Canny Edge Detector: Enthüllung der Kunst der visuellen Wahrnehmung
Von Fouad Sabry
()
Über dieses E-Book
Was ist der Canny Edge Detector
Dieser Kantenerkennungsoperator ist als Canny Edge Detector bekannt und verwendet eine mehrstufige Methode, um eine Vielzahl von zu identifizieren Kanten, die in Bildern vorhanden sind. Die Idee dazu hatte 1986 John F. Canny. Darüber hinaus entwickelte Canny eine rechnerische Theorie der Kantenerkennung, die die Logik hinter der Wirksamkeit der Technik erklärt.
Wie Sie davon profitieren
(I) Erkenntnisse und Validierungen zu den folgenden Themen:
Kapitel 1: Canny Edge Detector
Kapitel 2: Edge Detection
Kapitel 3: Sobel-Operator
Kapitel 4: Gaußsche Unschärfe
Kapitel 5: Prewitt-Operator
Kapitel 6: Bildverlauf
Kapitel 7: Deriche-Kantendetektor
Kapitel 8: Compressed Sensing
Kapitel 9: Histogramm orientierter Gradienten
Kapitel 10: Harris-Affinregion-Detektor
(II) Beantwortung der öffentlichen Top-Fragen über Canny Edge Detector.
(III) Beispiele aus der Praxis für den Einsatz von Canny Edge Detector in vielen Bereichen.
Für wen dieses Buch gedacht ist
Profis, Studenten und Doktoranden, Enthusiasten, Hobbyisten und diejenigen, die über das Grundwissen oder die Informationen zu Canny Edge Detector hinausgehen möchten.
Mehr von Fouad Sabry lesen
Ähnlich wie Canny Edge Detector
Titel in dieser Serie (100)
Histogrammausgleich: Verbesserung des Bildkontrasts für eine verbesserte visuelle Wahrnehmung Bewertung: 0 von 5 Sternen0 BewertungenComputer Vision: Erkundung der Tiefen des Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenLärmminderung: Verbesserung der Klarheit, fortschrittliche Techniken zur Rauschunterdrückung in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 BewertungenRadon-Transformation: Aufdecken verborgener Muster in visuellen Daten Bewertung: 0 von 5 Sternen0 BewertungenTonzuordnung: Tone Mapping: Erhellende Perspektiven in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenAnisotrope Diffusion: Verbesserung der Bildanalyse durch anisotrope Diffusion Bewertung: 0 von 5 Sternen0 BewertungenRetinex: Enthüllen Sie die Geheimnisse des computergestützten Sehens mit Retinex Bewertung: 0 von 5 Sternen0 BewertungenHough-Transformation: Enthüllung der Magie der Hough-Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarberscheinungsmodell: Wahrnehmung und Darstellung in Computer Vision verstehen Bewertung: 0 von 5 Sternen0 BewertungenUnterwasser-Computervision: Erkundung der Tiefen der Computer Vision unter den Wellen Bewertung: 0 von 5 Sternen0 BewertungenGamma-Korrektur: Verbesserung der visuellen Klarheit in der Computer Vision: Die Gammakorrekturtechnik Bewertung: 0 von 5 Sternen0 BewertungenFarbraum: Erkundung des Spektrums von Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenHomographie: Homographie: Transformationen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenComputer-Stereo-Vision: Erforschung der Tiefenwahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenPartikelfilter: Erforschung von Partikelfiltern in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 BewertungenGemeinsame Fotoexpertengruppe: Erschließen Sie das Potenzial visueller Daten mit dem JPEG-Standard Bewertung: 0 von 5 Sternen0 BewertungenModell des menschlichen visuellen Systems: Wahrnehmung und Verarbeitung verstehen Bewertung: 0 von 5 Sternen0 BewertungenInpainting: Überbrückung von Lücken in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBildhistogramm: Visuelle Einblicke enthüllen und die Tiefen von Bildhistogrammen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenOrientiertes Gradienten-Histogramm: Enthüllung des visuellen Bereichs: Erkundung des Histogramms mit orientierten Farbverläufen in der Bildverarbeitung Bewertung: 0 von 5 Sternen0 BewertungenBlob-Erkennung: Aufdecken von Mustern in visuellen Daten Bewertung: 0 von 5 Sternen0 BewertungenFarbzuordnung: Erforschung der visuellen Wahrnehmung und Analyse in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarbanpassungsfunktion: Spektrale Empfindlichkeit in Computer Vision verstehen Bewertung: 0 von 5 Sternen0 BewertungenBündelanpassung: Optimieren visueller Daten für eine präzise Rekonstruktion Bewertung: 0 von 5 Sternen0 BewertungenFarbmanagementsystem: Optimierung der visuellen Wahrnehmung in digitalen Umgebungen Bewertung: 0 von 5 Sternen0 BewertungenKantenerkennung: Grenzen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenAktive Kontur: Weiterentwicklung der Computer Vision mit aktiven Konturtechniken Bewertung: 0 von 5 Sternen0 BewertungenBildkompression: Effiziente Techniken zur visuellen Datenoptimierung Bewertung: 0 von 5 Sternen0 BewertungenFarbmodell: Das Spektrum des Computer Vision verstehen: Farbmodelle erkunden Bewertung: 0 von 5 Sternen0 BewertungenAffine Transformation: Visuelle Perspektiven freischalten: Erforschung der affinen Transformation in der Computer Vision Bewertung: 0 von 5 Sternen0 Bewertungen
Ähnliche E-Books
Kantenerkennung: Grenzen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenTonzuordnung: Tone Mapping: Erhellende Perspektiven in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenSchattierung: Erforschung der Bildschattierung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenAnisotrope Filterung: Entschlüsselung der visuellen Komplexität in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenKantenglättung: Verbesserung der visuellen Klarheit in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenFarbzuordnung: Erforschung der visuellen Wahrnehmung und Analyse in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBildsegmentierung: Erkenntnisse durch Pixelpräzision erschließen Bewertung: 0 von 5 Sternen0 BewertungenHistogrammausgleich: Verbesserung des Bildkontrasts für eine verbesserte visuelle Wahrnehmung Bewertung: 0 von 5 Sternen0 BewertungenStrichzeichnungsalgorithmus: Beherrschen von Techniken zur präzisen Bildwiedergabe Bewertung: 0 von 5 Sternen0 BewertungenAktive Kontur: Weiterentwicklung der Computer Vision mit aktiven Konturtechniken Bewertung: 0 von 5 Sternen0 BewertungenBeschreibende Geometrie: Den visuellen Bereich erschließen: Erkundung der beschreibenden Geometrie im Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBump-Mapping: Bump Mapping: Erforschung der Tiefe der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenPhong-Reflexionsmodell: Lichtinteraktionen in der Bildverarbeitung verstehen Bewertung: 0 von 5 Sternen0 BewertungenModell einer Lochkamera: Perspektive durch Computeroptik verstehen Bewertung: 0 von 5 Sternen0 BewertungenBündelanpassung: Optimieren visueller Daten für eine präzise Rekonstruktion Bewertung: 0 von 5 Sternen0 BewertungenBresenham-Linien-Algorithmus: Effiziente pixelgenaue Linienwiedergabe für Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenVertex-Computergrafik: Erkundung der Schnittstelle zwischen Vertex Computer Graphics und Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenComputer-Stereo-Vision: Erforschung der Tiefenwahrnehmung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBildbearbeitung für Anfänger: 30 Top Tipps für die Bildbearbeitung von digitalen Bildern Bewertung: 0 von 5 Sternen0 BewertungenZweidimensionale Computergrafik: Erkundung des visuellen Bereichs: Zweidimensionale Computergrafiken in Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenComputer-Vision-Grafikschnitte: Erforschung von Graphschnitten in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBewegungsschätzung: Fortschritte und Anwendungen in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenMinimaler Begrenzungsrahmen: Enthüllung der Leistungsfähigkeit der räumlichen Optimierung in der Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenGouraud-Schattierung: Gouraud-Shading: Erhellende Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenBildhistogramm: Visuelle Einblicke enthüllen und die Tiefen von Bildhistogrammen in der Computer Vision erkunden Bewertung: 0 von 5 Sternen0 BewertungenAdaptiver Filter: Verbesserung der Computer Vision durch adaptive Filterung Bewertung: 0 von 5 Sternen0 BewertungenGamma-Korrektur: Verbesserung der visuellen Klarheit in der Computer Vision: Die Gammakorrekturtechnik Bewertung: 0 von 5 Sternen0 BewertungenRastergrafik-Editor: Visuelle Realitäten transformieren: Rastergrafik-Editoren in Computer Vision beherrschen Bewertung: 0 von 5 Sternen0 BewertungenBestimmung verdeckter Oberflächen: Enthüllung der Geheimnisse des Computer Vision Bewertung: 0 von 5 Sternen0 BewertungenRaytracing-Grafiken: Erforschung des fotorealistischen Renderings in der Computer Vision Bewertung: 0 von 5 Sternen0 Bewertungen
Künstliche Intelligenz (KI) & Semantik für Sie
Die KI Bibel, mit künstlicher Intelligenz Geld verdienen: Echte Fallbeispiele und Anleitungen zum Umsetzen Bewertung: 1 von 5 Sternen1/5Chatbotische Medien-Gestaltung leicht gemacht: Von der Idee zum viralen Hit Bewertung: 0 von 5 Sternen0 BewertungenEinstieg ins Machine Learning: Grundlagen, Prinzipien, erste Schritte Bewertung: 0 von 5 Sternen0 BewertungenWissen statt Glauben!: Das Weltbild des neuen Humanismus Bewertung: 0 von 5 Sternen0 BewertungenChatGPT – Für Einsteiger: Schreibprofi mit KI, Zeit und Geld sparen ohne peinliche Fehler Bewertung: 0 von 5 Sternen0 BewertungenRoboter im Alltag: Maschinen (beinahe) wie Menschen Bewertung: 0 von 5 Sternen0 BewertungenKI-Innovationen: Wie die Technologie die Grenzen verschiebt Künstliche Intelligenz verstehen und nutzen: Ein AI-Buch Bewertung: 0 von 5 Sternen0 BewertungenChatGPT: Epische Reise des Erfolgs - 'Steigern Sie Ihren Reichtum': Mit Screenshots aus dem echten Leben - Erreichen Sie finanzielle Höhen Bewertung: 0 von 5 Sternen0 BewertungenChatbotische Landingpages: Wie du deine Konkurrenz in den digitalen Staub schicken Bewertung: 0 von 5 Sternen0 BewertungenKünstliche Intelligenz: Die vierte industrielle Revolution Bewertung: 0 von 5 Sternen0 BewertungenDie Zukunft der Arbeit: Digitalisierung, Automatisierung, KI Bewertung: 0 von 5 Sternen0 BewertungenPsychologie des Sozialismus Bewertung: 0 von 5 Sternen0 BewertungenKünstliche Intelligenz in Sozialen Medien Bewertung: 0 von 5 Sternen0 BewertungenChatGPT: Begegnung mit einer neuen Welt: Lernen Sie Künstliche Intelligenz mit der Gratisversion ChatGPT 3.5 Bewertung: 0 von 5 Sternen0 BewertungenMeistern von ChatGPT: Entriegeln Sie die Kraft der KI für verbesserte Kommunikation und Beziehungen: German Bewertung: 0 von 5 Sternen0 BewertungenAufstieg der Roboter: Wie unsere Arbeitswelt gerade auf den Kopf gestellt wird - und wie wir darauf reagieren müssen Bewertung: 0 von 5 Sternen0 BewertungenDigitalotopia: Sind wir bereit für die (R)Evolution der Wirklichkeit? Bewertung: 0 von 5 Sternen0 BewertungenMenschlicher Geist und Künstliche Intelligenz: Die Entwicklung des Humanen inmitten einer digitalen Welt Bewertung: 0 von 5 Sternen0 Bewertungen
Rezensionen für Canny Edge Detector
0 Bewertungen0 Rezensionen
Buchvorschau
Canny Edge Detector - Fouad Sabry
Kapitel 1: Canny Edge Detector
Um unterschiedlichste Kanten in Bildern zu erkennen, arbeitet der Canny Kantendetektor mit einem mehrstufigen Algorithmus. John F. Canny schuf es 1986. Darüber hinaus entwickelte Canny eine computergestützte Theorie der Kantenerkennung, um die Wirksamkeit der Methode zu beleuchten.
Canny Edge Detection ist eine Methode, um die zu verarbeitende Datenmenge drastisch zu reduzieren, indem nützliche Strukturinformationen aus verschiedenen Bildverarbeitungsobjekten extrahiert werden. Es hat viel Verwendung in verschiedenen Arten von Computer-Vision-Systemen gefunden. Wie Canny herausgefunden hat, hat die Implementierung der Kantenerkennung auf verschiedenen Vision-Systemen ähnliche Anforderungen. Dadurch kann eine Lösung für die Kantenerkennung, die diese Anforderungen erfüllt, breit eingesetzt werden. Im Allgemeinen erfordert die Kantenerkennung Folgendes:
Für eine fehlerarme Kantenerkennung ist es erforderlich, dass so viele Kanten des Bildes wie möglich erfolgreich identifiziert werden.
Der vom Bediener erkannte Kantenpunkt muss den geometrischen Mittelpunkt der Kante genau lokalisieren.
Um zu vermeiden, dass dieselbe Kante mehrfach markiert wird, sollte das Bildrauschen minimiert werden.
Die Variationsrechnung, eine Methode zur Entdeckung der Funktion, die ein bestimmtes Funktional optimiert, war das Werkzeug, das Canny verwendete, um diese Bedingungen zu erfüllen. Die optimale Funktion des Canny-Detektors kann durch die erste Ableitung einer Gaußschen Verteilung approximiert werden, die durch die Summe von vier Exponentialtermen definiert ist.
Der Canny-Kantenerkennungsalgorithmus ist eine der am genauesten definierten Kantenerkennungsmethoden und bietet eine gute und zuverlässige Erkennung. Er wurde schnell zu einem der am weitesten verbreiteten Kantenerkennungsalgorithmen, da er alle drei Kantenerkennungskriterien effektiv erfüllt und einfach zu implementieren ist.
Der raffinierte Kantenerkennungsalgorithmus kann in fünf verschiedene Stufen vereinfacht werden:
Glätten Sie das Bild mit einem Gauß-Filter, um das Rauschen zu entfernen.
Bestimmen Sie die Intensitätsvariationen des Bildes.
Um die falsch positiven Ergebnisse bei der Kantenerkennung zu eliminieren, kann ein Schwellenwert für die Gradientengröße oder eine Unterdrückung der unteren Grenze angewendet werden.
Um mögliche Kanten zu identifizieren, verwenden Sie einen doppelten Schwellenwert.
Bei der hysteresebasierten Kantenverfolgung wird die Kantenerkennung abgeschlossen, indem nicht verbundene, schwache Kanten ausgeblendet werden.
Da Bildrauschen die Genauigkeit eines Kantenerkennungsergebnisses stark beeinflusst, muss das Rauschen herausgefiltert werden, um eine Fehlerkennung zu vermeiden.
Bildglättung, Faltung mit einem Gaußschen Filterkern wird verwendet, um ein Bild zu verändern.
Der Kantendetektor wird nach der Anwendung dieses Prozesses weniger durch das krasse Rauschen im Bild beeinträchtigt.
Die Gleichung für einen Gaußschen Filterkern der Größe (2k+1)×(2k+1) ist gegeben durch:
{\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)}Hier ist ein Beispiel für einen 5×5 Gauß-Filter, der verwendet wird, um das nächste Bild mit \sigma = 1 zu erstellen.
Beachten Sie, dass das * auf eine Faltung hinweist.
\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 ist wichtig zu bedenken, dass die Effizienz des Detektors durch die Wahl der Gaußschen Kerngröße beeinflusst wird.
Umgekehrt proportional zur Größe, je weniger anfällig der Detektor für Rauschen ist, die.
Je größer die Kerngröße des Gauß-Filters ist, desto größer ist der Lokalisierungsfehler beim Versuch, die Kante zu erkennen.
Eine 5×5 ist in den meisten Fällen eine gute Größe, dies ändert sich jedoch je nach den jeweiligen Umständen.
Es gibt viele mögliche Ausrichtungen, auf die der Rand eines Bildes zeigen kann, Cannys Algorithmus zur horizontalen Mustererkennung verwendet ein Quartett von Filtern, verschwommene Kanten sowohl vertikal als auch diagonal.
Operatoren zum Erkennen von Kanten (z. B. Roberts), Prewitt oder Sobel) gibt einen Wert für die erste Ableitung in horizontaler Richtung (Gx) und vertikaler Richtung (Gy) zurück.
Daraus lässt sich der Winkel und die Steigung einer Kante ableiten:
\mathbf {G} ={\sqrt {{\mathbf {G} _{x}}^{2}+{\mathbf {G} _{y}}^{2}}}\mathbf {\Theta } =\operatorname {atan2} \left(\mathbf {G} _{y},\mathbf {G} _{x}\right) , wobei hypot die inverse Funktion und atan2 die Arkustangensfunktion mit zwei Argumenten ist und G als Ergebnis berechnet werden kann.
Die Richtung der Kante wird auf einen von vier Winkeln abgerundet: vertikal, horizontal, 30 Grad und 75 Grad, horizontal und die beiden Diagonalen (0°, 45°, 90° und 135°).
Für jedes Farbband wird der Winkel, in dem sich eine Kante kreuzt, festgelegt, z. B. wird θ in [0°, 22,5°] oder [157,5°, 180°] auf 0° abgebildet.
Die untere Schrankenschwelle, auch bekannt als minimale Cutoff-Unterdrückung von Gradientengrößen, ist eine Methode der Kantenausdünnung.
Um die Stellen zu lokalisieren, an denen sich der Intensitätswert am stärksten ändert, wird eine untere Grenzunterdrückung verwendet. Der Algorithmus jedes Verlaufsbildpixels ist:
Vergleichen Sie die Kantenstärke des aktuellen Pixels mit seiner Kantenstärke in den Farbverläufen nach oben und unten.
Wenn beispielsweise das aktuelle Pixel in y-Richtung zeigt, wird sein Wert beibehalten, wenn seine Kantenstärke größer ist als die aller anderen Maskenpixel, die in dieselbe Richtung zeigen. Wenn dies nicht der Fall ist, wird der Wert gesenkt.
In einigen Formen unterteilt der Algorithmus die Verlaufsrichtungen in eine Handvoll diskreter Kategorien, bevor ein 3x3-Filter auf die Zwischenergebnisse (d. h. die Kantenstärke und die Verlaufsrichtungen) angewendet wird. Wenn die Größe des Farbverlaufs des zentralen Pixels kleiner ist als die Helligkeit seiner beiden Nachbarn, wird die Kantenstärke des zentralen Pixels an diesem Pixel unterdrückt (auf 0 gesetzt). Ein typisches Beispiel: Wenn der gerundete Gradientenwinkel 0° beträgt (z.
Der Punkt wird als am Rand liegend betrachtet, wenn seine Gradientengröße größer ist als die Helligkeiten an den Pixeln in Ost- und Westrichtung (unter der Annahme, dass die Kante in Nord-Süd-Richtung liegt), wenn der abgerundete Gradientenwinkel 90° beträgt (d. h.
Der Punkt wird als am Rand liegend betrachtet, wenn die Größe seines Gradienten größer ist als die Helligkeiten an den Pixeln in Nord- und Südrichtung (vorausgesetzt, die Kante verläuft von Ost nach West), wenn der abgerundete Gradientenwinkel 135° beträgt (d. h.
Wenn die Gradientengröße des Punktes größer ist als die Helligkeiten an den Pixeln in nordwestlicher und südöstlicher Richtung (unter der Annahme, dass die Kante von Nordosten nach Südwesten verläuft), dann wird der Punkt als auf der Kante liegend betrachtet, wenn der abgerundete Gradientenwinkel 45° beträgt (d. h.
Der Punkt wird als am Rand liegend betrachtet, wenn seine Gradientengröße größer ist als die Helligkeiten an den Pixeln in nordöstlicher und südwestlicher Richtung (vorausgesetzt, die Kante verläuft von Nordwesten nach Südosten).
Implementierungen, die näher an der Markierung liegen, Zwischen zwei benachbarten Pixeln, die an gegenüberliegenden Enden der Verlaufsrichtung liegen, wird eine lineare Interpolation verwendet.
Wenn der Gradientenwinkel beispielsweise zwischen 89° und 180° liegt, kann ein