تشخیص لبه بر اساس الگوریتم تطبیق سریع انتقال میانگین

تشخیص لبه مسلما مهم ترین عملیات در بینایی کامپیوتری به خصوص در بینایی سطح پایین کامپیوتر می باشد. انتقال میانگین یک الگوریتم تکرار شونده ای است که به طور گسترده ای برای تشخیص لبه مورد استفاده قرار می گیرد.اما هزینه محاسبانی الگوریتم انتقال میانگین به قدری بالا می باشد که آن را غیر قابل استفاده برای فضاهایی با ابعاد بالا کرده است.در این مقاله ، یک الگوریتم تطبیق سریع انتقال میانگین سریع برای تشخیص لبه پیشنهاد شده است.این الگوریتم از یک تقریب نزدیک ترین روش جست و جو همسایه ها استفاده می کند ، به عنوان مثال LSH (محل حساس به هش شدن(خرد شدن))ابتدا استفاده می شود، که به طور چشمگیری سبب کاهش تکرار محاسبه در ابعاد بالا می شود.علاوه بر آن،روند LSH می تواند برای تعیین پهنای باند پنجره کرنل (هسته) انطباقی نیز به ما کمک کند.نتایج تجربی نیز بیانگر موثر بودن روش پیشنهادی ما می باشد.

Edge detection is arguably the most important
operation in low level computer vision. Mean shift is
an effective iterative algorithm widely used in edge
detection. But the cost of computation prohibits Mean
shift algorithm for high dimensions feature space. In
this paper, a fast adaptive mean shift algorithm is
proposed for edge detection. It makes use of one
approximate nearest neighbors search method, i.e.
LSH (Locality-Sensitive Hashing) firstly, which
dramatically reduces the computation of iterations in
high dimensions. Moreover, the LSH procedure can
help to determine the bandwidth of the kernel window
adaptively. The experimental results show the
effectiveness of the proposed approach