边缘检测算子对比 # 算子名称 噪声敏感性 各向同性 备注 Roberts 算子 敏感 否 边缘定位准但对噪声敏感，适用于边缘明显且噪声较少的图像 Prewitt 算子 抑制 否 均值滤波抑制噪声，因此边缘定位不如 Roberts Sobel 算子 抑制 否 各向同性来自：加权平均，距离不同的像素具有不同的权值 Isotropic Sobel 算子 抑制 是 权值反比于邻点与中心点的距离 Laplacian 算子 非常敏感 是 是类似 Sobel 二阶的二阶微分算子，但是线条比 Sobel 细。噪声敏感需先平滑处理 Canny 算子 抑制 - 多阶段优化算子，先高斯平滑，再非极大值抑制，双阈值连接边缘 各向同性：各方向梯度幅度一致 ref: https://www.cnblogs.com/molakejin/p/5683372.html (AI)
See also: OpenCV Yolo Image Labelling # roboflow online python lib chaiwenda/ImgLabel python HumanSignal/label-studio, replacing HumanSignal/labelImg (archived 2024.02) MakeSense.ai 特性/工具 LabelImg VoTT Labelme CVAT 支持的标注类型 边界框 边界框、多边形、点、区域等 边界框、点、线、多边形、自由形状等 边界框、多边形、点、轨迹、骨架、线等 自动化标注 无 支持（集成模型推理） 无 支持（集成 OpenVINO 等模型） 用户界面 简单、直观 现代化界面，但配置较复杂 基础的用户界面 功能强大但学习曲线陡峭 操作系统支持 Windows, Mac, Linux Windows, Mac, Linux Windows, Mac, Linux Web 应用，跨平台 文件格式支持 Pascal VOC, YOLO, CSV 等 Pascal VOC, COCO, YOLO, TFRecord 等 JSON（可导出至多种格式） COCO, Pascal VOC, YOLO, TFRecord, MOT 等 资源占用 低 较高（特别是集成模型时） 低 高（适合在服务器环境下运行） 团队协作 不支持 不支持 不支持 支持多人协作，任务分配，审核流程等 自动化功能 无 半自动化标注，依赖集成模型 无 半自动化标注，依赖集成模型 定制化能力 基本不支持 支持一定程度的集成 高度可定制（开源） 高度可定制（开源） 部署难度 低（安装简单） 中等（需配置模型推理） 低（安装简单） 高（需要在服务器上部署） 适用场景 小型项目，轻量级标注 复杂标注任务，自动化标注需求 需要灵活标注类型，支持自定义属性 大规模项目，多用户协作，自动化标注需求 ref: cnblogs (bak) ...