Определение Edge, что это такое
Обновлено: 04.07.2024
Обнаружение краев применимо к широкому кругу задач обработки изображений. В дополнение к ядрам обнаружения краев, описанным в разделе сверток, в Earth Engine есть несколько специализированных алгоритмов обнаружения краев. Алгоритм обнаружения краев Кэнни (Кэнни, 1986) использует четыре отдельных фильтра для определения диагональных, вертикальных и горизонтальных краев. Вычисление извлекает значение первой производной для горизонтального и вертикального направлений и вычисляет величину градиента. Градиенты меньшей величины подавляются. Чтобы устранить высокочастотный шум, при необходимости предварительно отфильтруйте изображение с помощью ядра Гаусса. Например:
Редактор кода (JavaScript)
Обратите внимание, что пороговый параметр определяет минимальную величину градиента, а параметр сигма – это стандартное отклонение (SD) гауссовского предварительного фильтра для удаления высокочастотного шума. Для извлечения линий из детектора границ Earth Engine использует преобразование Хафа (Дуда и Харт, 1972). Продолжая предыдущий пример, извлеките строки из детектора Кэнни с помощью:
Редактор кода (JavaScript)
Еще один специализированный алгоритм в Earth Engine — это zeroCrossing() . Пересечение нуля определяется как любой пиксель, в котором правый, нижний или диагональный нижний правый пиксель имеет противоположный знак. Если какой-либо из этих пикселей имеет противоположный знак, текущий пиксель устанавливается равным 1 (пересечение нуля); в противном случае он устанавливается равным нулю. Чтобы обнаружить края, алгоритм пересечения нуля может быть применен к оценке второй производной изображения. Ниже показано использование zeroCrossing() для обнаружения границ:
Редактор кода (JavaScript)
Выходные данные о пересечении нуля для района рядом с аэропортом Сан-Франциско, штат Калифорния, должны выглядеть примерно так, как показано на рис. 1.
Рисунок 1. Выходные данные о пересечении нуля (красный) с панхроматическим диапазоном Landsat 8 на заднем плане для района недалеко от аэропорта Сан-Франциско, Калифорния (справа).
Если не указано иное, содержимое этой страницы предоставляется по лицензии Creative Commons Attribution 4.0, а образцы кода — по лицензии Apache 2.0. Подробнее см. в Правилах сайта Google Developers. Java является зарегистрированным товарным знаком Oracle и/или ее дочерних компаний.
< /p>
Обнаружение краев — это метод обработки изображений, используемый для выявления точек цифрового изображения с неоднородностями, проще говоря, с резкими изменениями яркости изображения. Эти точки, где резко меняется яркость изображения, называются краями (или границами) изображения.
Предоставлено: Сатьялакшми
Это один из основных этапов обработки изображений, распознавания образов на изображениях и компьютерного зрения. Когда мы обрабатываем цифровые изображения очень высокого разрешения, нам на помощь приходят методы свертки. Давайте разберемся с операцией свертки (представленной на изображении ниже с помощью *) на примере-
В этом примере мы используем фильтр Превитта 3*3, как показано на изображении выше. Как показано ниже, когда мы применяем фильтр для обнаружения краев на заданном изображении 6*6 (для нашего понимания мы выделили его фиолетовым цветом), выходное изображение будет содержать ((a11*1) + (a12*0) + ( a13*(-1))+(a21*1)+(a22*0)+(a23*(-1))+(a31*1)+(a32*0)+(a33*(-1))) в фиолетовом квадрате. Мы повторяем свертки по горизонтали, а затем по вертикали, чтобы получить выходное изображение.
Мы продолжим описанную выше процедуру, чтобы получить обработанное изображение после обнаружения границ. Но в реальном мире мы имеем дело с изображениями очень высокого разрешения для приложений искусственного интеллекта. Поэтому мы выбираем алгоритм для выполнения сверток и даже используем глубокое обучение, чтобы выбрать наилучшие значения фильтра.
Существуют различные методы обнаружения границ, и ниже приведены некоторые из наиболее часто используемых методов:
- Обнаружение краев Превитта
- Обнаружение границ Собеля
- Обнаружение границ Лапласа
- Осторожное обнаружение границ
Обнаружение краев Превитта
Этот метод часто используется для определения границ изображения, в основном для обнаружения горизонтальных и вертикальных границ. Ниже приведены фильтры обнаружения краев Prewitt-
Распознавание краев по Собелю. При этом используется фильтр, в котором больше внимания уделяется центру фильтра. Это один из наиболее часто используемых детекторов краев, который помогает уменьшить шум и обеспечивает дифференциацию, одновременно давая отклик на края. Ниже приведены фильтры, используемые в этом методе.
Ниже показаны изображения до и после применения обнаружения краев Sobel-
Обнаружение границ Лапласа
Лапласианские детекторы границ отличаются от рассмотренных ранее детекторов границ. Этот метод использует только один фильтр (также называемый ядром).За один проход лапласовское обнаружение краев выполняет производные второго порядка и, следовательно, чувствительно к шуму. Чтобы избежать такой чувствительности к шуму, перед применением этого метода на изображении выполняется сглаживание по Гауссу.
Выше приведены некоторые из часто используемых фильтров детектора границ Лапласа, которые имеют небольшой размер. Ниже показано исходное изображение миньона и окончательное изображение после применения сглаживания по Гауссу (метод GaussianBlur() в cv2) с последующим обнаружением границ по Лапласу.
Обнаружение хитрых краев
Это наиболее часто используемый высокоэффективный и сложный по сравнению со многими другими методами. Это многоэтапный алгоритм, используемый для обнаружения/идентификации широкого диапазона границ. Ниже приведены различные этапы алгоритма обнаружения границ Кэнни.
- Преобразовать изображение в оттенки серого.
- Уменьшить шум. Поскольку обнаружение границ, использующих производные, чувствительно к шуму, мы уменьшаем его.
- Расчет градиента – помогает определить интенсивность и направление края.
- Немаксимальное подавление — истончение краев изображения.
- Двойной порог – для определения сильных, слабых и нерелевантных пикселей на изображениях.
- Отслеживание краев с гистерезисом: помогает преобразовать слабые пиксели в сильные, только если вокруг них есть сильные пиксели.
Ниже приведены исходное изображение миньона и изображение после применения этого метода.
Недостатки применения граничных вычислений
- Размер вывода будет уменьшен.
Если вы заметили в приведенном выше примере с входным изображением 6 * 6 после применения фильтра 3 * 3 для обнаружения краев, выходное изображение будет только 4 * 4. Обычно формула такова: если размер входного изображения равен n*n, а размер фильтра равен r*r, размер выходного изображения будет (n-r+1)*(n-r+1).
- Потеря большого количества ценной информации, особенно по краям входного изображения.
Поскольку размер выходного изображения намного меньше, чем размер исходного изображения, используемого в качестве входного (как обсуждалось выше), информация по краям входного изображения теряется, поскольку мы не повторяем несколько раз, используя фильтр для входных изображений. ' внешние края (в отличие от середины входного изображения).
Методы преодоления недостатков вычисления границ
Чтобы предотвратить потерю такой ценной информации из-за сжатия изображения, мы обычно используем «заполнение» входного изображения перед применением обнаружения краев, чтобы избежать потери ценной информации во входных изображениях.
На этом мы подошли к концу блога. Мы надеемся, что вам понравилось, и вы смогли получить ценную информацию. Если вы хотите узнать больше о таких концепциях, загляните в Great Learning Academy, где у вас будет доступ к ряду бесплатных курсов по новым технологиям, таким как искусственный интеллект, наука о данных, кибербезопасность и т. д.
Мы кратко обсудили обнаружение краев в нашем руководстве по введению в маски. Мы официально обсудим обнаружение границ здесь.
Что такое ребра
Можно также сказать, что внезапные изменения разрывов изображения называются краями. Значительные переходы в изображении называются краями.
Типы кромок
Обычно ребра бывают трех типов:
- Горизонтальные края
- Вертикальные края
- Диагональные края
Зачем обнаруживать края
Большая часть информации о форме изображения заключена в края. Итак, сначала мы обнаруживаем эти края на изображении, и с помощью этих фильтров, а затем путем улучшения тех областей изображения, которые содержат края, резкость изображения увеличивается, и изображение становится четче.
Вот некоторые маски для обнаружения границ, которые мы обсудим в следующих руководствах.
- Оператор Превитта
- Оператор Собеля
- Маски Робинзона-компаса
- Маски Krisch Compass
- Оператор Лапласа.
Вышеупомянутые фильтры являются линейными фильтрами или сглаживающими фильтрами.
Оператор Превитта
Оператор Превитта используется для обнаружения ребер по горизонтали и вертикали.
Оператор Собеля
Оператор Собеля очень похож на оператор Превитта. Это также производная маска, которая используется для обнаружения границ. Он также вычисляет края как в горизонтальном, так и в вертикальном направлении.
Компасные маски Робинзона
Этот оператор также известен как маска направления. В этом операторе мы берем одну маску и вращаем ее по всем 8 основным направлениям компаса, чтобы вычислить границы каждого направления.
Маски Kirsch Compass
Маска компаса Кирша также является производной маской, которая используется для поиска границ. Маска Кирша также используется для вычисления ребер во всех направлениях.
Оператор Лапласа
Оператор Лапласа также является производным оператором, который используется для поиска границ в изображении. Лапласиан — производная маска второго порядка. Далее его можно разделить на положительный лапласиан и отрицательный лапласиан.
Все эти маски находят края.Некоторые находят по горизонтали и вертикали, некоторые находят только в одном направлении, а некоторые находят во всех направлениях. Следующее понятие, которое следует за этим, — это повышение резкости, которое можно выполнить после извлечения краев из изображения
Повышение резкости
Резкость противоположна размытию. При размытии мы уменьшаем содержание краев, а при повышении резкости мы увеличиваем содержание краев. Таким образом, чтобы увеличить содержание краев в изображении, мы должны сначала найти края.
Ребра можно найти одним из описанных выше способов, используя любой оператор. Найдя края, мы добавим эти края на изображение, и таким образом изображение будет иметь больше краев, и оно будет выглядеть более четким.
< /p>
Обнаружение краев — это метод обработки изображений, используемый для выявления точек цифрового изображения с неоднородностями, проще говоря, с резкими изменениями яркости изображения. Эти точки, где резко меняется яркость изображения, называются краями (или границами) изображения.
Предоставлено: Сатьялакшми
Это один из основных этапов обработки изображений, распознавания образов на изображениях и компьютерного зрения. Когда мы обрабатываем цифровые изображения очень высокого разрешения, нам на помощь приходят методы свертки. Давайте разберемся с операцией свертки (представленной на изображении ниже с помощью *) на примере-
В этом примере мы используем фильтр Превитта 3*3, как показано на изображении выше. Как показано ниже, когда мы применяем фильтр для обнаружения краев на заданном изображении 6*6 (для нашего понимания мы выделили его фиолетовым цветом), выходное изображение будет содержать ((a11*1) + (a12*0) + ( a13*(-1))+(a21*1)+(a22*0)+(a23*(-1))+(a31*1)+(a32*0)+(a33*(-1))) в фиолетовом квадрате. Мы повторяем свертки по горизонтали, а затем по вертикали, чтобы получить выходное изображение.
Мы продолжим описанную выше процедуру, чтобы получить обработанное изображение после обнаружения границ. Но в реальном мире мы имеем дело с изображениями очень высокого разрешения для приложений искусственного интеллекта. Поэтому мы выбираем алгоритм для выполнения сверток и даже используем глубокое обучение, чтобы выбрать наилучшие значения фильтра.
Существуют различные методы обнаружения границ, и ниже приведены некоторые из наиболее часто используемых методов:
- Обнаружение краев Превитта
- Обнаружение границ Собеля
- Обнаружение границ Лапласа
- Осторожное обнаружение границ
Обнаружение краев Превитта
Этот метод часто используется для определения границ изображения, в основном для обнаружения горизонтальных и вертикальных границ. Ниже приведены фильтры обнаружения краев Prewitt-
Распознавание краев по Собелю. При этом используется фильтр, в котором больше внимания уделяется центру фильтра. Это один из наиболее часто используемых детекторов краев, который помогает уменьшить шум и обеспечивает дифференциацию, одновременно давая отклик на края. Ниже приведены фильтры, используемые в этом методе.
Ниже показаны изображения до и после применения обнаружения краев Sobel-
Обнаружение границ Лапласа
Лапласианские детекторы границ отличаются от рассмотренных ранее детекторов границ. Этот метод использует только один фильтр (также называемый ядром). За один проход лапласовское обнаружение краев выполняет производные второго порядка и, следовательно, чувствительно к шуму. Чтобы избежать такой чувствительности к шуму, перед применением этого метода на изображении выполняется сглаживание по Гауссу.
Выше приведены некоторые из часто используемых фильтров детектора границ Лапласа, которые имеют небольшой размер. Ниже показано исходное изображение миньона и окончательное изображение после применения сглаживания по Гауссу (метод GaussianBlur() в cv2) с последующим обнаружением границ по Лапласу.
Обнаружение хитрых краев
Это наиболее часто используемый высокоэффективный и сложный по сравнению со многими другими методами. Это многоэтапный алгоритм, используемый для обнаружения/идентификации широкого диапазона границ. Ниже приведены различные этапы алгоритма обнаружения границ Кэнни.
- Преобразовать изображение в оттенки серого.
- Уменьшить шум. Поскольку обнаружение границ, использующих производные, чувствительно к шуму, мы уменьшаем его.
- Расчет градиента – помогает определить интенсивность и направление края.
- Немаксимальное подавление — истончение краев изображения.
- Двойной порог – для определения сильных, слабых и нерелевантных пикселей на изображениях.
- Отслеживание краев с гистерезисом: помогает преобразовать слабые пиксели в сильные, только если вокруг них есть сильные пиксели.
Ниже приведены исходное изображение миньона и изображение после применения этого метода.
Недостатки применения граничных вычислений
- Размер вывода будет уменьшен.
Если вы заметили в приведенном выше примере с входным изображением 6 * 6 после применения фильтра 3 * 3 для обнаружения краев, выходное изображение будет только 4 * 4.Обычно формула такова: если размер входного изображения равен n*n, а размер фильтра равен r*r, размер выходного изображения будет (n-r+1)*(n-r+1).
- Потеря большого количества ценной информации, особенно по краям входного изображения.
Поскольку размер выходного изображения намного меньше, чем размер исходного изображения, используемого в качестве входного (как обсуждалось выше), информация по краям входного изображения теряется, поскольку мы не повторяем несколько раз, используя фильтр для входных изображений. ' внешние края (в отличие от середины входного изображения).
Методы преодоления недостатков вычисления границ
Чтобы предотвратить потерю такой ценной информации из-за сжатия изображения, мы обычно используем «заполнение» входного изображения перед применением обнаружения краев, чтобы избежать потери ценной информации во входных изображениях.
На этом мы подошли к концу блога. Мы надеемся, что вам понравилось, и вы смогли получить ценную информацию. Если вы хотите узнать больше о таких концепциях, загляните в Great Learning Academy, где у вас будет доступ к ряду бесплатных курсов по новым технологиям, таким как искусственный интеллект, наука о данных, кибербезопасность и т. д.
Мы кратко обсудили обнаружение краев в нашем руководстве по введению в маски. Мы официально обсудим обнаружение границ здесь.
Что такое ребра
Можно также сказать, что внезапные изменения разрывов изображения называются краями. Значительные переходы в изображении называются краями.
Типы кромок
Обычно ребра бывают трех типов:
- Горизонтальные края
- Вертикальные края
- Диагональные края
Зачем обнаруживать края
Большая часть информации о форме изображения заключена в края. Итак, сначала мы обнаруживаем эти края на изображении, и с помощью этих фильтров, а затем путем улучшения тех областей изображения, которые содержат края, резкость изображения увеличивается, и изображение становится четче.
Вот некоторые маски для обнаружения границ, которые мы обсудим в следующих руководствах.
- Оператор Превитта
- Оператор Собеля
- Маски Робинзона-компаса
- Маски Krisch Compass
- Оператор Лапласа.
Вышеупомянутые фильтры являются линейными фильтрами или сглаживающими фильтрами.
Оператор Превитта
Оператор Превитта используется для обнаружения ребер по горизонтали и вертикали.
Оператор Собеля
Оператор Собеля очень похож на оператор Превитта. Это также производная маска, которая используется для обнаружения границ. Он также вычисляет края как в горизонтальном, так и в вертикальном направлении.
Компасные маски Робинзона
Этот оператор также известен как маска направления. В этом операторе мы берем одну маску и вращаем ее по всем 8 основным направлениям компаса, чтобы вычислить границы каждого направления.
Маски Kirsch Compass
Маска компаса Кирша также является производной маской, которая используется для поиска границ. Маска Кирша также используется для вычисления ребер во всех направлениях.
Оператор Лапласа
Оператор Лапласа также является производным оператором, который используется для поиска границ в изображении. Лапласиан — производная маска второго порядка. Далее его можно разделить на положительный лапласиан и отрицательный лапласиан.
Все эти маски находят края. Некоторые находят по горизонтали и вертикали, некоторые находят только в одном направлении, а некоторые находят во всех направлениях. Следующее понятие, которое следует за этим, — это повышение резкости, которое можно выполнить после извлечения краев из изображения
Повышение резкости
Резкость противоположна размытию. При размытии мы уменьшаем содержание краев, а при повышении резкости мы увеличиваем содержание краев. Таким образом, чтобы увеличить содержание краев в изображении, мы должны сначала найти края.
Ребра можно найти одним из описанных выше способов, используя любой оператор. Найдя края, мы добавим эти края на изображение, и таким образом изображение будет иметь больше краев, и оно будет выглядеть более четким.
Читайте также: