tehnici de detectie contur
DESCRIPTION
Tehnici de Detectie ConturTRANSCRIPT
![Page 1: Tehnici de Detectie Contur](https://reader036.vdocuments.mx/reader036/viewer/2022073010/563dbaf7550346aa9aa92654/html5/thumbnails/1.jpg)
1
Abstract — Prezenta lucrare prezintă principalele metode de
detecţie a conturului utilizate în acest moment. Dată fiind
importanţa problemei în domeniul procesării imagistice, de-a
lungul timpului s-au dezvoltat mai multe tehnici. Acestea au un
comportament relativ apropiat în conditii de zgomot, dar în
situaţii practice, unele se pot arăta mai avantajoase decât
celelalte. Lucrarea are ca scop o scurtă prezentare conceptuală şi
matematică a celor mai populare metode de detecţie a conturului
şi anume: detectorii ce folosesc operatori de gradient, detectorii
laplacieni Zero Crossing, detectorii gaussieni, detectorii color şi
Laplacianul Gaussianului.
Index – detecţie, muchie, gradient, contur, operator
I. INTRODUCERE
NA dintre cele mai folosite operaţii în domeniul analizei
imaginilor şi în acelaşi timp una dintre problemele
fundamentale în acest domeniu este detecţia de contur. Un
contur sau o muchie, reprezintă limita dintre obiect şi fundal,
aşadar cunoaşterea acestuia este folositoare pentru următoarele
etape de analiză a imaginii: segmentare, registrare şi
identificarea obiectelor .
Din punct de vedere ştiinţific, un contur este definit ca fiind
totalitatea pixelilor în care există discontinuităţi abrupte de
nivele de gri.
În imaginile binare, punctele de graniţă se definesc ca fiind
pixelii negri având cel puţin un vecin alb în vecinătate, aşadar
locaţia pixelilor de forma (m,n)
pentru care u(m,n)=0 şi g(m,n)=1, unde:
u (1)
unde reprezintă operaţia de “sau exclusiv”.
Pentru o imagine continuă f(x,y), derivata sa presupune un
maxim local în direcţia muchiei. Aşadar, o metodă de detecţie
a muchiei este măsurarea gradientului lui f de-a lungul lui r în
direcţia lui :
(2)
Valoarea maximă a
se obţine când
Adică:
(3)
(4)
Unde este direcţia muchiei.
Fig.1. Gradientul lui f(x,y) de-a lungul direcţiei r [1]
Pe baza acestor concepte, vom vedea mai departe două
tipuri de detectori de muchie: operatorii de gradient şi
operatorii de compas. Pentru imaginile digitale, aceşti
operatori, care se mai numesc şi măşti, reprezintă aproximări
cu diferenţe finite ori pentru gradienţii ortogonali sau
pentru gradientul direcţional
.
Fie matricea H o mască de dimensiuni p x p. Pentru o
imagine arbitrară U, în [1] produsul scalar al acestora la
locaţia (m,n) este definit ca:
(5)
Aşadar discontinuităţile de intensitate (muchiile) reprezintă
sumele obţinute prin convoluţia imaginii procesate cu măţile
corespunzătoare.
Tehnici de detecţie de contur
Zbăganu Alexandra, Stănoiu Iulia
U
![Page 2: Tehnici de Detectie Contur](https://reader036.vdocuments.mx/reader036/viewer/2022073010/563dbaf7550346aa9aa92654/html5/thumbnails/2.jpg)
2
II. GENERALITĂŢI
Detecţia muchiilor este o problemă fundamentală în
prelucrarea imaginilor, deoarece permite extragerea
informaţiei de bază dintr-o imagine, necesară mai departe în
analiza şi înţelegerea computerizată a acesteia. Detecţia
frontierelor în imagini se bazează pe operatori care
aproximează în planul discret gradientul sau laplacianul
imaginii [3].
Clasificarea detectorilor de contur poate deveni
problematică, însă simplifică mult procesarea de imagini în
vederea artificială, prin asocierea a diferitor reguli de
procesare pentru fiecare tip de muchie (vezi fig.2)
Fig.2. Tipuri de muchii: a) muchie ascuţită; b) muchie fină; c) muchie tip
acoperiş convex; d) muchie tip acoperiş concav
În funcţie de aceste tipuri de muchii şi ţinând cont de
operatorii care pot fi folosiţi, se poate face următoarea
clasificare:
Detectori care folosesc operatori de gradient (derivata
de ordin întâi)
Detectori laplacieni Zero Crossing (care folosesc
derivata de ordinul doi)
Laplacianul Gausianului
Detectori gausieni
Detectori color
Problemele care pot apărea în extragerea contururilor şi în
segmentare sunt următoarele [2]:
1. Modificarea condiţiilor de iluminare
2. Modificarea funadalului
3. Luminanţa şi caracteristicile geometrice
4. Nivelul de zgomot, care are un impact foarte mare în
conturarea muchiei
5. Nedetectarea anumitor muchii
6. Detecţia falsă a muchiilor
7. Schimbarea poziţiei muchiei detectată de la adevărata
locaţie (dislocarea muchiei)
III. TEHNICI DE DETECŢIE
A. Operatori de gradient
Operatorii clasici
Vectorul gradient reprezintă direcţia şi mărimea variaţiei
maxime de intensitate într-un punct al unei imagini şi este
definit în funcţie de derivatele parţiale ale funcţiei imagine
f(x,y):
(6)
Operatorii de gradient sunt reprezentaţi printr-o pereche de
măşti H1 şi H2, care măsoară gradientul imaginii u(m,n) în
două direcţii ortogonale. (Fig.3)
Fig.3. Schema detecţiei de contur ce utilizează operatorii de gradient
Dacă definim aceşti gradienţi bidirecţionali ca:
şi
atunci vectorul gradient va fi descris de:
(7)
(8)
Pentru reducerea volumului de calcul, de multe ori gradietul
de calculează folosind:
(9)
Operatorii de gradient uzuali sunt Roberts, Prewitt, Sobel şi
Isotropic. În Tabelul 1 sunt prezentate măştile cu care aceştia
operează. Calitatea contururilor identificate cu ajutorul acestor
operatori, pentru o imagine cu tonuri de gri, este dependentă
de spectrul imaginii. Cu cât spectrul este mai larg, cu atât
contururile sunt mai slabe [3].
În cazul în care imaginea este afectată de zgomot, fiecare
operator poate fi descris ca un model discret de funcţii wavelet
ortogonale, în acest caz fiind necesară o subţiere de contur
ulterioară.
Locaţia (m,n) a pixelului este declarată o locaţie de muchie
dacă g(m,n) depăşeşte un prag t, numit threshold. Locaţia
punctelor de pe muchie reprezintă harta muchiei ɛ(m,n), care
se defineşte ca:
![Page 3: Tehnici de Detectie Contur](https://reader036.vdocuments.mx/reader036/viewer/2022073010/563dbaf7550346aa9aa92654/html5/thumbnails/3.jpg)
3
(10)
Unde
(11)
TABEL I
OPERATORI DE GRADIENTI UZUALI
H1 H2
Roberts
Prewitt
Sobel
Isotropic
Harta muchiei furnizează date suficiente pentru trasarea
contururilor obiectelor în imagine. De regulă t se alege
folosind histograma cumulativă a g(m,n) astfel încât sunt
declaraţi ca făcând parte din contur de la 5 la 10% dintre
pixelii cu gradientul cel mai mare.
Operatorii de compas
Operatorii de compas măsoară gradientul într-un număr de
direcţii. (Fig.4).
Fig. 4. Schema detecţiei de contur ce utilizează operatorii de compas
În Tabelul 2 sunt prezentate câteva dintre măştile
operatorilor de compass pentru detecţia muchiilor verticale. O
shiftare circulară în sens invers a acelor de ceasornic a celor
opt elemente de muchie ale acestor măşti produce o rotaţie de
45o a direcţiei gradientului.
TABEL II
GRADIENTI DE COMPAS (MUCHII VERTICALE)
1)
3)
2)
(Kirsch) 4)
Cei opt gradienţi de compas corespunzători celui de-al
treilea operator din Tabelul 2 sunt:
Fie gradientul de compas în direcţia
.
Gradientul în punctul (m,n) este definit ca:
(12)
Iar dacă acestuia îi aplicăm un threshold obţinem harta
muchiilor.
B. Operatorii Laplace si Trecerile prin Zero
Metodele anterioare de estimare a gradienţilor funcţionează
cel mai bine atunci când tranziţiile nivelelor de gri sunt
abrupte, asemănătoare funcţiei treaptă. Cum regiunea de
tranziţie devine mai largă (Fig.5), este mai avantajoasă
aplicarea derivatelor de ordinul doi.
Un operator foarte des întâlnit este operatorul laplacian,
definit ca:
(13)
Fig.5. Derivatele de ordinul întâi şi doi pentru detecţie de muchie
În tabelul de mai jos sunt prezentate trei aproximări discrete
pentru acest tip de operator.
TABEL III
OPERATORI LAPLACIENI DISCRETI
1)
2)
3)
![Page 4: Tehnici de Detectie Contur](https://reader036.vdocuments.mx/reader036/viewer/2022073010/563dbaf7550346aa9aa92654/html5/thumbnails/4.jpg)
4
Operatorul Laplacian cere mai puţine calcule, însă el este
mai sensibil la tranziţiile bruşte de intensitate, şi la zgomot. De
asemenea, mărimea de threshold a lui produce câteodată
muchii duble. Din aceste motive, împreună cu faptul că nu
detectează nici direcţia muchiei, operatorul Laplacian este
considerat un operator nu foarte bun pentru detecţie de muchii.
Acest operator se utilizează mai degrabă în relaţie cu
trecerile sale prin zero, fapt care a dus la generarea unui nou
detector de muchie, numit Zero Crossing. Acesta are
caracteristici fixe în toate direcţiile şi este sensibil la zgomot,
la fel ca operatorul Laplacian din care provine.
Un astfel de detector zero crossing este definit ca:
(14)
Unde contolează mărimea nucleului Gausian şi c
normalizează suma elementelor unei măşti date.
Trecerile prin zero ale unei imagini, convolutate cu h(m,n),
dau locaţiile muchiilor. h(m,n) este răspunsul impulsului de
eşantionare a unui filtru analogic trece-bandă al cărui răspuns
în frecvenţă este proportional cu
(15)
Aşadar, detectorul de treceri prin zero este echivalent cu un
filtru trece jos cu un răspuns în impuls de tip Gausian, urmat
de un operator Laplacian. Parametrul controlează răspunsul
în amplitudine al ieşirii filtrului fără să modifice poziţia
trecerilor prin zero. [1]
Din (1) rezultă:
(16)
Informaţia legată de direcţie poate fi obţinută căutând prin
trecerile prin zero ale derivatei de ordin doi de-a lungul lui r,
pentru fiecare variaţie a lui . [4]
C. Laplacianul Gaussianului (LoG)
Acest tip de detecţie a fost inventată de Marr şi Hildreth în
1980. Pentru o detecţie eficace a muchiilor, metoda combină
filtrarea Gausiană cu operatorii Laplace şi sparge imaginea în
locurile în care intensitatea variază. [5]
Este vorba de un operator de gradient care foloseşte
Laplacianul pentru a extrage derivata de ordinul doi a unei
imagini. O diferenţă de intensitate în imagine va apare în
graficul derivatei de ordinul al doilea ca o trecere prin zero.
Un algoritm general pentru acest tip de detecţie este [6]:
1. Netezirea imaginii folosind un filtru Gausian (reducerea
zgomotului);
2. Aplicarea transformatei Laplace (13), (căreia i se mai spune
şi „operatorul Pălărie Mexicană” datorită formei sale
invariante la rotaţii) operaţie reprezentând derivata de ordinul
doi a imaginii;
Fig.6 – Operatorul Pălărie Mexicană
3. În imaginea astfel modificată se caută schimbări de semn.
Dacă există o schimbare de semn căreia îi corespunde o pantă
mai mare decât un anumit prag, atunci se marchează pixelul
respectiv ca fiind muchie.
Operatorul Marr-Hildreth a început să fie folosit la scară
largă pentru următoarele motive:
1. Cercetătorii au descoperit la anumite animale (de regulă
pisici şi macaci) recptori care se comportă exact ca acest
operator;
2. Operatorul este simetric. Muchiile sunt determinate în toate
direcţiile, spre deosebire de operatorii direcţionali care
folosesc derivata de ordinul întâi;
3. Trecerile prin zero ale derivatei de ordinul doi sunt mai
simplu de determinat decât sunt maximele în derivate de
ordinul întâi, deoarece tot ce este sufficient de ştiut sunt
schimbările de semn în semnal;
4. Trecerile prin zero ale unui semnal generează mereu
contururi închise, ceea ce este foarte util în cazul în care se
doreşte separarea obiectelor în scenă.
Există totuşi câteva probleme:
1. Fiind un operator ce foloseşte derivata de ordinul doi,
influenţa zgomotului este una considerabilă;
2. Animalele au mai multe tipuri de receptori, aşa că
asemănarea aceasta nu este suficientă;
3. Câteodată generarea contururilor închise nu este una
realistă, operatorul Marr-Hildreth creând contururi şi în locuri
în care acestea nu există.
![Page 5: Tehnici de Detectie Contur](https://reader036.vdocuments.mx/reader036/viewer/2022073010/563dbaf7550346aa9aa92654/html5/thumbnails/5.jpg)
5
D. Detectorii Gausieni
Aceştia sunt simetrici de-a lungul muchiei, şi de asemenea
reduc zgomotul prin netezirea imaginii. Cei mai importanţi
operatori din această categorie sunt operatorul Canny şi
operatorul ISEF (Shen-Castan).
Operatorul Canny este cel mai folosit în prezent, deşi nu
face chiar parte din categoria detectorilor cei mai noi, fiind
inventat în anul 1986. A fost creat de John Canny în cadrul
lucrării sale de dizertaţie pentru un Master MIT. El a tratat
problema detecţiei de muchii ca pe o problemă de optimizare a
unei procesări de semnal [7], aşadar a implemenat o funcţie
pentru ca mai apoi s-o optimize şi să o folosească în
proiectarea operatorului.
Funcţia a fost gândită astfel încât:
- Să maximizeze RSZ pentru a oferi o detecţie bună,
- Să realizeze o bună localizare pentru a marca cu precizie
marginile,
- Să minimizeze numărul de răspunsuri pentru o singură
muchie. Acest lucru favorizează identificarea adevăratelor
negative, ceea ce presupune marcarea punctelor care nu sunt
muchii.
Global, algoritmul detecţiei de contur implementat de
Canny este următorul:
1. Netezirea imaginii
Multe implementări ale acestui detector împart acest proces
în doi paşi: primul pas este convolutarea imaginii cu o
gausiană pentru netezire, iar al doilea pas este cătarea de
maxime în derivatele parţiale de ordin întâi ale semnalului
rezultat (folosind măşti similare măştilor Sobel). Aşadar
imaginea poate fi convolutată cu 4 măşti, pentru a căuta
muchii orizontale, verticale şi diagonale.
Astfel, la acest pas operatorul Canny caută maximele funcţiei
unde
, I este imaginea iar G
gausiana.
2. Suprimarea non-maximelor
Muchiile apar în locurile în care apar maximele gradientului.
Aşadar, toate celelalte puncte trebuie anulate. Pentru a face
aceasta, trebuie calculată mărimea şi direcţia gradientului
pentru fiecare pixel în parte. Apoi trebuie verificat dacă pentru
aceşti pixeli dimensiunea gradientului este mai mare la o
distanţă de un pixel în oricare din direcţiile pozitive sau
negative perpendiculare pe gradient. Dacă pixelul nu este mai
mare decât amândouă, atunci trebuie şters.
3. Subţierea muchiilor şi eliminarea celor neimportante
(thresholding)
Metoda folosită de Canny poartă numele de “hysteresis”.
Aceasta implică folosirea a două valori diferite de threshold,
valoarea cea mare de threshold fiind de regulă de trei ori mai
mare decât cea mică. Orice pixel aflat într-o listă de muchii
care are un gradient mai mare decât valoarea maximă de
threshold este clasificat ca muchie validă. Oricare pixeli
conectaţi la aceaste puncte de muchie valide, care au o valoare
a gradientului peste vloarea minimă de threshold sunt de
asemenea clasificate ca puncte de muchie. Aceasta înseamnă
că odată ce o muchie este începută, aceasta nu se termină până
când gradientul muchiei nu scade considerabil.
Un alt tip de operator gausian este operatorul ISEF (Shen-
Castan). Acesta este, ca şi Canny, un detector optimal de
muchie, şi seamănă cu acesta din câteva puncte de vedere,
cum ar fi convoluţia cu un nucleu de netezire urmată de
căutarea muchiilor.
Funcţia care se doreşte a fi minimizată în acest caz este:
(17)
Iar funcţia filtrului optim inventată de Shen şi Castan este
filtrul exponenţial infinit simetric [8]. În spaţiul
unideimensional, ISEF este de forma:
(18)
Algoritmul ISEF este următorul:
1. Imaginea este filtrată folosind filtrul recursiv ISEF pe
orizontală şi pe verticală;
2. Se aproximează laplacianul imaginii prin scăderea imaginii
filtrate din imaginea originală. Prima derivată a funcţiei va
avea extreme în locurile corespunzătoare muchiilor din
imagine, iar derivata de ordinul doi va fi zero în aceleaşi
poziţii;
3. Suprimarea punctelor de non-maxim în scopul subţierii
muchiilor;
4. Se caută punctele de gradient. Gradientele punctelor de
muchie sunt fie puncte de maxim, fie de minim. Dacă derivata
de ordinul doi îşi schimbă semnul de la pozitiv la negativ
atunci acea trecere prin zero se consideră pozitivă, iar dacă îşi
schimbă semnul de la pozitiv la negativ se consideră trecere
prin zero negativă. Astfel trecrile prin zero pozitive vor avea
gradient pozitiv, iar cele negative vor avea gradient negativ, în
timp ce toate celelalte treceri prin zero se consideră a fi false
(şi nu fac parte din muchie);
5. Thresholding. Zgomotul produce o problemă des întâlnită în
detecţia contururilor, şi anume dungarea muchiilor, care apar
întrerupte. Această dungare poate fi combătută prin
thresholding-ul de hysteresis, metodă folosită şi de algoritmul
Canny prezentat mai sus;
6. Subţierea muchiilor.
![Page 6: Tehnici de Detectie Contur](https://reader036.vdocuments.mx/reader036/viewer/2022073010/563dbaf7550346aa9aa92654/html5/thumbnails/6.jpg)
6
Atât Canny cât şi ISEF sunt algoritmi optimi de detecţie a
muchiilor. Diferenţa este că primul foloseşte o gausiană pentru
a aproxima muchiile, în timp ce ISEF foloseşte un filtru
exponenţial. ISEF se dovedeşte a da o aproximare mai bună a
contururilor, aşadar un RSZ superior.
Totuşi, schemele de detecţie bazate pe detectori de gradient
suferă de mai multe probleme, însă rămân în continuare cei
mai utilizaţi în aplicaţiile de vedere artificială. Câteva dintre
aceste probleme sunt:
1. Trebuie să se aleagă valorile de threshold şi lăţimea măştii.
Lăţimea măştii (adică nivelul de netezire al imaginii) afectează
poziţiile trecerilor prin zero şi gradienţii de maximă intensitate
din imagine. Însă poziţia estimată a muchiei nu ar trebui să fie
afectată de mărimea măştii de convoluţie;
2. Colţurile câteodată sunt ratate, deoarece în acele zone
gradientul de ordinul 1 este mic;
3. Operatorii de acest tip găsesc caracteristici generale. Pentru
găsirea liniilor, de exemplu, trebuie să se folosească alt
operator (nu se mai caută treceri prin zero, ci m axime);
4. Există un risc destul de mare de apariţie a muchiilor acolo
nu există (fals pozitiv) sau de neconturare a muchiilor
existente (fals negativ).
E. Gradienţii stocastici
Tehnicile de detecţie prezentate până acum nu sunt foarte
eficace în cazul imaginilor zgomotoase. Zgomotul nu este
redus sufficient atunci când imaginea trece printr-un filtru
trece-jos. O alternativă ar fi proiectarea unor măşti de
extragere a muchiilor, care iau în considerare prezenţa
zgomotului într-un mod controlat [1].
Figura de mai jos arată un model de muchie a cărei regiune
de tranziţie are lăţimea de un pixel [8], şi vrem să detectăm
prezenţa unei muchii la locaţia P.
Fig. 7- Model folosit pentru exemplificarea gradientului stochastic
Pentru aceasta calculăm gradientul orizotal folosind formula:
unde reprezintă estimatul antegrad şi
estimatul retrograd al lui u(m,n) din observaţii zgomotoase
într-o fereastră W definită ca:
Estimaţii antegrazi de-a lungul orizonatlei pot fi definiţi ca:
Şi similar, putem găsi în punctual P(m,n).
În aceeaşi manieră se găseşte gradientul vertical în punctul
P(m,n).
Fie g2(m,n). Din g1(m,n) şi g2(m,n) calculăm g(m,n)
folosind shiftarea circular în sensul acelor de ceasornic a celor
8 elemente de margine ale măştii [8] şi se obţine:
F. Detecţia de muchii color
Majoritatea detectorilor de muchii funcţionează pe imagini
cu nivele de gri. Acest lucru împarte din start la trei cantitatea
de date cu care se lucrează (un singur canal în loc de trei), fapt
care produce de asemenea şi pierderea detaliilor. Prin
includerea componentei color a imaginii, detectorul ar trebui
să fie în stare să detecteze muchii chiar şi în regiuni cu variaţii
color mari şi variaţii mici de intensitate.
Există mai multe tipuri de detectori color. Detectori care
folosesc metode de fuziune, metode de gradient
multidimensional şi metode vectoriale.
Metodele de fuziune fac detecţia de muchie pentru fiecare
canal în parte, R, G şi B, după care combină cele trei hărţi de
muchii într-una singură. În [10] Alberto Salinas et al. prezintă
aceast algoritm, utilizând o metodă de regularizare pentru a
constrânge harta muchiilor să se potrivească cu imaginea şi să
aibă cât mai puţine întorsături.
Metodele de gradient multi-dimensional folosesc trei canele
în acelaşi timp pentru a calcula un singur gradient. Pornind de
la derivatele direcţionale în fiecare canal, Di Zenzo arată în
[11] formulele de calcul pentru mărimea şi direcţia acestui
gradient, care în spaţiul color este un tensor cu 3 dimensiuni.
Se folosesc mai multe metode care procesează pixelul din
punct de vedere vectorial. Yang şi Tsai [12] utilizează o
metodă cu thresholding pe două nivele, folosind blocuri 8x8
pentru a găsi cea mai bună axă de proiecţie 3D cu ajutorul
căreia să convertească fiecare bloc în nivele de gri. Însă poate
![Page 7: Tehnici de Detectie Contur](https://reader036.vdocuments.mx/reader036/viewer/2022073010/563dbaf7550346aa9aa92654/html5/thumbnails/7.jpg)
7
cel mai cuprinzător articol pe această temă este [13], unde
Trahanias şi Venetsanopoulos folosesc statistici de ordine a
vectorilor şi calculează diverse mărimi, precum valoarea de
median, pentru a face detecţia muchiilor. Algoritmii care
folosesc mai multe operaţii vectoriale sunt de preferat celor
care folosesc mai puţine [14]. Chiar dacă mecanica percepţiei
culorilor presupune trei procese separate, senzaţia noastră de
culoare, analog senzaţia de muchie, este omogenă.
IV. COMPARAŢIE ÎNTRE TEHNICILE DE DETECŢIE
O comparaţie între metodele de detecţie este greu de făcut,
întrucât trebuie să ţină seama de mai multe criterii, cum ar fi:
probabilitatea de apariţie a falsurilor pozitive, probabilitatea
de aparţie a falsurilor negative, eroarea de estimare a
unghiului muchiei, distanţa dintre muchia estimată şi
adevărata muchie, toleranţa metodei la distorsiuni precum
colţuri şi întreruperi [15].
Însă de-a lungul timpului, diversi autori au studiat şi
folosit aceste metode în detecţia de contururi, şi au ajuns la
diverse concluzii, care pot fi sintetizate ca în tabelul de mai
jos, sub formă de avantaje/dezavantaje:
TABEL IV
AVANTAJE SI DEZAVANTAJE ALE OPERATORILOR STUDIATI
Operator Avantaje Dezavantaje
Gradient Uşor de
implementat.
Detectează orientarea
muchiilor.
Sensibilitate la
zgomot.
Susceptibilitate la erori.
Laplace Detectează orientarea
muchiilor.
Au caracteristici
fixe în toate direcţiile.
Sensibilitate la zgomot.
LoG Localizează
corect muchiile.
Testează o arie
mai mare în
jurul pixelului.
Dau erori la
colţuri, curbe, şi în locurile în care
intensitatea
nivelului de gri variază.
Nu furnizează
oientarea
muchiilor.
Gausian Utilizează probabilităţi în
găsirea ratelor
de eroare.
RSZ mai bun.
Detecţie mai bună în special
în condiţii de
zgomot.
Calcule complexe.
Treceri false prin
zero.
Consumă timp.
Color Precişi.
Mai eficienţi în recunoaşterea
obiectelor.
Complicat de
implementat.
Calcule complexe.
V. CONCLUZII
Scopul acestei lucrări este de a prezenta diferite abordări ale
problemei detecţiei de muchii. Pentru aceasta am făcut un
rezumat al caracteristicilor diferiţilor operatori care s-au
folosit de-a lungul timpului referitor la această problemă.
În cazul imaginilor foarte zgomotoase nu există diferenţe
calitative foarte mari între aceşti operatori. Însă pentru
aplicaţii practice, unde se lucrează cu imagini obişnuite, cel
mai folosit la ora actuală este algoritmul Canny. Iar prin
metode de fuziune a planurilor de culoare, detectorul Canny
color oferă rezultate chiar mai bune decât varianta cu nivele de
gri.
În acest domeniu există încă numeroase posibilităţi de
cercetare, iar din acest motiv, pe viitor plănuim să proiectăm
un algoritm care să ofere o nouă abordare pentru detecţia de
muchii, în scopul recunoaşterii de obiecte.
REFERINŢE
[1] A.K.Jain, „Fundamentals of Digital Image Processing”, Prentice Hall,
USA, 1989
[2] S.Lakshmi, V.Sankaranarayanan, „A Study Of Edge Detection Techniques for Segmentation Computing Approaches”, CASCT for
Imaging and Biomedical Applications, 2010
[3] R.Oancea, “Transformata Wavelet versus operatorii clasici pentru detecţia muchiilor”
[4] R.M.Haralick, “Trecerile prin zero ale detectorului de muchie ce
foloseşte derivata direcţională de ordinal doi”, Robot Vision (A.Rosenfeld, ed.),SPIE 336, 1982
[5] D.Marr, E.C.Hildreth, „Teoria detecţiei de muchii”, Proc. R. Soc. Lond.
B270, 1980 [6] P.Sandhu, M.Juneja, E.Walia, “Comparative Analysis of Edge Detection
Techniques for extracting Refined Boundaries”, 2009 International
Conference on Machine Learning and Computing, IPCSIT vol.3 (2011) © (2011) IACSIT Press, Singapore
[7] E.Nadernejad, S.Sharifzadeh, H.Hassanpour, „Tecnici de detecţie a
muchiilor: evaluări şi comparări”, Ştiinţe matematice Aplicate, Vol.2, 2008, nr.31, 1507-1520.
[8] K.J.Pithadiza, C.K.Modi, J.D.Chauhan, „Selecţia celei mai favorabile
tehnici de detecţie e muchiilor pentru inspecţia nivelului de lichid în sticle”, International Journal of Computer Information Systems and
Industrial Management Applications (IJCISIM), Vol 3, pp: 034-044,
2011 [9] K.Sau, M.Pal, P.Karmaka, „Unique Techniques for edge detection
methods In digital Image Processing”, Department of Computer Science
& Engineering, Institute of Engineering & Management, Salt Lake, Kolkata, 2011
[10] R. Alberto Salinas, C. Richardson, M.A. Abidi and R.C. Gonzalez. Data
fusion: Color edge detection and surface [11] S. Di Zenzo. A note on the gradient of a multi-image. CVGIP,
33(1):116–125, January 1986.
[12] C.K.Yang, W.H.Tsai, “Reduction of Color Space Dimensionality by
Moment-Preserving Thresholding and its Application for Edge-
Detection in Color Images”, Pattern Recognition Letters, vol.17, no.5,
pp.481-490, May 1996. [13] P.E.Trahanias , A.N.Venetsanopoulos, „Vector Order-Statistic
Operators as Color Edge Detectors”, IEEE Trans. Systems, Man and
Cybernetics, vol. B-26, no. 1, pp. 135-143, Feb. 1996.
[14] M.A.Ruzon, C.Tomasi, „Edge, Junction and Corner Detection Using Color Distributions”, IEEE transactions on Pattern Analysis and
Machine Intelligence, Vol.23, No.11, Vov.2001
[15] R.Owens, „Lecture 6” Computer Vision IT412, 1997. http://homepages.inf.ed.ac.uk/rbf/CVonline/LOCAL_COPIES/OWENS/
LECT6/lect6.html