Traducir documentos en inglés como detección de bordes

Autor: Bill Green (2002)

Correo electrónico de inicio Correo electrónico de la página de inicio

Este tutorial supone que el lector:

(1) Saber cómo desarrollar código fuente para leer datos ráster (1) Saber cómo desarrollar código fuente para leer datos ráster.

(2) Ya estoy listo para leer mi tutorial de detección de bordes de Sobel (2) He leído mi tutorial de detección de bordes de Sobel.

Este tutorial le enseñará cómo: Este tutorial le enseñará cómo:

(1) Implementar el algoritmo de detección de bordes Canny. (1) Implementar el algoritmo de detección de bordes Canny.

Introducción

El borde representa el límite y es un tema muy importante en el procesamiento de imágenes. Por tanto, el problema de los límites es crucial en el procesamiento de imágenes. Los bordes de una imagen son áreas con un fuerte contraste de brillo: un salto de brillo de un píxel al siguiente. En las áreas de los bordes de una imagen, contraste de intensidad: la intensidad que salta de un píxel al siguiente. La detección de bordes de imágenes reduce en gran medida la cantidad de datos y filtra información inútil al tiempo que conserva importantes atributos estructurales en la imagen. Esto también se mencionó en mi tutorial de detección de bordes de Sobel y Laplace, pero solo quería repensar por qué se detectan los bordes. Las imágenes detectadas en los bordes reducen en gran medida una gran cantidad de datos y filtran información inútil mientras mantienen las importantes propiedades estructurales de la imagen. Esta es también mi lección sobre la detección de bordes en los operadores de Sobel y Laplaciano, pero solo quiero enfatizar esto nuevamente: por qué desea detectar bordes.

Mucha gente piensa que el algoritmo de detección de bordes Canny es el mejor detector de bordes. La intención de Canny era mejorar muchos detectores de bordes. Su algoritmo de detección de bordes era bien conocido cuando comenzó su trabajo y muchos lo consideraban el mejor detector de bordes disponible. Canny empezó su trabajo con la intención de mejorar muchos detectores avanzados. Tuvo mucho éxito en el logro de sus objetivos y sus ideas y métodos se pueden encontrar en su artículo "Métodos computacionales de detección de bordes". Logró lograr sus objetivos y sus ideas y métodos se pueden encontrar en su artículo "Métodos computacionales de detección de bordes". En su artículo, siguió una serie de criterios para mejorar los métodos actuales de detección de bordes. En su documento sigue una serie de criterios para mejorar los métodos actuales de detección de bordes. El primero y más obvio es la baja tasa de error. El primero y más obvio es la baja tasa de error. Es importante que no se pasen por alto los bordes presentes en la imagen y que no haya respuesta a los que no son bordes. Es importante no perderse lo que sucede en el borde de la imagen, no hay reacción, no hay borde. El segundo criterio es que los puntos de los bordes estén bien ubicados. En otras palabras, la distancia entre el píxel del borde encontrado por el detector y el borde real es mínima. El segundo criterio es que los puntos de los bordes estén bien ubicados. En otras palabras, la distancia entre los píxeles de los bordes utilizados como detectores y los bordes reales debe mantenerse al mínimo. El tercer criterio es que sólo hay una respuesta a un único borde. El tercer criterio es que sólo una respuesta tiene una única ventaja. Esto se logra porque los dos primeros no son suficientes para eliminar por completo la posibilidad de respuestas múltiples a una arista. Esto se implementa por primera vez ya que no existe un 2 sustancial que elimine por completo la posibilidad y ventaja de respuestas múltiples.

Basándose en este criterio, el detector de bordes Canny primero suaviza la imagen para eliminar el ruido. Según estos criterios, el detector de bordes Canny es el primero en eliminar el ruido de imágenes fluidas. Luego encuentra gradientes de imagen para resaltar regiones con altas derivaciones espaciales. Luego se identifica la imagen, resaltando las regiones con altas derivaciones espaciales de gradientes. Luego, el algoritmo rastrea estas regiones y suprime los píxeles que no están en su máximo (supresión no máxima). Luego, el algoritmo rastrea estas regiones y suprime los píxeles que no están en su máximo (supresión no máxima). La matriz de gradientes ahora se reduce aún más debido a la histéresis. Las matrices de degradado ahora reducen aún más el retraso. La histéresis se utiliza para rastrear los píxeles restantes que no se suprimen. La histéresis se utiliza para rastrear los píxeles restantes, pero no se suprime. La histéresis utiliza dos umbrales y se establece en cero (sin borde) si la amplitud está por debajo del primer umbral.

La histéresis utiliza dos umbrales. Si la escala está por debajo del primer umbral, se establece en cero (se convierte en un no borde). Si la amplitud está por encima del umbral alto, se convierte en un borde. Si se trata de un umbral alto por encima de la escala, eso es una ventaja. Y si la amplitud está entre dos umbrales, entonces se establece en cero, hay un camino desde ese píxel hasta un píxel con un gradiente superior a T2. Si la amplitud está entre dos umbrales, se establece en cero a menos que haya un gradiente de píxeles a partir de este píxel.

Paso 1 Paso 1

Para poder implementar el algoritmo de detección de bordes Canny se deben seguir una serie de pasos. Para implementar el algoritmo de detección de bordes Canny se deben seguir una serie de pasos. El primer paso es filtrar cualquier ruido en la imagen original antes de intentar localizar y detectar cualquier borde. El primer paso es filtrar cualquier ruido en la imagen original y encontrar los bordes. Debido a que el filtro gaussiano se puede calcular usando una máscara simple, se usa específicamente para el algoritmo Canny. Y debido a que el filtro gaussiano puede usar una máscara computacional simple, se usa específicamente en el algoritmo Canny. Una vez calculada la máscara del traje, se puede realizar el suavizado gaussiano utilizando métodos de convolución estándar. Una vez calculada una máscara adecuada, el suavizado gaussiano se puede realizar mediante métodos de convolución estándar. La máscara de convolución es en realidad mucho más pequeña que la imagen real. Las máscaras de convolución suelen ser mucho más pequeñas que la imagen real. Como resultado, la máscara se desliza sobre la imagen, operando un cuadrado de píxeles a la vez. Cuanto más amplia sea la máscara gaussiana, menos sensible será el detector al ruido. Entonces, una máscara es una imagen suelta que manipula píxeles cuadrados. Cuanto mayor sea el ancho de la máscara gaussiana, menor será la sensibilidad al ruido del detector. A medida que aumenta el ancho gaussiano, el error de localización en los bordes detectados también aumenta ligeramente. El borde de detección de errores de posicionamiento también aumenta ligeramente el ancho gaussiano. Se muestra la máscara gaussiana utilizada en mi implementación. A continuación se muestra una máscara gaussiana que me utiliza.

Segundo Paso

Después de suavizar la imagen y eliminar el ruido, el siguiente paso es encontrar la intensidad del borde tomando el degradado de la imagen. Después de suavizar la imagen y eliminar el ruido, el siguiente paso es encontrar la fuerza dominante y tomar la imagen degradada. El operador Sobel realiza una medición del gradiente espacial bidimensional en la imagen. El operador Sobel realiza mediciones de gradiente espacial bidimensional. Luego, se puede encontrar la magnitud absoluta aproximada del gradiente (fuerza del borde) de cada punto. Luego, se puede encontrar la magnitud absoluta aproximada del gradiente (fuerza del borde) de cada punto. El operador de Sobel utiliza un par de máscaras de convolución de 3 × 3, una estima el gradiente en la dirección X (columnas) y la otra estima el gradiente en la dirección Y (filas). Usando el operador de Sobel para una máscara de convolución de 3 × 3, una estimación de gradiente está en la dirección X (columnas) y la otra estimación de gradiente está en la dirección Y (filas). Se ven así:

El tamaño de un degradado, o intensidad del borde, es una aproximación, utilizando la fórmula: Escala o intensidad del borde, aproximación del gradiente y luego utilizando la fórmula:

|g|=|GX| | Gy||| g | GX |

Paso 3

Una vez que se conocen los gradientes en las direcciones x e y la dirección del borde se vuelve simple. Encontrar las direcciones de los bordes es una cuestión trivial; una vez que los gradientes están en las direcciones xey, esto es bien conocido. De todos modos generarás un error cuando sumaX sea igual a cero. Sin embargo, cuando comete un error, sumax es igual a cero. Entonces, en el código, siempre que esto suceda, tiene que haber un límite establecido. Entonces, mientras esto suceda, debe haber restricciones en el código. Siempre que el gradiente en la dirección x sea igual a cero, la dirección del borde debe ser igual a 90 grados o 0 grados, dependiendo de a qué sea igual el valor en la dirección y. Siempre que el gradiente en la dirección X sea igual a cero, la dirección del borde debe ser igual a 90 grados o 0 grados, dependiendo de a qué sea igual la dirección Y del gradiente. Si el valor de gy es cero, la dirección del borde será igual a 0 grados. Si el valor del verde es cero, la dirección del borde será igual a 0 grados. De lo contrario, la dirección del borde será igual a 90 grados. De lo contrario, la dirección del borde será igual a 90 grados. La fórmula para encontrar la dirección del borde es exactamente: La fórmula para encontrar la dirección del borde es:

θ=Inftan(Gray/Gx) =Inftan(Gray/Gx)

No. Cuatro pasos

Una vez conocida la dirección del borde, el siguiente paso es relacionar la dirección del borde con una dirección que se pueda seguir en la imagen.

Una vez que se conoce bien la dirección del borde, el siguiente paso es seguir la dirección del borde, que se puede rastrear hasta una imagen. Por lo tanto, si los píxeles de una imagen de 5×5 están alineados de la siguiente manera: Por lo tanto, si los píxeles de una imagen de 5×5 están alineados de la siguiente manera:

××Año×Mes×Día×Mes×Día

××año×mes×día×mes×día

x x a x x x x 1 x x

××año×mes×día×mes×día

×× Año × Mes × Día × Mes × Día

Luego, al observar el píxel "a", podemos ver que solo hay cuatro direcciones posibles al describir los píxeles circundantes: 0 grados (horizontal ), 45 grados (a lo largo de la diagonal positiva), 90 grados (vertical) o 135 grados (a lo largo de la diagonal negativa). Bueno, puedes ver que al mirar una "A" para un píxel, describe los píxeles circundantes cuando solo hay cuatro direcciones posibles: 0 grados (horizontalmente), 45 grados (a lo largo de la diagonal), 90 grados (verticalmente) o 135 grados (a lo largo de la diagonal negativa). Entonces, ahora la dirección del borde debe resolverse en una de estas cuatro direcciones dependiendo de a qué dirección esté más cercana (por ejemplo, si se encuentra que el ángulo de orientación es de 3 grados (conviértalo en 0 grados)). resuelto Cuál de las cuatro direcciones se incluye depende de cuál está más cerca (por ejemplo, encontrar que el ángulo es de 3 grados, lo que hace cero grados Celsius). Piense en esto como tomar un semicírculo y dividirlo en 5 regiones.

Por lo tanto, cualquier dirección de borde que se encuentre dentro del rango amarillo (0 a 22,5 amperios, 157,5 a 180 grados) se establece en 0 grados. Por lo tanto, cualquier dirección de avance que se encuentre dentro del rango amarillo (0 Cualquier dirección de borde que se encuentre dentro del rango verde). (22,5 a 67,5 grados) se establece en 45 grados. Todo lo que se encuentre dentro del rango azul (67,5 a 112,5 grados) se establece en 90 grados. El rango verde que cae en cualquier dirección hacia adelante (22,5 a 67,5 grados) es. establecido en 45 grados, el rango azul en cualquier dirección dominante (67,5 a 112,5 grados) se establece en 90 grados, cualquier dirección de borde que caiga dentro del rango rojo (112,5 a 157,5 grados) se establece en 135 grados y, finalmente, cualquier borde. dirección que cae dentro del rango rojo (112,5 a 65438).

Paso 5

Una vez conocida la dirección del borde, ahora se debe aplicar una supresión no máxima para rastrear a lo largo de la dirección del borde y suprima cualquier valor de píxel que no se considere borde (esto se establecerá en 0) en la imagen de salida. Ahora se debe aplicar una línea delgada en la llamada dirección del borde. se utiliza para rastrear a lo largo de la dirección del borde y detener cualquier valor de píxel (establecido en 0), lo que no se considera una ventaja. Proporciona una imagen de salida de líneas finas.

Paso 6