轮廓(contour)是图像目标(imagery object)的典型特征，而轮廓检测是计算机视觉领域的重要研究方向。要解决一些实际性问题，如目标识别、场景理解等，轮廓检测算法(contour detection algorithms)是基础。当前，有很多研究者专注于此，也取得了不少进展。

所谓轮廓，即物体的外围或图形的外框。轮廓检测旨在从图像中提取可体现物体形状的曲线(curves)。实际上，人们对于轮廓的定义只是基于常识，目前尚无数学上的正式定义。

来自网络

轮廓与两个概念关系密切：边缘(edge)和边界(boundary)，这两个概念对应着图像中目标在光度(photometrical)特征、几何(geometrical)特征和物理(physical)特征上的不连续性(discontinuities)。在设计特殊检测仪(special detectors)时，这三方面的区别越明显，就越有利于进行特征选择(feature selection)。

D.R. Martin等人将边界(boundary)定义为图像的轮廓(contour)，体现了一个目标到另一个目标像素(pixel ownership)的变化。还有一些研究者倾向于将轮廓视为兴趣区域(interesting regions)的边界。此时，轮廓检测仪(contour detectors)并不能保证可以产生闭合的轮廓(closed contours)，也不能将图像分成不同的区域。当轮廓不是区域的边界(region boundaries)时，会经常出现上述问题。由此可见，轮廓(contour)和边界(boundary)这两个概念虽然紧密相关，却并非完全一样。

边缘由图像中强度函数(intensity function)的变化来体现，可通过特定的低水平图像特征(low-level image features)来检测，如亮度(brightness)或颜色(color)。因此，边缘检测是一种低水平技术(low-level technique)，可应用于边界或轮廓检测(boundary or contour detection)。

来自文章

如上图所示，四种可用于检测轮廓的经典方法为：光照变化(luminance change)、纹理变化(texture change)、感知分类(perceptual grouping)、错觉轮廓(illusory contour)。前两种情况下，轮廓可由区域边界(regions boundaries)得出。后两种情况下，全局关系(global relations)可帮助感知轮廓(perception of a contour)。

轮廓检测是一项非常困难的工作，因为在实际操作中会出现各种各样的问题和变化。通常，在只能获取局部特征时，检测仪很难得出理想结果，特别是对于那些有纹理(textures)、低对比度(low-contrast objects)、或者含有大量噪声的图像(severely noisy images)。为了提升性能，研究者们研发出了更加复杂的检测仪，它们需要高水平信息(high-level information)，有时甚至是先验知识(prior knowledge)，如提前了解检测对象的形状等。

来自网络

总而言之，无论是在理论上，还是实际上，轮廓检测都非常重要。当前，还没有这一领域的综述性研究。最近发表的一篇相关综述是在2011年，且仅仅集中于一种方法，未对其他方法进行深入讨论。此外，这篇综述在一定程度上落后于当时的研究进展。当前，深度学习技术已经成功应用于轮廓检测，性能可比肩其他前沿方法。因而，撰写一篇囊括最新轮廓检测方法及其进展的综述十分有必要。

本文对当前的轮廓检测算法进行了分类(taxonomy)。第一类是基于像素的方法(pixel-based approach)：根据提取特定特征(certain extracted features)，决定某个像素是否位于轮廓上。第二类是基于边缘的方法(edge-based approach)：检测边缘(edges)，而后通过分组或优化边缘片段来得到轮廓(edge fragments)。

来自文章

第三类是基于区域的方法(region-based approach)：将区域内部信息(internal information)考虑在内，将轮廓视为兴趣区域(interesting regions)的边界。第四类是基于深度网络的方法(deep-network-based approaches)：将具有良好泛化能力(generalization abilities)的深度网络应用于轮廓检测中。

=======================================

1. Introduction

2. Pixel-based approaches

2.1 Methods based on brain-inspired feature

2.2 Methods based on natural features

2.3 Discussions

3. Edge-based approaches

3.1 Contour extraction

3.2 Contour completion

3.3 Edge-based active contour

3.4 Discussions

4. Region-based approaches

4.1 Region segmentation approaches

4.2 Region-based active contour

4.3 Discussions

5. Deep-learning based approach

5.1 Existing methods

5.2 Discussions

6. Challenging issues

7. Conclusions

===========================

通过文献综述，可看出当前学界倾向于将不同的特征综合应用于轮廓检测。虽然有些研究提出同时使用多层次、多尺度的信息来获取高质量边缘(high-quality edges)，但却并未对特征是否充足、是否必要进行深入研究。因此，分析特征间的相互关系，减少特征维数(feature dimension)，进而提升计算效率，是一个非常有前景的研究方向。

另外，还可在轮廓检测前加入先验形状信息(prior shape information)，这对于完成一些特定任务(如追踪)而言非常重要。所提出的方法应该具备抵抗非理想轮廓(reject undesired contours)的能力，保证在有遮挡的情况下(occlusion)也能检测到目标。当前已经有研究者提出了这样的方法，但也有的研究不尽如人意。因此，这也将是未来可以涉足的研究方向。

来自文章

最后，研究者们还可关注语音视觉属性(semantic visual attributes)与训练DCNN网络(trained DCNN)之间的关系。在此基础上，充分利用人类经验，通过训练DCNN，剔除一些非典型特征，进而提升工作效率。

本文主要讨论并综述了过去二十年间关于轮廓检测(contour detection)的各种方法。为了区分边缘检测，本文首先讨论了边缘(edge)、边界(boundary)和轮廓(contour)的三个概念的不同之处。

而后详细梳理分析了传统轮廓提取方法(traditional contour extraction approaches)，将其分为三类，并探讨了它们的不同及相互关系。此外，文章还介绍了基于DCNN的轮廓检测方法(DCNN-based methods)的最新理论进展。最后提出了几个具有发展潜力、值得进一步研究的方向。

An Overview of Contour Detection Approaches

Xin-Yi Gong, Hu Su, De Xu, Zheng-Tao Zhang, Fei Shen, Hua-Bin Yang

摘要：

Object contour plays an important role in fields such as semantic segmentation and image classification. However, the extraction of contour is a difficult task, especially when the contour is incomplete or unclosed. In this paper, the existing contour detection approaches are reviewed and roughly divided into three categories: pixel-based, edge-based, and region-based. In addition, since the traditional contour detection approaches have achieved a high degree of sophistication, the deep convolutional neural networks (DCNNs) have good performance in image recognition, therefore, the DCNNs based contour detection approaches are also covered in this paper. Moreover, the future development of contour detection is analyzed and predicted.

关键词：

Contour detection, contour salience, gestalt principle, contour grouping, active contour. 

全文下载：

https://link.springer.com/article/10.1007/s11633-018-1117-z