焦）。我正在使用具有多个阈值的 Canny 边缘检测器，但我永远无法检测到那些边缘（下巴、衣服、耳朵、脸的侧面……）
原图：
这是我得到的结果：胡子，锋利的边缘
这是我感兴趣的功能：主要灰色区域之间的过渡
边缘检测是解决此问题的正确工具吗？
谢谢！
UPDATE：使用 Deriche 过滤并在边缘检测之前将图像大小减半（使用 apertureSize=7），我让它的工作非常接近我想要的。
几乎不可能检测到这些边缘，因为它们太模糊了。
边缘检测通过分析周围像素颜色的快速变化来工作。模糊使像素变得平滑，这使得变化变得不那么强烈，因此没有检测到边缘。
您可以尝试在边缘检测之前应用强锐化过滤器，但是，我认为对于这种模糊量，边缘检测将无法按预期工作。
即使你提高边缘检测参数来检测那些模糊的边缘，你也会得到很多误报，使算法无用。
我唯一能想到的就是基本上裁剪区域，然后应用傅里叶 (DFT)。然后根据振幅阈值分离像素，保持模式并将其应用于您的主图像（或仅使用反向傅立叶）。或者，您可以尝试以指数级执行此操作，以扩大与背景对应的像素值与与图像对应的像素值之间的差距。
当然，所有这些建议都是 one-off 针对单张照片或在相同条件下拍摄的一系列照片（例如 MRI）量身定制的解决方案。
我真的没有看到以全自动方式执行此操作的很多可能性。
ANN 解决方案
如果想求助于 ANN（人工神经网络）并设计一个，这当然不能保证成功，但它会 - 至少在原则上 - 取决于它的设计程度。如果您想更深入地了解 ANN 在复杂图像处理中的使用，请阅读 IEEE 的这篇会议论文。
T. Kondo, J. Ueno, and S. Takao. Medical Image Recognition of Abdominal Multi-organs by Hybrid Multi- layered GMDH-type Neural Network Using Principal Component-Regression Analysis. In Second International Symposium on Computing and Networking (CANDAR), pages 157–163. Institute of Electrical and Electronics Engineers, IEEE, Dec. 2014.
自定义过滤器和数学原理
以下是您可能会觉得方便的一些数学原理：
值得尝试自定义过滤器，例如：
-------------
| 1 | 2 | 1 |
-------------
| 0 | 0 | 0 |
-------------
|-1 |-2 | 1 |
-------------
请注意，这不会过滤任何（完全）垂直线。但是，您可以调换它，这样它就会相反。您也可以尝试将滤镜应用于二值图像（黑白），而不是灰度图像。
对于这样的滤波器，您可能仍然希望对傅立叶进行计算以减少计算量并优化程序。
原则上，您可以用卷积来解释线性过滤：
Y = f[X; G] = X ⓧ G_{flip}
其中 G 是 kernel/mask 并且 G_{flip} 是翻转内核掩码。
卷积
二维卷积的定义为：
X ⓧ G = Summation(∞, k=-∞){Summation(∞, l=-∞) x[i-k, j-l].G[k,l]}
这不是您问题的完整答案，但我希望它能在一定程度上帮助您。
使用 canny-deriche 过滤器你可以找到：
完整代码为here
我对图像处理和识别的背景知识很少。我正在尝试检测灰度图像（例如肖像）上的主要 edges/grayscale 过渡。问题是在某些部分，边缘模糊（因为聚焦）。我正在使用具有多个阈值的 Canny 边缘检测器，但我永远无法检测到那些边缘（下巴、衣服、耳朵、脸的侧面……）
原图：
边缘检测是解决此问题的正确工具吗？ 谢谢！
UPDATE：使用 Deriche 过滤并在边缘检测之前将图像大小减半（使用 apertureSize=7），我让它的工作非常接近我想要的。
几乎不可能检测到这些边缘，因为它们太模糊了。
边缘检测通过分析周围像素颜色的快速变化来工作。模糊使像素变得平滑，这使得变化变得不那么强烈，因此没有检测到边缘。
您可以尝试在边缘检测之前应用强锐化过滤器，但是，我认为对于这种模糊量，边缘检测将无法按预期工作。
即使你提高边缘检测参数来检测那些模糊的边缘，你也会得到很多误报，使算法无用。
我唯一能想到的就是基本上裁剪区域，然后应用傅里叶 (DFT)。然后根据振幅阈值分离像素，保持模式并将其应用于您的主图像（或仅使用反向傅立叶）。或者，您可以尝试以指数级执行此操作，以扩大与背景对应的像素值与与图像对应的像素值之间的差距。
当然，所有这些建议都是 one-off 针对单张照片或在相同条件下拍摄的一系列照片（例如 MRI）量身定制的解决方案。
我真的没有看到以全自动方式执行此操作的很多可能性。
ANN 解决方案
如果想求助于 ANN（人工神经网络）并设计一个，这当然不能保证成功，但它会 - 至少在原则上 - 取决于它的设计程度。如果您想更深入地了解 ANN 在复杂图像处理中的使用，请阅读 IEEE 的这篇会议论文。
T. Kondo, J. Ueno, and S. Takao. Medical Image Recognition of Abdominal Multi-organs by Hybrid Multi- layered GMDH-type Neural Network Using Principal Component-Regression Analysis. In Second International Symposium on Computing and Networking (CANDAR), pages 157–163. Institute of Electrical and Electronics Engineers, IEEE, Dec. 2014.
自定义过滤器和数学原理
以下是您可能会觉得方便的一些数学原理：
值得尝试自定义过滤器，例如：
-------------
| 1 | 2 | 1 |
-------------
| 0 | 0 | 0 |
-------------
|-1 |-2 | 1 |
-------------
请注意，这不会过滤任何（完全）垂直线。但是，您可以调换它，这样它就会相反。您也可以尝试将滤镜应用于二值图像（黑白），而不是灰度图像。
对于这样的滤波器，您可能仍然希望对傅立叶进行计算以减少计算量并优化程序。
原则上，您可以用卷积来解释线性过滤：
Y = f[X; G] = X ⓧ G_{flip}
其中 G 是 kernel/mask 并且 G_{flip} 是翻转内核掩码。
卷积
二维卷积的定义为：
X ⓧ G = Summation(∞, k=-∞){Summation(∞, l=-∞) x[i-k, j-l].G[k,l]}
这不是您问题的完整答案，但我希望它能在一定程度上帮助您。
使用 canny-deriche 过滤器你可以找到：
完整代码为here