DETECȚIA MARGINILOR

Masteranzi:
Abrudean Sergiu
Barcau Emanuel
Danciu Carmen
Florian Andrei
Zabica Andriana

CLUJ-NAPOCA
2019
 Cuprins

INTRODUCERE

Generalități 1
Motivații 3
Proprietățile marginilor 4
Un model de margine simplu 4
Abordări 4
Îndepărtarea marginilor 5
Aspecte privind aplicația informatică 6
Concluzii 12

BIBLIOGRAFIE 13
 1. Introducere
Una dintre cele mai folosite operaţii în domeniul analizei imaginilor şi în
acelaşi timp una dintre problemele fundamentale în acest domeniu este detecţia de
contur (marginilor). Un contur sau o muchie, reprezintă limita dintre obiect şi
fundal, aşadar cunoaşterea acestuia este folositoare pentru următoarele etape de
analiză a imaginii: segmentare, registrare şi identificarea obiectelor .
Detecția marginilor include o varietate de metode matematice care vizează
identificarea punctelor într-o imagine digitală la care luminozitatea imaginii se
schimbă brusc sau, mai formal, are discontinuități. Punctele la care se schimbă
intensitatea luminozității imaginii sunt de obicei organizate într-un set de segmente
de linie curbate denumite margini.
Aceeași problemă de descoperire a discontinuităților în semnalele
unidimensionale este cunoscută sub denumirea de detectare pasă, iar problema
găsirii discontinuităților semnalului în timp este cunoscută ca detectarea
modificărilor.
Detecția marginilor este un instrument fundamental în procesarea imaginilor,
viziunea mașinilor și viziunea asupra computerului, în special în ceea ce privește
detectarea caracteristicilor și extragerea caracteristicilor.

2. Generalități
Detecţia muchiilor este o problemă fundamentală în prelucrarea imaginilor,
deoarece permite extragerea informaţiei de bază dintr-o imagine, necesară mai
departe în analiza şi înţelegerea computerizată a acesteia.
Detecţia frontierelor în imagini se bazează pe operatori care aproximează în
planul discret gradientul sau laplacianul imaginii.
Clasificarea detectorilor de contur poate deveni problematică, însă simplifică
mult procesarea de imagini în vederea artificială, prin asocierea a diferitor reguli de
procesare pentru fiecare tip de muchie (Fig. 1).

1
 Figura 1: Tipuri de muchii: a) muchie ascuţită; b) muchie fină; c) muchie tip
acoperiş convex; d) muchie tip acoperiş concav
În funcţie de aceste tipuri de muchii şi ţinând cont de operatorii care pot fi
folosiţi, se poate face următoarea clasificare:
 Detectori care folosesc operatori de gradient (derivata de ordin întâi)
 Detectori laplacieni Zero Crossing (care folosesc derivata de ordinul
doi)
 Laplacianul Gausianului
 Detectori gausieni
 Detectori color
Avantajele și dezavantajele utilizării operatorilor prezentați mai sus sunt
următoarele:
Operator Avantaje Dezavantaje

Gradient  Uşor de implementat.  Sensibilitate la zgomot.

 Detectează orientarea  Susceptibilitate la erori.
muchiilor.
Laplace  Detectează orientarea  Sensibilitate la zgomot.
muchiilor.
 Au caracteristici fixe în
toate direcţiile.
LoG  Localizează corect  Dau erori la colţuri,
muchiile. curbe, şi în locurile în
 Testează o arie mai mare în care intensitatea nivelului
jurul pixelului. de gri variază.
 Nu furnizează orientarea
muchiilor
Gaussian  Utilizează probabilităţi în  Calcule complexe.

2
 găsirea ratelor de eroare.  Treceri false prin zero.
 RSZ mai bun.  Consumă timp.
 Detecţie mai bună în special
în condiţii de zgomot.
Color  Precişi.  Complicat de
 Mai eficienţi în implementat.
recunoaşterea obiectelor.  Calcule complexe.

Problemele care pot apărea în extragerea contururilor şi în segmentare sunt

următoarele:
A. Modificarea condiţiilor de iluminare
B. Modificarea funadalului
C. Luminanţa şi caracteristicile geometrice
D. Nivelul de zgomot, care are un impact foarte mare în conturarea muchiei
E. Nedetectarea anumitor muchii
F. Detecţia falsă a muchiilor
G. Schimbarea poziţiei muchiei detectată de la adevărata locaţie (dislocarea
muchiei)
3. Motivații
Scopul detectării unor modificări clare în luminozitatea imaginii este de a
capta evenimente importante și modificări ale proprietăților lumii .
Se poate demonstra că în ipotezele destul de generale pentru un model de
formare a imaginii, discontinuitățile în luminozitatea imaginii pot corespunde:
discontinuități în
pronfuzime
discontinuități în orientarea suprafeței
modificări ale proprietăților materialului
variații în iluminarea
schemei
În cazul ideal, rezultatul aplicării unui detector de margine la o imagine
poate conduce la un set de curbe conectate care indică limitele obiectelor, limitele
marcajelor suprafeței, precum și curbele care corespund discontinuităților în
orientarea suprafeței. Astfel, aplicarea unui algoritm de detectare a marginilor unei

3
imagini poate reduce în mod semnificativ cantitatea de date care trebuie prelucrate
și, prin urmare, poate filtra informațiile care pot fi considerate mai puțin relevante,
păstrând în același timp proprietățile structurale importante ale unei imagini.
Dacă etapa de detectare a marginilor este reușită, sarcina ulterioară de a
interpreta conținutul informației în imaginea originală poate fi, prin urmare,
substanțial simplificată. Cu toate acestea, nu este întotdeauna posibil să se obțină
astfel de margini ideale din imagini reale cu o complexitate moderată.
Marginile extrase din imaginile non-triviale sunt adesea împiedicate de
fragmentare, ceea ce înseamnă faptul că curbele de margine nu sunt conectate,
lipsesc segmentele margine, precum și marginile false nu corespund fenomenelor
interesante din imagine - complicând astfel sarcina ulterioară de interpretare a
datelor imaginii.
Detecția muchiilor este unul dintre pașii fundamentali în procesarea
imaginilor, analiza imaginilor, recunoașterea modelului de imagine și tehnicile
viziunii pe computer.

4. Proprietățile marginilor
Marginile extrase dintr-o imagine bidimensională a unei scene
tridimensionale pot fi clasificate fie ca punct de vedere dependent, fie independent
de punct de vedere. O margine independentă de vedere reflectă în mod tipic
proprietățile inerente ale obiectelor tridimensionale, cum ar fi marcajele de
suprafață și forma suprafeței. O margine dependentă de vedere se poate schimba pe
măsură ce punctul de vedere se schimbă și de obicei reflectă geometria scenei, cum
ar fi obiectele care se închid unul pe altul.
O margine tipică poate fi, de exemplu, granița dintre un bloc de culoare roșie
și un bloc de culoare galben. În contrast, o linie, cum poate fi extrasă de către un
detector de creastă, poate fi un număr mic de pixeli de altă culoare pe un fundal
astfel neschimbat. Pentru o linie, poate exista de obicei o margine pe fiecare parte a
liniei.

5. Un model de margine simplu

Deși o anumită literatură a luat în considerare detectarea marginilor ideale
ale muchiilor, marginile obținute din imaginile naturale nu sunt, de obicei,

4
marginile ideale. În schimb, acestea sunt în mod normal afectate de unul sau mai
multe dintre următoarele efecte:
 Încețoșare focală cauzată de o profunzime de câmp finită și funcția de
răspândire a punctului finit;
 încețoșare prenumbrală cauzată de umbre create de surse de lumină de
rază non-zero;
 umbrire la un obiect neted.
Un număr de cercetători au folosit o margine de trecere netedă Gaussian, o
funcție de eroare ca fiind cea mai simplă extensie a modelului de margine ideal
pentru modelarea efectelor neclarității marginilor în aplicații practice. Astfel, o
imagine unidimensională f care are exact o margine plasată la x=0 pot fi modelate
ca:

În partea stângă a marginii, intensitatea este: Iar în dreapta este:

Parametrul scalei se numește scara de estompare a marginii. În mod ideal,

acest parametru de scalare trebuie ajustat în funcție de calitatea imaginii pentru a
evita distrugerea marginilor reale ale imaginii.

6. Abordări
Există multe metode de detectare a marginilor, însă majoritatea acestora pot
fi grupate în două categorii, bazate pe căutare și bazate pe zero.
Metodele bazate pe căutare detectează marginile prin calcularea mai întâi a
unei valori a rezistenței marginilor, de obicei o expresie derivată de ordinul întâi,
cum ar fi magnitudinea de gradient, și apoi căutarea maximelor direcționale locale
ale mărimii gradientului folosind o estimare calculată a orientării locale a
marginea, de obicei direcția de gradient.
Metodele bazate pe trasul zero caută traversări zero într-o expresie derivată
de ordinul doi calculată din imagine pentru a găsi muchii, de obicei, traversările
zero ale Laplacianului sau traversarea zero a unei expresii diferențiale neliniare.
5
 Metodele de detectare a marginilor care au fost publicate diferă în principal
în funcție de tipurile de filtre de netezire care se aplică și de modul în care se
calculează măsurătorile rezistenței marginilor.
Deoarece multe metode de detectare a marginilor se bazează pe calculul
gradienților imaginii, ele diferă și în tipurile de filtre utilizate pentru calculul
estimărilor de gradient în direcțiile x și y.
John Canny a considerat problema matematică de a obține un filtru optim de
netezire, având în vedere criteriile de detectare, localizare și minimizarea
răspunsurilor multiple la o singură margine. El a arătat că filtrul optim dat acestor
ipoteze este o sumă de patru termeni exponențiali.
Canny a introdus, de asemenea, noțiunea de suprimare non-maximă, ceea ce
înseamnă că, având în vedere filtrele de prespirație, punctele de margine sunt
definite ca puncte în care mărimea gradientului presupune un maxim local în
direcția gradientului.

7. Îndepărtarea marginilor
Îndepărtarea marginilor este o tehnică folosită pentru a elimina punctele
nedorite pe margini dintr-o imagine. Această tehnică este utilizată după ce
imaginea a fost filtrată pentru zgomot utilizând filtrul median, Gaussian etc.,
operatorul de margine a fost aplicat ca cele descrise mai sus pentru a detecta
marginile și după ce marginile au fost netezite folosind o valoare de prag
corespunzătoare. Aceasta elimină toate punctele nedorite și dacă este aplicată cu
atenție, rezultă elemente de margine cu un pixel gros.
Avantaje:
 marginile ascuțite și subțiri conduc la o mai mare eficiență în recunoașterea
obiectelor;
 dacă transformările Hough sunt folosite pentru detectarea liniilor și elipselor,
subțierea ar putea da rezultate mult mai bune;
 dacă se întâmplă ca marginea să fie să fie limitată unei regiuni, atunci
subțierea ar putea da cu ușurință parametrii imaginii fără prea multă algebră.

6
 8. Aspecte privind aplicația informatică

Figura 2. Poza originală

A. Efectul Gaussian Blur
În procesarea imaginilor, efectul Gaussian Blur (cunoscută și sub denumirea
de netezire gaussiană) este rezultatul estompării unei imagini de către o funcție
gaussiană (numită după matematicianul și omul de știință Carl Friedrich Gauss).
Este un efect utilizat pe scară largă în software-ul grafic, de obicei pentru a reduce
zgomotul imaginii și pentru a reduce detaliile.

Figura 3. Matrice Gaussian Blur

Figura 4. Implementarea efectului Gaussian Blur

7
 Figura 5. Rezultatul efectului Gaussian Blur
Diferența dintre poza originală și cea asupra căreia a fost implementat
efectul Gaussian Blur, este atât de mică, deoarece nivelul zgomotului este redus.
B. Efectul Luma Black and White
Efectul Luma reprezintă luminozitatea dintr-o imagine („alb-negru” sau
porțiunea acromatică a imaginii).

Figura 6. Declararea mulțimii Luma Black and White

Figura 7. Implementarea efectului Luma Black and White

8
 Figura 8. Rezultatul efectului Luma Black and White
C. Efectul Sobel Edge Detection
Efectul Sobel Edge Detection este utilizat în procesarea imaginilor, în
special în algoritmii de detectare a marginilor, unde creează o imagine care
subliniază marginile.

Figura 9. Matricile X și Y ale efectului Sobel Edge Detection

Figura 10. Implementarea efectului Sobel Edge Detection pe axa X

9
 Figura 11. Implementarea efectului Sobel Edge Detection pe axa Y

Figura 12. Rezultatul efectului Sobel Edge Detection

D. Efectul Canny Edge Detection
Detectorul Canny a fost derivat pornind de la un punct de vedere discret și
apoi ducând la un set de filtre recursive pentru netezirea imaginii în loc de filtre
exponențiale sau filtre gaussiene.

Figura 13. Declararea constantelor Canny

10
Figura 14. Implementarea efectului Canny

11
 Figura 15. Rezultatul efectului Canny

9. Concluzii
În urma realizării proiectului de față, metodele implementate de noi s-au
dovedit a fi eficiente în reducerea complexității analizării datelor de către algoritmi
de procesare și clasificare a imaginilor.
Aplicația respectivă facilitează procesul de antrenare în domeniul
inteligenței articiale, spre exemplu a rețelelor neuronale convoluționale.

12
 Bibliografie
https://www.ro.w3ki.com/java_dip/edge_detection.html
https://en.wikipedia.org/wiki/Edge_detection
https://en.wikipedia.org/wiki/Canny_edge_detector
https://ru.scribd.com/document/412591678/Detectarea-marginilor
http://users.utcluj.ro/~igiosan/Resources/PI/L11/PI-L11r.pdf
https://inskeye.files.wordpress.com/2013/07/tehnici-de-detectie-contur.pdf

13