캐니 엣지 감지기: 시각적 인식의 예술 공개
By Fouad Sabry
()
About this ebook
캐니 엣지 디텍터
이 가장자리 감지 연산자는 영리한 가장자리 감지기로 알려져 있으며, 다양한 종류의 가장자리를 식별하기 위해 다단계 방법을 사용합니다. 이미지에 존재하는 가장자리. 1986년에 존 F. 캐니가 이에 대한 아이디어를 가지고 있었습니다. 또한 영리한 는 기술의 효율성 뒤에 있는 논리를 설명하는 가장자리 감지의 계산 이론을 개발했습니다.
혜택을 받는 방법
(I) 다음 주제에 대한 통찰력 및 검증:
1장: 영리한가장자리 감지기
2장: 가장자리 감지
3장: 소벨연산자
4장: 가우시안 흐림
5장: 프레윗연산자
6장: 이미지 그라데이션
7장: 데리쉬가장자리 감지기
8장: 압축 감지
9장: 방향성 기울기 히스토그램
10장: 해리스 아핀 영역 검출기
(II) 공개 주요 질문에 답하기 캐니 에지 검출기에 대해 설명합니다.
(III) 다양한 분야에서 캐니 에지 검출기를 사용하는 실제 사례입니다.
이 책의 대상 독자
전문가, 학부생 및 대학원생, 열성팬, 취미생활자, 그리고 모든 종류의 캐니 엣지 디텍터에 대한 기본 지식이나 정보 이상을 원하는 사람들.
Read more from Fouad Sabry
에너지 분야의 신기술 [Korean]
Related to 캐니 엣지 감지기
Titles in the series (100)
색상 프로필: 컴퓨터 비전의 시각적 인식 및 분석 탐구 Rating: 0 out of 5 stars0 ratings캐니 엣지 감지기: 시각적 인식의 예술 공개 Rating: 0 out of 5 stars0 ratings컴퓨터 시각 인식: 컴퓨터 비전의 깊이 탐구 Rating: 0 out of 5 stars0 ratings컴퓨터 스테레오 비전: 컴퓨터 비전의 깊이 인식 탐구 Rating: 0 out of 5 stars0 ratings수중 컴퓨터 비전: 파도 밑에서 컴퓨터 비전의 깊이 탐구 Rating: 0 out of 5 stars0 ratings소음 감소: 선명도 향상, 컴퓨터 비전의 노이즈 감소를 위한 고급 기술 Rating: 0 out of 5 stars0 ratings톤 매핑: 톤 매핑: 컴퓨터 비전의 관점 밝히기 Rating: 0 out of 5 stars0 ratings히스토그램 균등화: 향상된 시각적 인식을 위한 이미지 대비 향상 Rating: 0 out of 5 stars0 ratings인간 시각 시스템 모델: 인식 및 처리 이해 Rating: 0 out of 5 stars0 ratings이미지 압축: 시각적 데이터 최적화를 위한 효율적인 기술 Rating: 0 out of 5 stars0 ratings감마 보정: 컴퓨터 비전의 시각적 선명도 향상: 감마 보정 기술 Rating: 0 out of 5 stars0 ratings색상 관리 시스템: 디지털 환경에서 시각적 인식 최적화 Rating: 0 out of 5 stars0 ratings라돈 변환: 시각적 데이터에 숨겨진 패턴 밝히기 Rating: 0 out of 5 stars0 ratings아핀 변환: 시각적 관점 잠금 해제: 컴퓨터 비전의 아핀 변환 탐색 Rating: 0 out of 5 stars0 ratings해리스 코너 감지기: 이미지 특징 감지의 마법 공개 Rating: 0 out of 5 stars0 ratings하다마드 변환: 컴퓨터 비전에서 아다마르 변환의 힘 공개 Rating: 0 out of 5 stars0 ratings이방성 확산: 이방성 확산을 통한 이미지 분석 향상 Rating: 0 out of 5 stars0 ratings이미지 히스토그램: 시각적 통찰력 공개, 컴퓨터 비전의 이미지 히스토그램 깊이 탐색 Rating: 0 out of 5 stars0 ratings가장자리 감지: 컴퓨터 비전의 경계 탐색 Rating: 0 out of 5 stars0 ratings레티넥스: 레티넥스 를 통해 컴퓨팅 비전의 비밀을 밝히다 Rating: 0 out of 5 stars0 ratings최소제곱: 컴퓨터 비전을 위한 최적화 기술: 최소 제곱법 Rating: 0 out of 5 stars0 ratings인페인팅: 컴퓨터 비전의 격차 해소 Rating: 0 out of 5 stars0 ratings공동 사진 전문가 그룹: JPEG 표준으로 시각적 데이터의 힘 활용 Rating: 0 out of 5 stars0 ratings필터 뱅크: 컴퓨터 비전의 필터 뱅크 기술에 대한 통찰력 Rating: 0 out of 5 stars0 ratings시각적 인식: 컴퓨터 시각적 처리에 대한 통찰력 Rating: 0 out of 5 stars0 ratings호모그래피: 호모그래피: 컴퓨터 비전의 변화 Rating: 0 out of 5 stars0 ratings적응형 필터: 적응 필터링을 통해 컴퓨터 비전 향상 Rating: 0 out of 5 stars0 ratings활성 윤곽: 능동 윤곽 기술을 통한 컴퓨터 비전의 발전 Rating: 0 out of 5 stars0 ratings허프 변환: 컴퓨터 비전에서 Hough 변환의 마법 공개 Rating: 0 out of 5 stars0 ratings색 공간: 컴퓨터 비전의 스펙트럼 탐색 Rating: 0 out of 5 stars0 ratings
Related ebooks
가장자리 감지: 컴퓨터 비전의 경계 탐색 Rating: 0 out of 5 stars0 ratings스케일 불변 특징 변환: 컴퓨터 비전에서 규모 불변 기능 변환의 힘 공개 Rating: 0 out of 5 stars0 ratings보행자 감지: '컴퓨터 비전' 영역에서 '보행자 감지'라는 제목의 도서에 대한 부제를 제안해 주세요. 추천 자막에는 ':'이 포함되어서는 안 됩니다. Rating: 0 out of 5 stars0 ratings해리스 코너 감지기: 이미지 특징 감지의 마법 공개 Rating: 0 out of 5 stars0 ratings피라미드 이미지 처리: 시각적 분석의 깊이 탐구 Rating: 0 out of 5 stars0 ratings컴퓨터 비전 기본 매트릭스: '컴퓨터 비전' 영역에 '컴퓨터 비전 기본 매트릭스'라는 제목의 책 부제를 제안해주세요. 추천 자막에는 ':'이 포함되어서는 안 됩니다. Rating: 0 out of 5 stars0 ratings얼룩 감지: 시각적 데이터의 패턴 공개 Rating: 0 out of 5 stars0 ratings이미지 분할: 픽셀 정밀도 을 통해 통찰력 확보 Rating: 0 out of 5 stars0 ratings규모 공간: 컴퓨터 비전의 차원 탐색 Rating: 0 out of 5 stars0 ratings광학 흐름: 컴퓨터 비전의 동적 시각적 패턴 탐색 Rating: 0 out of 5 stars0 ratings적응형 필터: 적응 필터링을 통해 컴퓨터 비전 향상 Rating: 0 out of 5 stars0 ratings이중선형 보간: 쌍선형 보간을 통해 이미지 해상도 및 선명도 향상 Rating: 0 out of 5 stars0 ratings이미지 히스토그램: 시각적 통찰력 공개, 컴퓨터 비전의 이미지 히스토그램 깊이 탐색 Rating: 0 out of 5 stars0 ratings번들 조정: 정확한 재구성을 위한 시각적 데이터 최적화 Rating: 0 out of 5 stars0 ratings안티 앨리어싱: 컴퓨터 비전의 시각적 명확성 향상 Rating: 0 out of 5 stars0 ratings지향성 그라디언트 히스토그램: 시각적 영역 공개: 컴퓨터 비전에서 지향성 그라데이션 히스토그램 탐색 Rating: 0 out of 5 stars0 ratings허프 변환: 컴퓨터 비전에서 Hough 변환의 마법 공개 Rating: 0 out of 5 stars0 ratings문서 모자이크: 문서 모자이크를 통해 시각적 통찰력 확보 Rating: 0 out of 5 stars0 ratings컴퓨터 비전 그래프 컷: 컴퓨터 비전의 그래프 컷 탐색 Rating: 0 out of 5 stars0 ratings은선 제거: 보이지 않는 것의 공개: 컴퓨터 비전의 비밀 Rating: 0 out of 5 stars0 ratings단어 가방 모델: 단어 가방 로 시각적 지능 잠금 해제 Rating: 0 out of 5 stars0 ratings관절 신체 자세 추정: 컴퓨터 비전에서 인간의 움직임 잠금 해제 Rating: 0 out of 5 stars0 ratings이방성 필터링: 컴퓨터 비전의 시각적 복잡성 해결 Rating: 0 out of 5 stars0 ratings멀티뷰 3차원 재구성: 컴퓨터 비전의 공간 인식을 위한 고급 기술 Rating: 0 out of 5 stars0 ratings홍수 채우기: 컴퓨터 시각 인식의 동적 지형 탐색 Rating: 0 out of 5 stars0 ratings라디오시티 컴퓨터 그래픽: 컴퓨터 비전의 라디오시티를 통한 시각화 향상 Rating: 0 out of 5 stars0 ratings범프 매핑: 범프 매핑: 컴퓨터 비전의 깊이 탐구 Rating: 0 out of 5 stars0 ratings고로 쉐이딩: 조명 컴퓨터 비전 Rating: 0 out of 5 stars0 ratings숨겨진 표면 결정: 컴퓨터 비전의 비밀 공개 Rating: 0 out of 5 stars0 ratings최소제곱: 컴퓨터 비전을 위한 최적화 기술: 최소 제곱법 Rating: 0 out of 5 stars0 ratings
Reviews for 캐니 엣지 감지기
0 ratings0 reviews
Book preview
캐니 엣지 감지기 - Fouad Sabry
챕터 1: 캐니 에지 감지기
이미지에서 다양한 가장자리를 감지하기 위해 Canny 가장자리 감지기는 다단계 알고리즘을 사용합니다. John F. Canny는 1986년에 만들었습니다. 또한 Canny는 이 방법의 효능을 밝히기 위해 가장자리 감지의 계산 이론을 개발했습니다.
캐니 에지 검출은 다양한 비전 객체에서 유용한 구조 정보를 추출하여 처리해야 하는 데이터의 양을 크게 줄이는 방법입니다. 다양한 종류의 컴퓨터 비전 시스템에서 많이 사용되었습니다. Canny가 발견한 바와 같이, 다양한 비전 시스템에서 에지 감지를 구현하는 데에도 유사한 요구 사항이 있습니다. 결과적으로, 이러한 요구 사항을 충족하는 에지 감지 솔루션을 광범위하게 적용할 수 있습니다. 일반적으로 가장자리 감지에는 다음이 필요합니다.
오류가 낮은 가장자리 감지를 위해서는 가능한 한 많은 이미지의 가장자리를 성공적으로 식별해야 합니다.
작업자가 감지한 모서리 점은 모서리의 기하학적 중심을 정확하게 찾아야 합니다.
동일한 가장자리의 여러 인스턴스가 표시되지 않도록 하려면 이미지 노이즈를 최소화해야 합니다.
특정 기능을 최적화하는 기능을 발견하는 방법인 변형 미적분학은 Canny가 이러한 조건을 충족하는 데 사용한 도구였습니다. 캐니 검출기의 최적 함수는 가우스 분포의 1계 도함수로 근사할 수 있으며, 가우스 분포는 4개의 지수 항의 합으로 정의됩니다.
Canny 에지 감지 알고리즘은 가장 정확하게 정의된 에지 감지 방법 중 하나이며 우수하고 신뢰할 수 있는 감지를 모두 제공합니다. 세 가지 에지 감지 기준을 모두 충족하는 효과와 구현 용이성으로 인해 가장 널리 사용되는 에지 감지 알고리즘 중 하나로 빠르게 두각을 나타냈습니다.
캐니 에지 감지 알고리즘은 5단계로 단순화할 수 있습니다.
노이즈를 제거하기 위해 가우스 필터로 이미지를 매끄럽게 합니다.
이미지의 강도 변화를 결정합니다.
간선 검출에서 거짓 양성을 제거하기 위해 기울기 크기 임계값 설정 또는 하한 컷오프 억제를 적용할 수 있습니다.
가능한 간선을 식별하려면 이중 임계값을 사용하십시오.
히스테리시스 기반 에지 추적에는 연결되지 않은 약한 에지를 차단하여 에지 감지를 마무리하는 작업이 포함됩니다.
이미지 노이즈는 가장자리 감지 결과의 정확도에 큰 영향을 미치기 때문에 잘못된 감지를 방지하려면 노이즈를 필터링해야 합니다.
이미지 스무딩, 가우스 필터 커널을 사용한 컨볼루션은 이미지를 변경하는 데 사용됩니다.
가장자리 감지기는 이 프로세스가 적용된 후 이미지의 노골적인 노이즈의 영향을 덜 받습니다.
크기가 (2k+1)×(2k+1) 인 가우스 필터 커널에 대한 방정식은 다음과 같이 계산됩니다.
{\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)}다음은 = 1인 \sigma 다음 그림을 만드는 데 사용되는 5×5 가우스 필터의 예입니다.
*는 컨볼루션을 나타냅니다.
\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} .검출기의 효율성은 가우스 커널 크기 선택에 의해 영향을 받는다는 점을 명심하는 것이 중요합니다.
크기에 반비례할수록 감지기가 노이즈에 덜 민감합니다.
또한 가우스 필터의 커널 크기가 클수록 에지를 감지하려고 할 때 현지화 오류가 커집니다.
대부분의 경우 5×5가 좋은 크기이지만 상황에 따라 달라집니다.
이미지의 가장자리가 가리킬 수 있는 가능한 방향은 많으며, 수평 패턴 인식을 위한 Canny의 알고리즘은 수직 및 대각선으로 흐릿한 가장자리인 4중주의 필터를 사용합니다.
간선 검출 연산자(예: Roberts), Prewitt 또는 Sobel)은 가로 방향(Gx)과 세로 방향(G y)의 1계 도함수 값을 반환합니다.
모서리의 각도와 기울기는 다음에서 추론할 수 있습니다.
\mathbf {G} ={\sqrt {{\mathbf {G} _{x}}^{2}+{\mathbf {G} _{y}}^{2}}}\mathbf {\Theta } =\operatorname {atan2} \left(\mathbf {G} _{y},\mathbf {G} _{x}\right) 여기서 hypot는 역함수이고 atan2는 두 개의 인수를 갖는 아크탄젠트 함수이며 G는 결과로 계산될 수 있습니다.
가장자리의 방향은 수직, 수평, 30도, 75도, 수평의 네 가지 각도와 두 개의 대각선(0°, 45°, 90°, 135°) 중 하나로 둥글게 됩니다.
각 색상 밴드에 대해 가장자리가 교차하는 각도가 고정됩니다(예: [0°, 22.5°] 또는 [157.5°, 180°]의 θ는 0°에 매핑됨).
기울기 크기의 최소 차단 억제라고도 하는 하한 임계값 설정은 가장자리 씨닝(edge thininning)의 한 방법입니다.
강도 값이 가장 크게 변하는 지점을 정확히 찾아내기 위해 하한 컷오프 억제가 사용됩니다. 각 그래디언트 이미지 픽셀의 알고리즘은 다음과 같습니다.
현재 픽셀의 가장자리 강도를 위쪽 및 아래쪽 그라데이션의 가장자리 강도와 비교합니다.
예를 들어 현재 픽셀이 y 방향을 가리키는 경우 가장자리 강도가 같은 방향을 가리키는 다른 모든 마스크 픽셀의 값보다 크면 해당 값이 유지됩니다. 이 작업이 수행되지 않으면 값이 낮아집니다.
이 알고리즘은 일부 형태에서 중간 결과(즉, 가장자리 강도 및 기울기 방향)에 3x3 필터를 적용하기 전에 기울기 방향을 소수의 불연속 범주로 구분합니다. 중심 픽셀의 그라데이션 크기가 인접한 두 픽셀의 크기보다 작으면 해당 픽셀에서 중심 픽셀의 가장자리 강도가 억제됩니다(0으로 설정). 예를 들어, 둥근 기울기 각도가 0°인 경우(즉,
그라데이션 크기가 동쪽과 서쪽 방향의 픽셀 크기보다 크면(가장자리가 남북 방향이라고 가정), 둥근 그라데이션 각도가 90°인 경우(즉,
그라데이션의 크기가 북쪽과 남쪽 방향의 픽셀 크기보다 크면(가장자리가 동쪽에서 서쪽으로 이어진다고 가정), 둥근 기울기 각도가 135°인 경우(즉,
점의 기울기 크기가 북서쪽 및 남동쪽 방향의 픽셀 크기보다 큰 경우(가장자리가 북동쪽에서 남서쪽으로 뻗어 있다고 가정) 둥근 기울기 각도가 45°(즉,
그라데이션 크기가 북동쪽 및 남서쪽 방향의 픽셀 크기보다 큰 경우 Point는 가장자리에 있는 것으로 간주됩니다(가장자리가 북서쪽에서 남동쪽으로 뻗어 있다고 가정).
표시에 더 가까운 구현, 그라데이션 방향의 반대쪽 끝에 있는 두 개의 인접한 픽셀 사이에는 선형 보간이 사용됩니다.
예를 들어 그라데이션 각도가 89°에서 180° 사이인 경우 북쪽 및 북동쪽 픽셀의 그라데이션을 평균화하여 한 값을 보간할 수 있고, 남쪽 및 남서쪽 픽셀을 보간하여 나머지를 생성할 수 있습니다(마지막 단락의 규칙 사용).
이 두 임계값을 모두 초과해야 중앙 픽셀의 그라데이션이 가장자리로 간주됩니다.
어느 쪽을 향하고 있든 상관없다는 것을 명심하십시오. North-South는 South-North와 동일합니다.
전체 억제보다 낮은 억제를 사용한 후 나머지 가장자리 픽셀은 이미지의 실제 가장자리를 더