Detección de bordes: Explorando los límites en la visión por computadora
Por Fouad Sabry
()
Información de este libro electrónico
Qué es la detección de bordes
La detección de bordes es un conjunto de técnicas matemáticas que tienen como objetivo reconocer bordes, que se definen como curvas en una imagen digital en las que el brillo de la imagen cambia abruptamente o, más formalmente, contiene discontinuidades. La dificultad de descubrir discontinuidades en señales unidimensionales se conoce como detección de pasos, y el problema de encontrar discontinuidades de señales a lo largo del tiempo se conoce como detección de cambios. Ambas técnicas se utilizan para encontrar discontinuidades en señales. El método de detección de bordes es una herramienta esencial en los campos del procesamiento de imágenes, la visión artificial y la visión por computadora, especialmente en las áreas de detección y extracción de características.
Cómo se beneficiará
(I) Insights y validaciones sobre los siguientes temas:
Capítulo 1: Detección de bordes
Capítulo 2: Procesamiento de imágenes digitales
Capítulo 3: Operador de Sobel
Capítulo 4: Cruz de Roberts
Capítulo 5: Detector de bordes Canny
Capítulo 6: Algoritmo de Marr-Hildreth
Capítulo 7: Transformación de características invariantes de escala
Capítulo 8: Operador de Laplace discreto
Capítulo 9: Espacio de escala
Capítulo 10: Operador de Prewitt
(II) Respondiendo a las principales preguntas del público sobre la detección de bordes.
(III) Ejemplos del mundo real para el uso de la detección de bordes 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 básicos para cualquier tipo de detección de bordes.
Lee más de Fouad Sabry
Tecnologías Emergentes En Entretenimiento [Spanish]
Relacionado con Detección de bordes
Títulos en esta serie (100)
Ecualización de histograma: Mejora del contraste de la imagen para mejorar la percepción visual Calificación: 0 de 5 estrellas0 calificacionesVisión por computador: Explorando las profundidades de la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesReducción de ruido: Mejora de la claridad, técnicas avanzadas para la reducción del ruido en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesTransformación de radón: Revelando patrones ocultos en datos visuales Calificación: 0 de 5 estrellas0 calificacionesMapeo de tonos: Mapeo de tonos: perspectivas iluminadoras en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesDifusión anisotrópica: Mejora del análisis de imágenes mediante difusión anisotrópica Calificación: 0 de 5 estrellas0 calificacionesRetinax: Revelando los secretos de la visión computacional con Retinex Calificación: 0 de 5 estrellas0 calificacionesTransformación dura: Revelando la magia de Hough Transform en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesModelo de apariencia de color: Comprensión de la percepción y la representación en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesVisión por computadora submarina: Explorando las profundidades de la visión por computadora debajo de las olas Calificación: 0 de 5 estrellas0 calificacionesCorrección gamma: Mejora de la claridad visual en la visión por computadora: la técnica de corrección gamma Calificación: 0 de 5 estrellas0 calificacionesEspacio de color: Explorando el espectro de la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesHomografía: Homografía: Transformaciones en Visión por Computador Calificación: 0 de 5 estrellas0 calificacionesVisión estéreo por computadora: Explorando la percepción de profundidad en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesFiltro de partículas: Explorando los filtros de partículas en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesJoint Photographic Experts Group: Liberando el poder de los datos visuales con el estándar JPEG Calificación: 0 de 5 estrellas0 calificacionesModelo del sistema visual humano: Comprender la percepción y el procesamiento Calificación: 0 de 5 estrellas0 calificacionesEn Pintura: Cerrar brechas en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesHistograma de imagen: Revelando conocimientos visuales, explorando las profundidades de los histogramas de imágenes en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesHistograma de gradientes orientados: Revelando el ámbito visual: explorando el histograma de gradientes orientados en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesDetección de manchas: Revelando patrones en datos visuales Calificación: 0 de 5 estrellas0 calificacionesMapeo de colores: Explorando la percepción y el análisis visual en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesFunción de combinación de colores: Comprensión de la sensibilidad espectral en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesAjuste del paquete: Optimización de datos visuales para una reconstrucción precisa Calificación: 0 de 5 estrellas0 calificacionesSistema de gestión de color: Optimización de la percepción visual en entornos digitales Calificación: 0 de 5 estrellas0 calificacionesDetección de bordes: Explorando los límites en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesContorno activo: Avances en la visión por computadora con técnicas de contorno activo Calificación: 0 de 5 estrellas0 calificacionesCompresión de imagen: Técnicas eficientes para la optimización de datos visuales Calificación: 0 de 5 estrellas0 calificacionesModelo de color: Comprensión del espectro de la visión por computadora: exploración de modelos de color Calificación: 0 de 5 estrellas0 calificacionesTransformacion afin: Desbloqueo de perspectivas visuales: exploración de la transformación afín en visión por computadora Calificación: 0 de 5 estrellas0 calificaciones
Libros electrónicos relacionados
Detector de esquinas Harris: Revelando la magia de la detección de características de imagen Calificación: 0 de 5 estrellas0 calificacionesDetección de manchas: Revelando patrones en datos visuales Calificación: 0 de 5 estrellas0 calificacionesDetector de bordes astuto: Revelando el arte de la percepción visual Calificación: 0 de 5 estrellas0 calificacionesProcesamiento de imágenes piramidales: Explorando las profundidades del análisis visual Calificación: 0 de 5 estrellas0 calificacionesSuperficie procesal: Explorando la generación y el análisis de texturas en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesDeterminación de superficies ocultas: Revelando los secretos de la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesTransformación de característica invariante de escala: Revelando el poder de la transformación de características invariantes de escala en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesMétodo de ajuste de nivel: Avances en la visión por computadora, exploración del método de conjunto de niveles Calificación: 0 de 5 estrellas0 calificacionesGráficos por computadora de vértice: Explorando la intersección de los gráficos por computadora Vertex y la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesFlujo óptico: Explorando patrones visuales dinámicos en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesSegmentación de imagen: Desbloqueo de información a través de Pixel Precision Calificación: 0 de 5 estrellas0 calificacionesCampo de movimiento: Explorando la dinámica de la visión por computadora: campo de movimiento revelado Calificación: 0 de 5 estrellas0 calificacionesVisión estéreo por computadora: Explorando la percepción de profundidad en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesGráficos de trazado de rayos: Explorando la representación fotorrealista en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesRepresentación de volumen: Explorando el realismo visual en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesGráficos por computadora de polígono: Explorando la intersección de gráficos por computadora poligonales y visión por computadora Calificación: 0 de 5 estrellas0 calificacionesVolumen límite: Explorando la representación espacial en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesClasificación de imágenes contextuales: Comprensión de los datos visuales para una clasificación eficaz Calificación: 0 de 5 estrellas0 calificacionesRepresentación de línea de exploración: Explorando el realismo visual a través de técnicas de renderizado Scanline Calificación: 0 de 5 estrellas0 calificacionesReconocimiento automático de objetivos: Avances en técnicas de visión por computadora para el reconocimiento de objetivos Calificación: 0 de 5 estrellas0 calificacionesGráficos por computadora de radiosidad: Avances en la visualización a través de la radiosidad en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesGráfico de trama digital: Revelando el poder de los gráficos rasterizados digitales en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesContorno activo: Avances en la visión por computadora con técnicas de contorno activo Calificación: 0 de 5 estrellas0 calificacionesGráficos rasterizados: Comprender los fundamentos de los gráficos rasterizados en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesPrimitiva geométrica: Explorando los fundamentos y aplicaciones de la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesCuadro delimitador mínimo: Revelando el poder de la optimización espacial en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesEliminación de líneas ocultas: Revelando lo invisible: secretos de la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesAjuste del paquete: Optimización de datos visuales para una reconstrucción precisa Calificación: 0 de 5 estrellas0 calificacionesModelado y renderizado basado en imágenes: Explorando el realismo visual: técnicas en visión por computadora Calificación: 0 de 5 estrellas0 calificaciones
Inteligencia (IA) y semántica para usted
Desarrollo de software con netbeans 7.1: Programe para scritorio, web y dispositivos móviles Calificación: 0 de 5 estrellas0 calificaciones¿Cómo piensan las máquinas?: Inteligencia artificial para humanos Calificación: 5 de 5 estrellas5/5Desarrollo de aplicaciones C#: con Visual Studio .NET Curso práctico Calificación: 0 de 5 estrellas0 calificacionesOracle 12c PL/SQL: Curso práctico de formación Calificación: 0 de 5 estrellas0 calificacionesANDROID: Aprende desde cero a crear aplicaciones Calificación: 0 de 5 estrellas0 calificacionesDiseño de algoritmos y su programación en C Calificación: 0 de 5 estrellas0 calificacionesAprendizaje automático y profundo en python: Una mirada hacia la inteligencia artificial Calificación: 0 de 5 estrellas0 calificacionesEl mito de la inteligencia artificial: Por qué las máquinas no pueden pensar como nosotros lo hacemos Calificación: 5 de 5 estrellas5/5Mecatrónica Calificación: 0 de 5 estrellas0 calificacionesMetodología de la programación Calificación: 0 de 5 estrellas0 calificacionesDominando ChatGPT: Desbloquea el poder de la IA para mejorar la comunicación y las relaciones: Spanish Calificación: 3 de 5 estrellas3/5Fundamentos de Programación: Diagramas de flujo, Diagramas N-S, Pseudocódigo y Java Calificación: 0 de 5 estrellas0 calificacionesBig data: La revolución de los datos masivos Calificación: 4 de 5 estrellas4/5Arquitectura de computadoras Calificación: 0 de 5 estrellas0 calificacionesGuíaBurros: Inteligencia Artificial: Su lado oscuro y el fin del principio Calificación: 0 de 5 estrellas0 calificacionesMonetización de ChatGPT: aproveche el poder de AI: Spanish Calificación: 1 de 5 estrellas1/5Programación de Inteligencia Artificial. Curso Práctico Calificación: 0 de 5 estrellas0 calificacionesIntroducción a la programación: Algoritmos y su implementación en vb.net, c#, java y c++ Calificación: 0 de 5 estrellas0 calificacionesCómo Ganar Dinero por Internet con Inteligencia Artificial Emprende tu negocio digital con ChatGPT, Escríbelo.ia, Playground AI, You.com, Canva, Midjourney, Dall-E 2, Amazon... Calificación: 0 de 5 estrellas0 calificacionesPython fácil Calificación: 4 de 5 estrellas4/5El poder de las imagenes, la palabra no tiene poder Calificación: 0 de 5 estrellas0 calificacionesCómo usar Chatgpt para tu negocio Calificación: 0 de 5 estrellas0 calificacionesArrancar con html5 curso de programación: Curso de programación Calificación: 0 de 5 estrellas0 calificacionesChat GPT-4 para Principiantes: Chat GPT, #1 Calificación: 0 de 5 estrellas0 calificacionesIntroducción a la Ingeniería Industrial Calificación: 0 de 5 estrellas0 calificacionesInteligencia Artificial Calificación: 4 de 5 estrellas4/5Sobreviviendo a la IA Calificación: 3 de 5 estrellas3/5Inteligencia artificial: Una exploración filosófica sobre el futuro de la mente y la conciencia Calificación: 4 de 5 estrellas4/5
Comentarios para Detección de bordes
0 clasificaciones0 comentarios
Vista previa del libro
Detección de bordes - Fouad Sabry
Capítulo 1: Detección de bordes
La detección de bordes es un conjunto de técnicas matemáticas diseñadas para encontrar transiciones nítidas en el brillo de las imágenes digitales, a veces conocidas como bordes
. La búsqueda de discontinuidades en señales unidimensionales se denomina detección de pasos, mientras que hacerlo en señales variables en el tiempo se denomina detección de cambios. En los campos de la visión artificial, la visión artificial y el procesamiento de imágenes, la detección de bordes juega un papel crucial, especialmente en los procesos de identificación y extracción de características.
La captura de eventos significativos y cambios en los atributos del mundo requiere la detección de cambios repentinos en el brillo de la imagen. Los cambios de contraste en una imagen pueden explicarse por algunas suposiciones estándar sobre cómo se forman las imágenes:
una discontinuidad de profundidad, rupturas de orientación en las superficies, cambios en la estructura atómica del material y
cambios sutiles en la iluminación de la escena.
La aplicación de un detector de bordes a una imagen puede producir un conjunto de curvas conectadas que representan los bordes de los objetos, los bordes de las marcas de superficie y los bordes de cualquier ruptura en la orientación de la superficie. Con el fin de preservar los aspectos estructurales importantes de una imagen sin complicar demasiado el procesamiento, se puede aplicar un método de detección de bordes a la imagen para reducir considerablemente la cantidad de datos que se procesarán filtrando la información que pueda considerarse menos relevante. Si el proceso de detección de bordes es efectivo, descifrar el contenido de información de la imagen puede ser mucho menos difícil. Sin embargo, estos márgenes perfectos no siempre son alcanzables a partir de fotos del mundo real moderadamente complejas.
La fragmentación, en la que las curvas de borde no están conectadas, los segmentos de borde faltantes y los bordes falsos que no se relacionan con ocurrencias relevantes en la imagen dificultan la interpretación de los datos de borde derivados de imágenes no triviales.
La detección de bordes es un primer paso crucial en muchos tipos de análisis de imágenes, reconocimiento de patrones y visión artificial.
Las aristas derivadas de una representación 2D de una escena 3D pueden depender del punto de vista o del punto de vista, dependiendo de cómo se haya creado la representación 2D. Los bordes que son independientes de la perspectiva del espectador a menudo revelan información sobre la forma y la textura de los objetos tridimensionales. Un borde que depende de la perspectiva del espectador puede cambiar a medida que lo hace su posición en la imagen, reflejando factores como la oclusión de los objetos.
La línea donde se encuentran dos bloques de color adyacentes es un ejemplo de una arista común. A diferencia de esto, una línea (que puede ser recuperada por un detector de crestas) solo puede consistir en unos pocos píxeles de un color distinto sobre un fondo uniforme. En consecuencia, puede existir una arista a cada lado de una línea.
Aunque los bordes perfectos de los escalones han sido objeto de algunas investigaciones, las fotografías naturales rara vez producen bordes de escalón verdaderamente perfectos. En su lugar, suelen verse afectados por al menos uno de los siguientes factores:
Desenfoque debido a las limitaciones de la profundidad de campo y la función de dispersión de puntos.
Desenfoque penumbral debido a las sombras proyectadas por fuentes de luz que no se desvanecen.
proyectando sombras sobre una superficie plana
Varios estudiosos han dado el paso más fácil más allá del modelo de borde de paso ideal al describir los efectos del desenfoque de borde utilizando un borde de paso suavizado gaussiano (una función de error).
Por lo tanto, una imagen unidimensional f que tiene exactamente un borde colocado en x=0 puede modelarse como:
{\displaystyle f(x)={\frac {I_{r}-I_{\ell }}{2}}\left(\operatorname {erf} \left({\frac {x}{{\sqrt {2}}\sigma }}\right)+1\right)+I_{\ell }.}Hacia el margen izquierdo, la intensidad es {\displaystyle I_{\ell }=\lim _{x\rightarrow -\infty }f(x)} , y a la derecha del borde es I_{r}=\lim _{x\rightarrow \infty }f(x) .
El parámetro de escala \sigma se denomina escala de desenfoque del borde.
El valor ideal para este parámetro de escala es aquel que tenga en cuenta la calidad de la imagen para que los bordes genuinos de la imagen no se pierdan en el proceso.
Considere la siguiente señal unidimensional como ejemplo de por qué la detección de bordes no es un proceso fácil. Parece natural suponer que el cuarto y quinto píxeles de este ejemplo deben estar separados por una línea.
Sería menos obvio que debería haber un borde en la región correspondiente si la diferencia de intensidad entre el cuarto y el quinto píxel fuera menor y si las diferencias de intensidad entre los siguientes píxeles limítrofes fueran mayores. Además, existe la posibilidad de argumentar que este caso tiene múltiples ventajas.
Por lo tanto, no siempre es fácil definir un umbral preciso para la diferencia de intensidad que debe haber entre dos píxeles adyacentes para que podamos declarar que debe haber un borde entre estos píxeles. Como resultado, a menos que los objetos de la escena sean bastante sencillos y la iluminación se pueda calibrar cuidadosamente, la detección de bordes puede ser una tarea no trivial (véase, por ejemplo, los bordes extraídos de la imagen con la chica de arriba).
Existen muchos métodos de detección de bordes, sin embargo, se pueden dividir en enfoques basados en la búsqueda o en enfoques basados en el cruce por cero. Los métodos basados en búsqueda encuentran aristas estimando primero la orientación local de la arista, normalmente la dirección del gradiente, y luego buscando máximos direccionales locales de la intensidad del borde, que suele ser una expresión derivada de primer orden como la magnitud del gradiente. Los enfoques basados en el cruce por cero a menudo buscan los cruces por cero del laplaciano o los cruces por cero de una expresión diferencial no lineal, los cuales se generan a partir de la imagen, para ubicar bordes. En la mayoría de los casos, se implementa una etapa de suavizado, a menudo una etapa de suavizado gaussiano, como paso de preprocesamiento antes de que se realice la detección real de bordes (consulte también reducción de ruido).
Se utilizan diferentes filtros de suavizado y la resistencia de los bordes se cuantifica de maneras ligeramente diferentes entre los algoritmos de detección de bordes informados. Dado que muchas estrategias de detección de bordes se centran en el cálculo de gradientes de imagen, los filtros empleados para estimar dichos gradientes en los ejes x e y pueden variar ampliamente entre los enfoques.
Una variedad de técnicas de detección de bordes se discuten en (Ziou y Tabbone 1998); Dadas las condiciones de detección, localización y minimización de muchas respuestas a un solo borde, John Canny exploró el desafío matemático de diseñar un filtro de suavizado efectivo. En estas condiciones, demostró, el mejor filtro es la suma de cuatro términos exponenciales. También demostró que las derivadas gaussianas de primer orden proporcionan una buena aproximación a este filtro. Dados los filtros de presuavizado, los puntos de borde se definen como ubicaciones en las que la magnitud del gradiente alcanza un máximo local a lo largo del eje del gradiente, un concepto que Canny presentó anteriormente. Haralick sugirió primero buscar el cruce por cero de la segunda derivada a lo largo de la dirección del gradiente. En menos de dos décadas se descubrió una reciente interpretación geométrica variacional del operador, que lo conectaba con el detector de bordes Marr-Hildreth (cruce por cero del laplaciano). Ron Kimmel y Alfred Bruckstein hicieron esa observación. Los detectores de borde con mejor rendimiento que el Canny tienden a requerir más tiempo computacional o más parámetros.
Vladímir A.
Kovalevsky, y un filtro de dilución en rampa de su propio diseño.
Para detectar un borde entre dos píxeles vecinos que tienen el mismo brillo pero colores diferentes, esta técnica ignora la luminancia de la