بخشی از مقاله
چکیده :
الگوریتم هاي زیادي به منظور آشکار سازي لبه ها - Edge Detection - در مبحث پردازش تصویر - Image Processing - ارائه شده اند . اساس بسیاري از این الگوریتم ها و روش ها مشتق گیري از تصویر می باشد . روش هاي جدیدي همچون روش مورفولوژیکال - morphological Edge Detector - نیز وجود دارند که از عملگرهاي صریح ریاضی و غیر مشتق گیري استفاده می کنند . الگوریتم Canny در سال 1983 مطرح شد و با اقبال شدید صاحب نظران و استفاده کنندگان روبه رو شد.
هم اکنون الگوریتم Canny به عنوان یک آشکار ساز در صنعت به صورت گسترده مورد استفاده قرار می گیرد . این الگوریتم نیز از آن دسته روش هایی که از مشتق گیري روي عکس استفاده می کنند، تقسیم بندي می شود . نتیجه بهینه از الکوریتم Canny زمانی حاصل می شود که پارامتر هاي آن size mask - ، - - Thereshold - low , high به صورت بهینه انتخاب شوند . در این تحقیق نتیجه اعمال الگوریتم بهینه شده Canny را با نتیجه حاصل شده از الگوریتم Canny موجود در Tool Box نرم افزار MATLAB و چند الگوریتم دیگر - High Boost , LOG , Morphological - ارئه شد و نتایج حاصل نشان از آن دادند که الگوریتم ارئه شده کارایی بالایی دارد .
١- مقدمه :
لبه ها مشخص کننده ي مرزها هستند، بنابراین یک مساله ي اساسی در پردازش تصویر محسوب می شوند. لبه ها در تصویر مناطقی با کنتراست قوي در Intensity هستند . به بیان دیگر یک پرش در Intensity از پیکسلی که لبه نیست به پیکسلی که لبه می باشد ، داریم . Bill Green - 2002 - آشکارسازي لبه در تصویر به مفهوم کاهش اطلاعات غیر مفید از داده ها، همراه با حفظ خصوصیات ساختاري مهم است . الگوریتم canny در آشکارسازي لبه به الگوریتم بهینه معروف است. هدف Canny بهبود الگوریتمهاي آشکارسازي لبه اي بود که در زمان او کار می کردند. او در دستیابی به هدفش کاملاً موفق بود .حال چرا الگوریتم Canny را به عنوان الگوریتم بهینه می شناسند ؟ پاسخ سوال در اهداف این الگوریتم نهفته است.
اهداف این روش عبارتند از : اولین و مهمترین هدف آن نرخ خطاي کم بود. مهم است که لبه هاي موجود در تصاویر از دست نروند و الگوریتم براي غیر لبه ها واکنش نشان ندهد . دومین هدفش این بود که نقاط موجود در لبه به خوبی شناسایی شوند، به بیان دیگر فاصله ي بین پیکسلهاي لبه که توسط آشکارساز پیدا شده و حالت واقعی آن مینیمم باشد . معیار سوم این است که الگوریتم نسبت به لبه ي منفرد تنها یک واکنش نشان دهد. این معیار به این علت در نظر گرفته شد که دو معیار اول به اندازه ي کافی توانایی آن را نداشتند تا اثر واکنش هاي چندگانه نسبت به یک لبه را حذف کنند . مسئله مهم دیگر که در آشکار سازي لبه ها موجب آزار می شود ، وجود نویزها می باشد . نویز ها همانند لبه ها حاوي فرکانس هاي بالا می باشند . الگوریتم Caany تاکید زیادي بر کاهش نویز در تصویر دارد .
-2 مروري بر مفهوم استخراج لبه :
1-2 آشکار سازي لبه : آشکار سازي لبه به پروسه ي شناسایی و تعیین خطوط تند ناپیوسته در یک تصویر برمی گردد.این خطوط ناپیوسته تغییرات ناگهانی در شدت دارند و محدوده ي اشیا را در تصویر مشخص می کنند .
2-2 ساختار لیه : همه لبه ها شامل یک مرحله ي تغییر در شدت می شوند . تکنیک هاي جدیدتر آشکار سازي لبه ، لبه ها را با توجه به طبیعت شی مورد نظر مشخصه بندي می کنند . براي مثال می توان به تصویر سر انسان اشاره کرد که در آن به لبه مرتبط با مو و یا لیه مرتبط با صورت انسان ، آشکار سازي می شود .
3-2 مفهوم مشتق گیري از تصویر :
همانطور که بیان شد این الگوریتم از مشتق گیري روي تصویر استفاده می کند . اکنون جا دارد تا دقیق تر به این قضیه - ارتباط مشتق از تصویر با لبه - نگاه کنیم . فرض کنیم در تصویر سیگنالی از یک لبه، با تغییر - جهش - شدت به صورت زیر داریم : واضح است که مشتق - گرادیان - یک ماکزیمم واقع بر مرکز لبه درسیگنال اولیه نشان می دهد. این روش از شناسایی لبه به "فیلتر گرادیان" معروف است . اگر مقدار گرادیان از یک حد آستانه بیشتر باشد آن پیکسل موقعیت یک لبه را مشخص می کند . به عنوان یک یادآوري ذکر می شود که پیکسلهاي لبه نسبت به پیکسلهاي همسایه مقادیر شدت بزرگتري دارند .
بنابراین اگر یک حد آستانه قرار داده شود ، می توان با مقایسه ي گرادیان با حد آستانه هر مکان که مقدار گرادیان بزرگتر از حد آستانه بود را به عنوان لبه درنظر گرفت . توجه کنید که در هر مکان مشتق اول ماکزیمم است مشتق دوم صفر است بنابراین یک راه دیگر براي یافتن لبه ها استفاده از مشتق دوم است که این روش همان لاپلاسین است. در زیر مشتق دوم سیگنال اولیه نشان داده شده است.
