بخشی از پاورپوینت
اسلاید 1 :
بسمه تعالي
پردازش تصوير
Edge Detection
اسلاید 2 :
كشف لبه (Edge Detection)
انسان مي تواند بسياري از اشياء را از روي تصوير خطوط آنها شناسايي كند
مثال: تصاوير كارتوني
سيستم بينايي انسان قبل از بازشناسي رنگ يا شدت روشنايي، نوعي كشف لبه انجام مي دهد.
بنابراين انجام كشف لبه قبل از تفسير تصاوير در سيستمهاي خودكار منطقي به نظر مي رسد.
انجام عمليات كشف لبه، پردازش مهمي در بسياري از سيستمهاي بينايي مصنوعي محسوب مي شود.
اسلاید 3 :
كشف لبه (Edge Detection)
لبه چيست؟ به تغييرات ناگهاني محلي در روشنايي تصوير لبه گفته مي شود.
لبه ها عموماً در مرز دو ناحيه اتفاق مي افتند.
لبه ها ويژگي مهمي در پردازش تصوير هستند.
تغييرات ناشي از نويز لبه نيستند
تصاوير واقعي نويزي هستند.
كشف لبه در تصاوير نويزي كار دشواري است.
تغييرات ناشي از سايه نيز لبه نيست.
اسلاید 4 :
لبه هاي ايده آل
اسلاید 5 :
لبه هاي نويزي
اسلاید 6 :
كشف لبه
تعاريف
يك نقطة لبه، نقطه اي است كه در محل آن تغييرات محلي روشنايي وجود دارد.
يك آشكارساز لبه، الگوريتمي است كه لبه ها را در يك تصوير محاسبه مي كند.
يك كانتور، يك مسير بسته ناشي از مرزهاي يك شي است
دنبال كردن لبه، فرايند جستجوي تصوير براي يافتن كانتورها است.
فرايند كشف لبه با دو پديده مواجه است
لبه هاي كشف شده
لبه هاي واقعي كه اطلاعات مفيد تصوير بوده و منطبق بر مرزهاي تصوير است.
لبه هاي كاذب كه مطابق لبه هاي واقعي نبوده و ناشي از نويز است
لبه هاي گم شده
لينك كردن لبه ها مي تواند مشكل لبه هاي گم شده را ترميم كند
دنبال كردن لبه، به كمك لبه هاي كشف و ترميم شده، كانتورها را پيدا مي كند.
اسلاید 7 :
تعيين محل لبه
1- كشف قطعه لبه هاي خطي كوچك (خرده لبه)
2- گردآوري خرده لبه ها به منظور ايجاد لبه
آشكارسازي خرده لبه
با استفاده از عملگر تفاضل (از دو كليشة عمود بر هم استفاده ميكنند)
با استفاده از كليشه هاي لبه (از چندين كليشه استفاده ميكنند)
با انطباق مدلهاي پارامتريك
نويز مي تواند اثر منفي بر روي كشف لبه بگذارد.
اسلاید 8 :
كشف لبه به كمك تفاضل
لبه محلي است كه در آن تغييرات رخ مي دهد
اندازه گيري تغييرات مي تواند به كمك مشتق انجام شود.
بيشترين تغييرات به معناي ماكزيمم شدن مشتق اول و صفر شدن مشتق دوم مي شود.
اسلاید 9 :
كشف لبه به كمك تفاضل
گراديان: برداري است كه حداكثر نرخ تغييرات روشنايي f(x,y) را ارائه مي كند
اسلاید 10 :
كشف لبه به كمك تفاضل
گراديان
جهت گراديان:
اين مقدار چه ارتباطي با جهت لبه دارد؟
شدت گراديان با اندازه گراديان بيان مي شود:
اسلاید 11 :
كشف لبه به كمك تفاضل
چگونه مي توان بر روي يك تصوير ديجيتال مشتق گرفت؟
از تصوير ديجيتال، يك تصوير آنالوگ بسازيم و سپس از آن مشتق بگيريم
از مشتق گسسته استفاده كنيم (Finite Difference)
از دو كليشه متعامد استفاده شده و بر اساس آنها راستاي لبه مشخص ميشود.
مثلاً:
اين روابط متناظر با كانوالو كردن تصوير با ماسكهاي زير است:
اسلاید 12 :
استخراج لبه به كمك تفاضل
Gx مشتق را در نقطة (i+1/2,j) بدست مي آورد
Gy مشتق را در نقطة (i,j+1/2) بدست مي آورد
ماسك 2*2 براي بدست آوردن لبه در (i+1/2,j+1/2)
اسلاید 13 :
استخراج لبه به كمك تفاضل
به لبه هايي كه بين پيكسلها قرار گرفته Crack Edge گفته ميشود. در اين حال پيدا كردن لبه ها ساده است اما امتداد لبه ها تنها ميتواند افقي يا عمودي باشد
اسلاید 14 :
اپراتور Robert
لبه رادر (i+1/2,j+1/2) بدست مي آورد
براي بدست آوردن نرخ تغييرات در واحد طول بايستي مقادير Gx و Gy بر راديكال 2 تقسيم شود (محاسبة گراديان قطري انجام شده)
ايراد: حساسيت بالا به نويز به دليل استفاده از نقاط كم در تخمين مشتق
اسلاید 15 :
اپراتور Prewitt
اسلاید 16 :
اپراتور Sobel
بهترين و عمومي ترين اپراتور آشكارساز لبه است
لبه را در (i,j) بدست مي آورد.
همزمان عمل هموارسازي نيز انجام مي دهد.
تاكيد بر نقاط نزديك به (i,j) است.
عموماً از ضريب 1/8 صرفنظر مي شود، ولي براي محاسبه مقدار درست گراديان اين ضريب بايستي وجود داشته باشد.
اسلاید 17 :
اپراتور Robinson
اسلاید 18 :
Original
Smoothed image
Gradient with 1x2, 2x1 masks (T=32)
Gradient with 2x2 masks (T=64)
Roberts operator (T=64)
Sobel operator (T=128)
Prewit operator (T=128)
آشكارسازي لبه با پيش پردازش هموارسازي
اسلاید 19 :
Original
Gradient with 1x2, 2x1 masks (T=64)
Gradient with 2x2 masks (T=128)
Roberts operator (T=64)
Sobel operator (T=225)
Prewit operator (T=225)
آشكارسازي لبه بدون پيش پردازش هموارسازي
اسلاید 20 :
روشهاي مبتني بر كليشه هاي لبه
در اين روش از تعدادي (4 يا 8) كليشه ميشود
هر كدام از اين كليشه ها لبه را در يك راستا مشخص مي كند
نتايج اعمال كليشه ها با يكديگر مقايسه مي شوند
كليشه اي كه بيشترين مقدار را ارائه كند، دامنه و راستاي لبه را مشخص خواهد كرد
به Thresholding هنوز هم احتياج است.
