Edge detection is an important step in computer vision since edges are utilized by the successor visual processing stages including many tasks such as motion estimation, stereopsis, shape representation and matching, etc. In this study, we test whether a local consistency measure based on image orientation (which we call Intersection Consistency - IC), which was previously shown to improve detection of junctions, can be used for improving the quality of edge detection of seven different detectors; namely, Canny, Roberts, Prewitt, Sobel, Laplacian of Gaussian (LoG), Intrinsic Dimensionality, Line Segment Detector (LSD). IC works well on images that contain prominent objects which are different in color from their surroundings. IC give good results on natural images that have especially cluttered background. On images involving human made objects, IC leads to good results as well. But, depending on the amount of clutter, the loss of true positives might be more crucial. Through our comprehensive investigation, we show that approximately 21% increase in f-score is obtained whereas some important edges are lost. We conclude from our experiments that IC is suitable for improving the quality of edge detection in some detectors such as Canny, LoG and LSD.

Kenar bulma; hareket kestirimi, derinlik algılaması, şekil temsili ve eşleştirme gibi birçok görsel işlemler, kenar bulmanın akabinde yapıldığından, bilgisayar görmesinin yararlandığı önemli bir adımdır. Bu çalışmada, daha önce kesişimlerin tespitinin iyileştirilmesinde kullanılan görüntü yönelim tabanlı yerel tutarlılık ölçümünün (Kesişimlerin Tutarlılığı, KT olarak adlandırıyoruz), yedi farklı kenar tespit edicinin sırasıyla, Canny, Roberts, Prewitt, Sobel, Gauss Filtrelenmiş Laplace (GFP), Esas Boyutluluk, Doğru Parça Bulucusu (DPB) kalitesinin arttırılıp arttırılmayacağı test edildi. KT, içerisinde renkleri bakımından çevrelerinden farklı olan belirgin nesne bulunduran resimlerde iyi çalış/-maktadır. KT, özellikle dağınık zeminleri olan doğal resimlerde iyi sonuçlar vermektedir. İnsan yapımı nesnelerde de KT iyi sonuçlar vermesine öncülük edebilir. Fakat, dağınıklığın miktarına bağlı olarak gerçek pozitif kayıpları daha önemli olabilir. Kapsamlı araştırmalarımız sonucunda, f-ölçümünde %21 civarlarında bir artış elde ettiğimizi gösterdik, bunun yanında bazı önemli kenarlar da kayboldu. Araştırmalarımız sonucunda, KT'nin Canny, GFP ve DPB gibi bazı kenar bulucularında kenar bulma kalitesini iyileştirebileceği sonucuna vardık.