Ääretuvastus: erinevus redaktsioonide vahel

Mitmed uurijad on antud ebatäpsuste mõju vähendamiseks kasutanud Gaussi kõverana modelleeritud ääre reljeefi, kuna katsed on tõestanud, et antud mudel vastab päris maailmale paremini kui varasemalt uuritud ideaalse Heaviside’i astmefunktsiooni sarnane mudel.<ref name="lin98">[http://www.nada.kth.se/cvap/abstracts/cvap191.html T. Lindeberg (1998) "Edge detection and ridge detection with automatic scale selection", International Journal of Computer Vision, 30, 2, pages 117--154.]</ref><ref>W. Zhang and F. Bergholm (1997) "Multi-scale blur estimation and edge type classification for scene analysis", International Journal of Computer Vision, vol 24, issue 3, Pages: 219 - 250.</ref>

Gaussi kõvera baasil konstrueeritud mudelis võib vaadelda ühemõõtmelises pildis <math>f</math> abstsissil <math>x = 0</math> asuvat üksikut äärt kui:

: <math>f(x) = \frac{I_r - I_l}{2} \left( \operatorname{erf}\left(\frac{x}{\sqrt{2}\sigma}\right) + 1\right) + I_l.</math>

Sealjuures Gaussi kõvera parameeter <math>\sigma</math> peaks ideaalsetel oludel vastama keskmisele ääre hägususele, vältimaks täiendava ebatäpsuse teket, ent reaalselt pole tihti antud muutuja täpsus väga oluline, kuna tekkiv viga on marginaalne.<span class="cx-segment" data-segmentid="229"></span>