Detector de bordes astuto: Revelando el arte de la percepción visual

Por Fouad Sabry

Qué es Detector de bordes astuto

Este operador de detección de bordes se conoce como detector de bordes Canny y emplea un método de varias etapas para identificar una gran variedad de Bordes que están presentes en las imágenes. En 1986, John F. Canny fue quien tuvo la idea. Además, Canny desarrolló una teoría computacional de detección de bordes, que explica la lógica detrás de la efectividad de la técnica.

Cómo se beneficiará

(I) Información y validaciones sobre los siguientes temas:

Capítulo 1: Detector de bordes Canny

Capítulo 2: Detección de bordes

Capítulo 3: Operador de Sobel

Capítulo 4: Desenfoque gaussiano

Capítulo 5: Operador Prewitt

Capítulo 6: Degradado de imagen

Capítulo 7: Detector de bordes Deriche

Capítulo 8: Detección comprimida

Capítulo 9: Histograma de gradientes orientados

Capítulo 10: Detector de región afín de Harris

(II) Respondiendo a las principales preguntas del público sobre el detector de bordes canny.

(III) Ejemplos del mundo real sobre el uso del detector de bordes canny en muchos campos.

Para quién es este libro

Profesionales, estudiantes de pregrado y posgrado, entusiastas, aficionados y aquellos que quieran ir más allá del conocimiento o la información básica para cualquier tipo de Canny Edge Detector.

 

 

• Idioma: Español
• Editorial: Mil Millones De Conocimientos [Spanish]
• Fecha de lanzamiento: 29 abr 2024

Vista previa del libro

Capítulo 1: Detector de bordes enlatados

Para detectar una amplia variedad de bordes en las imágenes, el detector de bordes Canny emplea un algoritmo de varias etapas. John F. Canny lo creó en 1986. Además, Canny desarrolló una teoría computacional de detección de bordes para arrojar luz sobre la eficacia del método.

La detección de bordes astutos es un método para reducir drásticamente la cantidad de datos que deben procesarse mediante la extracción de información estructural útil de varios objetos de visión. Ha encontrado mucho uso en diferentes tipos de sistemas de visión por computadora. Como Canny ha descubierto, la implementación de la detección de bordes en varios sistemas de visión tiene requisitos similares. Como resultado, se puede aplicar ampliamente una solución para la detección de bordes que satisfaga estas necesidades. En general, la detección de bordes requiere lo siguiente:

La detección de bordes con pocos errores requiere que se identifiquen correctamente tantos bordes de la imagen como sea posible.

El punto de arista detectado por el operador debe ubicar con precisión el centro geométrico de la arista.

Para evitar que se marquen varias instancias del mismo borde, se debe minimizar el ruido de la imagen.

El cálculo de variaciones, un método para descubrir la función que optimiza una funcionalidad específica, fue la herramienta que Canny utilizó para cumplir con estas condiciones. La función óptima del detector de Canny se puede aproximar mediante la primera derivada de una distribución gaussiana, que se define por la suma de cuatro términos exponenciales.

El algoritmo de detección de bordes Canny es uno de los métodos de detección de bordes definidos con mayor precisión y ofrece una detección buena y confiable. Rápidamente saltó a la fama como uno de los algoritmos de detección de bordes más utilizados debido a su eficacia para satisfacer los tres criterios de detección de bordes y su facilidad de implementación.

El algoritmo de detección de bordes astutos se puede simplificar en cinco etapas distintas:

Suaviza la imagen con un filtro gaussiano para eliminar el ruido.

Determine las variaciones de intensidad de la imagen.

Para eliminar los falsos positivos de la detección de bordes, se puede aplicar un umbral de magnitud de gradiente o una supresión de corte de límite inferior.

Para identificar posibles bordes, utilice un umbral doble.

El seguimiento de bordes basado en histéresis implica finalizar la detección de bordes mediante el bloqueo de bordes débiles e inconexos.

Dado que el ruido de la imagen afecta en gran medida a la precisión de cualquier resultado de detección de bordes, para evitar la detección errónea, se debe filtrar el ruido.

El suavizado de imagen, la convolución con un kernel de filtro gaussiano se utiliza para alterar una imagen.

El detector de bordes se verá menos afectado por el ruido evidente en la imagen después de aplicar este proceso.

La ecuación para un kernel de filtro gaussiano de tamaño (2k+1)×(2k+1) viene dada por:

{\displaystyle H_{ij}={\frac {1}{2\pi \sigma ^{2}}}\exp \left(-{\frac {(i-(k+1))^{2}+(j-(k+1))^{2}}{2\sigma ^{2}}}\right);1\leq i,j\leq (2k+1)}

Aquí hay un ejemplo de un filtro gaussiano 5×5, utilizado para hacer la siguiente imagen, con \sigma = 1.

Tenga en cuenta que el * indica una convolución.

\mathbf {B} ={\frac {1}{159}}{\begin{bmatrix}2&4&5&4&2\\4&9&12&9&4\\5&12&15&12&5\\4&9&12&9&4\\2&4&5&4&2\end{bmatrix}}*\mathbf {A} .

Es crucial tener en cuenta que la eficiencia del detector se verá afectada por la elección del tamaño del kernel gaussiano.

Inversamente proporcional al tamaño, cuanto menos susceptible al ruido sea el detector, el.

Además, cuanto mayor sea el tamaño del kernel del filtro gaussiano, mayor será el error de localización al intentar detectar el borde.

Un 5×5 es un buen tamaño para la mayoría de los casos, sin embargo, esto cambiará dependiendo de las circunstancias en cuestión.

Hay muchas orientaciones posibles a las que puede apuntar el borde de una imagen, el algoritmo de Canny para el reconocimiento de patrones horizontales emplea un cuarteto de filtros, bordes borrosos tanto vertical como diagonalmente.

Los operadores para detectar aristas (como Roberts), Prewitt o Sobel) devuelven un valor para la primera derivada en la dirección horizontal (Gx) y la dirección vertical (Gy).

El ángulo y la pendiente de una arista se pueden deducir de esto:

\mathbf {G} ={\sqrt {{\mathbf {G} _{x}}^{2}+{\mathbf {G} _{y}}^{2}}}

\mathbf {\Theta } =\operatorname {atan2} \left(\mathbf {G} _{y},\mathbf {G} _{x}\right) , donde hypot es la función inversa y atan2 es la función arcotangente con dos argumentos, y G se puede calcular como resultado.

La dirección del borde se redondea a uno de los cuatro ángulos: vertical, horizontal, 30 grados y 75 grados, horizontal y las dos diagonales (0°, 45°, 90° y 135°).

Para cada banda de color, el ángulo en el que se cruza un borde se fijará, por ejemplo, θ en [0°, 22,5°] o [157,5°, 180°] se asigna a 0°.

El umbral del límite inferior, también conocido como supresión de corte mínimo de magnitudes de gradiente, es un método de adelgazamiento de bordes.

Para identificar los puntos en los que el valor de intensidad cambia más drásticamente, se utiliza una supresión de corte de límite inferior. El algoritmo de cada píxel de imagen degradada es:

Compruebe la intensidad del borde del píxel actual con respecto a su intensidad del borde en los degradados hacia arriba y hacia abajo.

Por ejemplo, si el píxel actual apunta en la dirección Y, su valor se mantendrá si su intensidad de borde es mayor que la de todos los demás píxeles de máscara que apuntan en la misma dirección. Cuando esto no sucede, el valor se reduce.

El algoritmo, en algunas formas, separa las direcciones de gradiente en un puñado de categorías discretas antes de aplicar un filtro de 3x3 a los resultados intermedios (es decir, la intensidad del borde y las direcciones de gradiente). Si la magnitud del gradiente del píxel central es menor que las magnitudes de sus dos vecinos, la intensidad del borde del píxel central se suprime (se establece en 0) en ese píxel. Por ejemplo, si el ángulo de gradiente redondeado es de 0° (p. ej.

Se considera que el punto está en el borde si la magnitud de su gradiente es mayor que las magnitudes en píxeles en las direcciones este y oeste (suponiendo que el borde está en la dirección norte-sur), si el ángulo de gradiente redondeado es de 90° (es decir,

Se considera que el punto está en el borde si la magnitud de su gradiente es mayor que las magnitudes en píxeles en las direcciones norte y sur (suponiendo que el borde corre de este a oeste), si el ángulo de gradiente redondeado es de 135° (es decir,

Si la magnitud del gradiente del punto es mayor que las magnitudes en píxeles en las direcciones noroeste y sureste (suponiendo que el borde corre de noreste a suroeste), entonces se considerará que el punto está en el borde, si el ángulo de gradiente redondeado es de 45° (es decir,

Se considera que el punto está en el borde si la magnitud de su gradiente es mayor que las magnitudes en píxeles en las direcciones noreste y suroeste (suponiendo que el borde corre de noroeste a sureste).

Implementaciones que están más cerca de la marca, Entre dos píxeles adyacentes que se encuentran en extremos opuestos de la dirección del gradiente, se utiliza una interpolación lineal.

Por ejemplo, si