基于连通成分的新型边缘评价方法：结合A、B、C及比值的评估策略

本文介绍了一种新的基于连通成分的边缘评价方法，由林卉、舒宁和赵长胜共同提出，主要针对图像边缘检测中的性能评估问题。传统的边缘评价方法，如Kitchen的方法，仅关注边缘线型的连接程度，而忽视了错检、漏检和边缘偏移等问题。Venkatesh的方法虽提高了评价准确性，但需要依赖标准边缘图，这在实际应用中往往难以获取。 作者的新方法摒弃了对标准边缘图的依赖，直接通过对边缘图计算总的边缘点数(A)，即检测到的像素值为1的数量，来衡量边缘的密集程度。此外，还引入了4-连通成分数(B)和8-连通成分数(C)，分别表示边缘在4邻域和8邻域内的连通性。这些指标能够反映边缘线型的完整性，从而间接评估边缘的连接程度。 通过计算C与A、B的比值(C/A和C/B)，这种方法可以更全面地评价边缘的连续性和完整性。比值越大，表明边缘线型的连接度越高，边缘检测的效果越好，反之则可能存在较多的错检和漏检。这种方法不仅实用性强，而且具有一定的通用性和参考价值，尤其适合于处理加噪图像，提供了一种更加客观且无需额外标准参考的边缘评价框架。 总结来说，该方法的核心思想是通过量化边缘点数、连通成分和不同邻域的连通性，构建一个多维度的评价体系，旨在提高边缘检测的准确性和鲁棒性。这对于优化边缘检测算法的性能评估和选择具有重要的理论和实践意义。