에지 검출 알고리즘을 선택할 때 고려해야 할 요소는 무엇입니까?
답변:
가장자리 감지 가능성은 많지만 언급 한 3 가지 예는 3 가지 범주로 분류됩니다.
소벨
이것은 1 차 도함수와 비슷합니다. 그라디언트가없는 경우 그라디언트 위치에서 극값을 제공합니다. 1D에서 =
- 신호가 올라가거나 내려가는 것에 따라 smooth edge => local minimum 또는 maximum.
- 1 픽셀 라인 => 0은 라인 자체에 로컬 극값 (다른 부호)이 바로 옆에 있습니다. 1D에서 =
+/- 동일한 특성을 가진 다른 대안이 Sobel에 있습니다. Wikipedia 의 Roberts Cross 페이지에서 몇 가지를 비교할 수 있습니다.
라플라스
이것은 2 차 도함수와 비슷합니다. 그래디언트 위치에서 0을 제공하고 그래디언트가없는 경우 0도 제공합니다. (더 긴) 그라디언트가 시작되거나 중지되는 극단을 제공합니다.
- 가장자리를 따라 매끄러운 가장자리 => 0, 가장자리의 시작 / 정지에서 국소 극치.
- 1 픽셀 라인 => "더블"극한의 선, 그 옆에 다른 부호를 가진 "정상"극한
다른 유형의 모서리에 대한이 2의 효과는 시각적으로 가장 잘 볼 수 있습니다.
영리한
이것은 간단한 연산자는 아니지만 Sobel을 단계 중 하나로 사용하는 다단계 접근 방식입니다. Sobel과 Laplace가 그레이 스케일 / 부동 소수점 결과를 제공하는 경우, 스스로 임계 값을 지정해야하는 경우, Canny 알고리즘은 단계 중 하나로 스마트 임계 값을 지정하므로 이진 예 / 아니요 결과 만 얻을 수 있습니다. 또한 매끄러운 가장자리에서는 그라디언트 중간에 한 줄만 있습니다.
Sobel과 Laplacian은 단순한 필터이지만 Canny는 두 가지 방식으로 그 이상의 기능을 수행합니다.
첫째, 이미지에서 모든 종류의 객체와 색상 그라디언트에 의해 생성되는 노이즈를 제거하는 최대 억제 가 아닙니다 . 둘째, 실제로 다른 모서리 방향을 식별하고 누락 된 점을 채울 수있는 단계가 포함되어 있습니다.
다시 말해, Canny edge detector는 Sobel 및 Laplacian과 완전히 다른 등급입니다. Sobel과 Laplacian은 단순히 고역 통과 필터 출력과 선형 이진 임계 값이 포함되어 있기 때문에 전체 후 처리를 포함한다는 점에서 훨씬 더 똑똑합니다.
가장자리를 감지하려고 할 때 가장 중요한 두 가지 결정은 일반적으로 다음과 같습니다.
대신 객체를 분할 한 다음 형태 연산자를 사용하여 이진 (분할 된) 이미지의 가장자리를 찾을 수 있습니까? 시끄러운 데이터를 사용하면 더 강력한 경향이 있습니다.
이미지 노이즈를 줄이기 위해 어떤 에지 보존 스무딩 필터를 사용해야합니까? 에지 필터는 시차를 기반으로하므로 시끄러운 데이터가 발생합니다. 가장 간단한 선택은 중간 필터이지만 이방성 확산 또는 비 국소 적 평균 필터는 더 많은 매개 변수를 조정하는 비용으로 더 나은 성능을 제공합니다.
가장자리 감지 자체로는 Canny를 사용하지 않는 좋은 이유가 없습니다.
수산 어프로치
에지 및 코너 감지에 대한 또 다른 접근 방식 은 SUSAN 접근 방식 입니다.
이 접근 방식에서는 미분 추정값 대신 적분 근사 접근 방식이 사용됩니다. 이것은 에지를 검출 할 수있을뿐만 아니라 "2 차원 특징 부"(예를 들어 코너)를 검출 할 수있는 이점이있다.
적분 근사 방식의 또 다른 장점은 노이즈가 결과에 미치는 영향이 적다는 것입니다.
Canny는 이진 이미지를 생성하며 외부에서 제공 한 임계 값 (이미지 / 응용 프로그램에 따라 다름)에 종속됩니다.
컨벌루션 기반 필터는 "가장자리 강도"이미지를 생성합니다. 가장자리 가중치 또는 강도가 중요한 경우 (예 : 가중치 Hough Transform)에 유용합니다.