Reunantunnistus

Wikipedia
Loikkaa: valikkoon, hakuun

Reunantunnistus on joukko erilaisia konenäön ja kuvankäsittelyn alaan kuuluvia menetelmiä, jossa etsitään digitaalisesta kuvasta sellaisia pisteitä, joissa valon intensitetti muuttuu terävästi. Näiden pisteiden voidaan olettaa kuvaavan kuvassa olevien objektien reunoja.

Reunantunnistusmenetelmien tarkempi kuvaus[muokkaa | muokkaa wikitekstiä]

Reunantunnistusmenetelmät voivat tunnistaa kuvasta

  1. Epäjatkuvuutta pintojen syvyydessä
  2. Epäjatkuvuutta pintojen suunnassa
  3. Epäjatkuvuutta pintamateriaalin ominaisuuksissa
  4. Vaihteluja objektien valaistusolosuhteissa

Reunantunnistusmenetelmille on haasteellista erottaa kuvasta kohina ja todelliset reunat. Siksi useat menetelmät edellyttävätkin kohinan poistamista kuvasta ennen varsinaista reunanetsintää.

Kuvan informaatiosisällöstä merkittävä osa on ilmaistavissa sen sisältämillä reunoilla. Näin kuvien sisältämä informaatio voidaan myös pakata hyvin pienempään tilaan ja antaa esimerkiksi syötteeksi erilaisille hahmontunnistusalgoritmeille.

Reunantunnistusmenetelmät voidaan karkeasti jakaa kahteen pääluokkaan, joista toinen perustuu gradienttien paikallisten maksimien etsimiseen ja toinen toisen asteen derivaattojen nollakohtien etsimiseen (engl. zero-crossing).

Gradienttimenetelmä[muokkaa | muokkaa wikitekstiä]

Olkoon koordinaateissa {i,j} sijaitsevan pikselin intensiteetti I_{i,j}. Yleisessä muodossa gradientin suuruus voidaan esittää seuraavasti:

|\nabla I|= \sqrt{\bigg(\frac{\partial I}{\partial x}\bigg)^2+\bigg(\frac{\partial I}{\partial y}\bigg)^2}

Yksinkertainen menetelmä on verrata pikselin molemmilla puolilla sijaitsevia intensiteettiarvoja toisiinsa:

|\nabla I_{i,j}|= \sqrt{\bigg(\frac{I_{i-1,j}-I_{i+1,j}}{(i-1)-(i+1)}\bigg)^2+\bigg(\frac{I_{i,j-1}-I_{i,j+1}}{(j-1)-(j+1)}\bigg)^2}

Paikallisten maksimien etsimiseen käytetään erilaisia konvoluutiofilttereitä, esimerkiksi Sobelin filtteriä. Lopuksi on valittava kynnysarvo (engl. threshold), jonka avulla päätetään, että mitkä suurimmat gradientit edustavat reunoja ja mitkä eivät.

Toisen asteen derivaattoihin perustuva menetelmä[muokkaa | muokkaa wikitekstiä]

Tässä menetelmässä pyritään löytämään ne kuvan pisteet, joiden kohdalla intensiteettiarvojen toinen derivaatta saa arvoja läheltä nollaa.

|\nabla^2 I|= {\bigg(\frac{\partial^2 I}{\partial x^2}\bigg)^2+\bigg(\frac{\partial^2 I}{\partial y^2}\bigg)^2} = 0

Tässäkin menetelmässä käytetään konvoluutiofilttereitä ja kynnysarvoja reunapikseleiden valitsemisessa.

Tunnetuimpia reunantunnistusalgoritmeja[muokkaa | muokkaa wikitekstiä]

  • Ensimmäisen asteen gradientteihin perustuvat:
    • Roberts Cross
    • Prewitt
    • Sobel
    • Canny
  • Toisen asteen gradientteihin perustuvat
    • Marr-Hildreth

Lisätietoja muualta[muokkaa | muokkaa wikitekstiä]

Tämä tietotekniikkaan liittyvä artikkeli on tynkä. Voit auttaa Wikipediaa laajentamalla artikkelia.