《表2 边缘检测方法及其数据测量》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《图像的边缘检测技术研究进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

我们列出了表2中代表性方法的最大F-measure。从表中可以发现，传统基于梯度的边缘检测算子Roberts、Sobel、Prewitt在BSDS300数据集上实现的F-measure值约为0.48，Canny边缘检测的F-measure为0.58。而通过基于统计学习的方法，F-measure从0.63变化到0.74。通过gPb[31]和SCG[40]获得具有灰度信息的最高F-measure值为0.74。根据BEL[37]，gPb[31]和SCG[40]提供的经验评估及颜色信息的整合将F-measure值提升约0.02～0.03。基于tPb边缘响应预测和基于顺序标记的边缘链接，在BSDS500数据集上的最高F-measure值为0.74[34]。此外，SFE算法的BSDS500数据集的最高F-measure值为0.74[38]。因此，基于统计学习的边界检测比基于差异化的边缘检测更加精确。除了测量精度，计算效率也是评估的一个关键问题。在所有基于学习的方法中，只有SFE[38]是实时的。BEL[37]和SFE[38]是基于通用描述符和特征选择分类算法（即用于BEL的Boosting和用于SFE的随机森林），它们具有相对低的计算成本，但该算法不适用于基于稀疏码计算的SCG[40]。SFE是计算成本最高的方法[38]，其全局信息和边缘链接的整合虽然增加了F-measure值，但计算时间也增加了。