这项人工智能研究开发出了一种免受噪声干扰的方法，可以在没有先前成像的情况下检测物体边缘
突破性人工智能研究开发：无需先前成像，轻松探测物体边缘，免受噪声干扰
计算机视觉中对鲁棒且高效的边缘检测算法的研究受到了显著的关注。边缘检测方法，包括基于微分操作的传统边缘检测算法和基于神经网络的尖端边缘检测算法，对安全、环境感知和医疗等领域产生了重大影响。由于图像处理方法可以还原出边缘信息，因此对于传统的边缘提取来说，必须有目标对象的完整照片。因此，边缘识别的成功与输入图像的质量密切相关。然而，在复杂环境中，如有雾、浑浊的水和生物组织遮挡的场景，特别是光污染严重的场景中，常规光学成像技术很难获取清晰的目标图像。这可能导致最终图像的边缘检测质量下降。
在发表于《智能计算》的研究中，引入了一种敏感边缘单像素成像方法。这种创新方法在使用传统光学方法获取好的图像变得困难，由于光污染严重等因素，可以正确地检测目标边缘，尽管存在噪声。
仅最近建立了基于单像素敏感边缘检测算法的可行性。直接的抗噪声敏感边缘单像素成像（ESI）方法提供了一个高质量的边缘提取方法，不需要任何预处理成像或后期处理。ESI通过将Hadamard基模式与二阶差分算子进行卷积，获取边缘敏感的Hadamard光谱，以检测边缘，绕过了对任何预先成像的需求。ESI使用二值调制模式来加快边缘检测速度并提高信噪比（SNR）。
- 使用Amazon SageMaker Data Wrangler自动修订PII以供机器学习使用
- 送上来的『击倒计数2』云端串流：实现更高帧率的绝佳选择
- Next-Level Computing：NVIDIA和AMD提供强大的工作站加速人工智能、渲染和模拟功能
开发了一种SESI边缘检测技术，只使用ESI的一半调制模式，依然能快速检测边缘。因此，SESI可以以一半的时间看到边缘，使基于单像素的边缘检测更加实用。拉普拉斯算子和高斯拉普拉斯算子（LoG）是常见的二阶差分算子的两个例子，在本文中占据了大部分讨论。理论和实际评估均证实了它们对边缘检测模拟和实验结果的影响。尽管存在大量背景噪声，这些测试表明ESI和SESI能直接从图像中提取出锐利的边缘。
通过使用SI形式的计算成像，可以将场景的光照与特定目标相匹配。在这项研究中，光照模式是根据特定的边缘检测目标而创建的。端到端优化的计算成像，也就是为特定任务（如边缘检测）创建光照模式，与本文的工作类似。边缘检测的光照模式是使用一种既确定性又可解释的数学模型构建的。相比之下，端到端优化的光照模式是使用基于数据驱动的人工智能想象的，通常涉及优化。端到端优化实现全局最优性的门槛较高。本研究仅关注一对代表性的二阶差分算子生成的光照模式。
传统的SI通过投影匹配的调制基模式来获取对象的图像，然后使用逆变换或压缩感知图像恢复技术重建目标图像。
这项研究中，研究人员使用二阶差分算子将典型的Hadamard单像素成像模式进行卷积，创建了调制模式。这种差分边缘检测方法的抗噪声能力得到了显著提高，可以清晰准确地检测出边缘。尤其令人印象深刻的是该方法能够实时检测边缘，甚至对于移动物体也能进行检测，这表明其在不可见光谱中用于隐蔽安全检查具有潜力。该研究还提出了这一新方法的单轮变体，通过对边缘检测使用更少的调制模式来将检测时间缩短了一半。尽管进行了这种简化，但该系统仍然使用了更少的调制模式，并且具有较以前已发表的边缘检测方案更高的信噪比。
通过预编码调制模式，这种新技术可以以“无图像”方式产生即时结果，可在图像处理中应用于广泛的领域。因此，在包含背景噪声时，可以更好地结合同态滤波和其他图像处理技术。未来的改进预计将包括研究人员对端到端优化和在本研究中使用的光照模式进行优化的探索。
本文解释了拉普拉斯和LoG运算符如何影响ESI方案的弹性。模拟研究表明，拉普拉斯ESI和LoG ESI在SNR方面具有相似的噪声鲁棒性，而拉普拉斯ESI具有更锐利的边缘。实验结果与模拟结果一致。LoG ESI创建了更粗糙的边缘。所提出的ESI方法为检索对象的边缘图像提供了一种替代方法，并提供了创新的想法，即传统图像处理技术可以事先编码为调制模式，然后以“无图像”的方式直接提供结果。这个额外的维度非常重要，因为预编码的调制模式对周围环境的干扰和噪声具有免疫力。预编码只是增强结果的众多图像处理技术之一，其中包括同态滤波。在这项工作中开发的光模式可以进行微调，并用作整个系统优化的起点。
