训练-free 量子启发图像边缘提取方法

边缘检测是图像处理的基石，但现有方法常面临关键局限。传统深度学习边缘检测方法需要大量训练数据和微调，而经典技术在复杂或噪声场景下常常失效，限制了其实际应用。为此，我们提出一种无训练需求的量子启发式边缘检测模型。该方法集成经典的 Sobel 边缘检测、薛定谔波方程的细化，以及结合 Canny 和 Laplacian 算子的混合框架。通过消除训练需求，该模型轻量且适用于多样化应用。薛定谔波方程通过迭代扩散细化基于梯度的边缘图，显著提升边缘精度。混合框架进一步通过协同结合局部与全局特征，确保在挑战性条件下仍具鲁棒性。在 BIPED、Multicue 和 NYUD 等数据集上的广泛评估表明，所提模型取得优异性能，实现最新指标，包括 ODS、OIS、AP 和 F-measure。噪声鲁棒性实验凸显其可靠性，展示其在实际场景中的实用性。由于其灵活且适应性强的特性，本模型适用于医学成像、自动驾驶系统和环境监测等应用，为边缘检测树立了新基准。