TRANSFORMATA WAVELET

VERSUS OPERATORI CLASICI

PENTRU DETECŢIA MUCHIILOR
Asist.univ. ROMANA OANCEA

Abstract
Depending on the type of image and on the purpose of its utilization, there are more
techniques for the edge detection. This study, presents two modalities of edge detection: one
based on gradient operators and the another one based on wavelet transform. The edge
detection using gradient operators actually means the convolution of the image with a
predefined mask, and the use of the wavelet transform implies the decomposition of each
operator in orthogonal wavelet functions.

1. Operatori clasici pentru detecţia muchiilor

Frontierele sunt zone din imagine caracterizate prin variaţii bruşte ale
intensităţii. Detecţia muchiilor este o problemă fundamentală în
prelucrarea imaginilor, deoarece permite extragerea informaţiei utile dintr-
o imagine, informaţie necesară în analiza imaginilor. Detecţia frontierelor
în imagini se bazează pe operatori care aproximează în planul discret
gradientul sau laplacian-ul imaginii.
Vectorul gradient reprezintă direcţia şi mărimea variaţiei maxime de
intensitate într-un punct al unei imagini şi este definit în funcţie de
derivatele parţiale ale funcţiei imagine. Dacă notăm f(x, y) imaginea,
atunci vectorul gradient este:
⎡ ∂f ( x , y ) ⎤
⎢ ⎥
∇f ( x , y ) = ⎢ ∂f (∂xx, y ) ⎥ (1)
⎢ ⎥
⎢⎣ ∂y ⎥⎦
⎡ ∂f ( x , y ) ⎤
∂f ( x , y ) ∂f ( x , y ) ⎢ ∂x ⎥ ⎡ Dx ⎤
Fie Dx = şi, Dy = , atunci ⎢ ⎥=⎢ ⎥
∂x ∂y ⎢ ∂f ( x , y ) ⎥ ⎣ Dy ⎦
⎢⎣ ∂y ⎥⎦
Operatorii gradient uzuali sunt Roberts (cruce), Sobel şi Prewitt şi
sunt definiţi pentru imagini cu mai multe niveluri de gri, dar utilizarea lor
poate fi extinsă şi la imagini color. În cazul imaginilor color, o modalitate
de aplicare a operatorilor gradient este descompunerea imaginii în cele trei
spaţii de culoare fundamentale (R, G, B) iar apoi aplicarea, pentru fiecare
spaţiu, unui operator de detecţie de frontieră.
 Operatorul Laplacian, care detectează tranziţiile bruşte de intensitate
din imagine, cere mai puţin calcule. El este definit în funcţie de derivatele
parţiale de ordinul 2:
2 ∂ 2 f ( x, y ) ∂ 2 f ( x, y )
∇ f ( x, y ) = 2
+ (2)
∂x ∂y 2
Derivatele parţiale de ordinul 2, de-a lungul direcţiilor x şi y, sunt
aproximate prin diferenţe finite astfel:
∂ 2 f ( f ( x + Δx, y ) − f ( x, y )) − ( f ( x, y ) − f ( x − Δx, y ))
=
∂x 2 (Δx) 2 (3)
∂ f ( f ( x, y + Δy ) − f ( x, y )) − ( f ( x, y ) − f ( x, y − Δy ))
2
=
∂y 2 (Δy ) 2

Op Sobel
Fig. nr. 1a Imaginea originală Op prewitt

Fig. nr. 1b Operatorul Sobel

Op roberts
Fig. nr. 1c Operatorul Prewitt
Op Canny
Deviatia standard=0.043655

Fig. nr. 1d Operatorul Roberts Fig. nr. 1e Operatorul Canny

2. Utilizarea transformatei wavelet la detecţia muchiilor
În cazul în care imaginea este afectată de zgomot operatorii clasici nu
pot face diferenţă între un pixel afectat de zgomot, şi un pixel ce aparţine
unei muchii şi pot scăpa pixeli de muchie. Pentru a rezolva această
problemă se poate utiliza transformata wavelet. În fapt, fiecare operator
poate fi descris ca un model discret de funcţii wavelet ortogonale.
 Operatorul Sobel poate fi descris ca model discret de următoarele
funcţii wavelet ortogonale:
x2 + y 2
−
ψ 1 ( x , y ) = − xe 2 (4)
x2 + y2
−
ψ 2 ( x , y ) = − ye 2

Operatorul Prewitt poate fi descris ca model discret de două funcţii

wavelet Haar ortogonale:

⎧
⎪ − 1, − 1,5 ≤ x < 0 , − 1,5 ≤ y ≤ 1,5
⎪⎪
ψ 1 ( x , y ) = ⎨1, 0 ≤ x < 1,5 , − 1,5 ≤ y ≤ 1,5
⎪
⎪ (5)
⎪⎩ 0 , altfel
⎧
⎪ − 1, − 1,5 ≤ y < 0 , − 1,5 ≤ x ≤ 1,5
⎪⎪
ψ 2 ( x , y ) = ⎨1, 0 ≤ y < 1,5 , − 1,5 ≤ x ≤ 1,5
⎪
⎪
⎪⎩ 0 , altfel
Operatorul Roberts poate fi descris ca două funcţii wavelet
ortogonale:
x2 + y2
−
ψ1( x , y ) = ( y − x )e 2
(6)
x2 + y2
−
ψ 2( x, y ) = ( x + y )e 2
În cazul în care imaginea nu este afectată de zgomot, rezultatele
comparative obţinute sunt mai bune pentru detecţia muchiilor utilizând
operatorul Sobel. Utilizarea funcţiilor wavelet ortogonale la detecţia
contururilor necesită şi o subţiere de contur ulterioară.

Fig. nr. 2a Imaginea iniţială Fig. nr. 2b Descompunerea operatorului

Sobel în funcţii wavelet ortogonale
(scala N = 10)
 Fig. nr. 2c Descompunerea Fig. nr. 2d Descompunerea operatorului
operatorului Sobel în funcţii wavelet Sobel în funcţii wavelet ortogonale
ortogonale (scala N = 20) (N = 30)

Fig. nr. 2e Descompunerea Fig. nr. 2f Descompunerea operatorului

operatorului Prewitt în funcţii wavelet Prewitt în funcţii wavelet ortogonale
ortogonale (N = 10) (scala N = 20)

Fig. nr. 2g Descompunerea Fig. nr. 2h Descompunerea operatorului

operatorului Prewitt în funcţii wavelet Roberts în funcţii wavelet ortogonale
ortogonale (N = 30) (N = 10)

Fig. nr. 2i Descompunerea Fig. nr. 2j Descompunerea operatorului

operatorului Roberts în funcţii Roberts în funcţii wavelet ortogonale
wavelet ortogonale (N = 20) (N = 30)
Pentru o imagine afectată de zgomot, operatorii clasici (figura nr. 3c)
nu pot face diferenţa între zgomotul din imagine şi muchie, astfel că
rezultate bune s-au obţinut în urma descompunerii operatorilor clasici în
funcţii wavelet ortogonale (figura nr. 3 b-e).
 Fig. nr. 3a Imaginea iniţială; SNR = 10 dB

Fig. nr. 3b Operator Sobel clasic Fig. nr. 3c. Descompunerea

operatorului Sobel în funcţii wavelet
ortogonale (N = 10)

Fig. 3d. Descompunerea operatorului Fig. 3e. Descompunerea operatorului

Sobel în funcţii wavelet ortogonale Sobel în funcţii wavelet ortogonale
(N = 20) (N = 30)

3. Rezultate şi concluzii
Calitatea contururilor identificate cu ajutorul operatorilor clasici,
pentru o imagine cu tonuri de gri, este dependentă de spectrul imaginii. Cu
cât spectrul e mai larg, cu atât contururile sunt mai slabe. În primul caz,
pentru baboon, rezultate sensibil mai bune s-au obţinut cu operatorul Sobel
(figura nr. 4a), în cazul al doilea, pentru lena, operatorul Roberts a dat
rezultate mai bune (figura nr. 4b).
 Roberts Operator
Original Image Standard deviation=0.084837
Roberts Operator
Original Image Standard deviation=0.04647

Sobel Operator Prewitt Operator

Sobel Operator Prewitt Operator Standard deviation=0.081287 Standard deviation=0.080756
Standard deviation=0.051316 Standard deviation=0.05061

Fig. nr. 4a Imagine cu spectru larg Fig. nr. 4b Imagine cu spectru mai îngust
Pentru imaginile afectate de zgomot, indiferent de lărgimea spectrului,
operatorii clasici nu deosebesc zgomotul de contur astfel că, pentru
detecţia conturului, fiecare operator trebuie descris ca un model discret de
funcţii wavelet ortogonale. Pe de altă parte, în funcţie de nivelul de zgomot
trebuie aplicată transformata wavelet la diverse niveluri de rezoluţii. Cu
cât SNR (Signal to Noise Ration) este mai mic, cu atât trebuie utilizate mai
multe niveluri de descompunere.

Fig. nr. 5a. Imaginea originală; SNR = 19 dB

Fig. nr. 5b. Operatorul Sobel Fig. nr. 5c. Operatorul Sobel
clasic (scala N = 10) Op wavelet prewitt N=10
 Fig. nr. 5d. Operatorul Fig. nr. 5e. Operatorul Prewitt
Prewitt clasic
p
(scala N = 10)
Op wavelet roberts N 10

Fig. nr. 5f. Operatorul Fig. nr. 5g. Operatorul Roberts

Roberts clasic (scala N = 10)

Imagine originală; SNR = 10 dB

Operatorul Sobel (N = 30) Operatorul Sobel (N = 10)

Operatorul Sobel (N = 30)

BIBLIOGRAFIE
[1] Li, Jun, A Wavelet Approach to Edge Detection, Thesis for the Degree of Master
of Science, Huntsville, Texas, August, 2003
[2] Vertan, C., Ciuc, M., Zamfir, M., Analiza imaginilor, Bucureşti, Editura Printech,
2001
[3] Vlaicu, A., Prelucrarea digitală a imaginilor, Cluj-Napoca, Editura Albastră, 1997