Subscribe to DeepL Pro to translate larger documents. Visit for more information.

Proceedings of the IASTED International Conference

Visualization, Imaging and Image Processing (VIIP
2012) 3 - 5 iulie 2012 Banff, Canada

O NOUĂ METODĂ DE DETECTARE A MARGINILOR IMAGINILOR

FOLOSIND O GRUPARE BAZATĂ PE CALITATE
Bijay Neupane, Zeyar Aung și Wei Lee Woon
Calculatoare și știința informației
Institutul Masdar de Știință și Tehnologie
Masdar City, Abu Dhabi, EAU
e-mail: (bneupane, zaung, wwoon)@masdar.ac.ae

ABSTRACT lumina și umbra care cade pe o suprafață. Deoarece niciuna

Din cauza diferitelor limitări ale metodelor existente de dintre metodele existente nu poate
detectare a marginilor, găsirea unor algoritmi mai buni produc cele mai bune rezultate pentru toate tipurile de
pentru detectarea marginilor este încă un domeniu de imagini și pentru toate tipurile/nivelurile de zgomot, găsirea
cercetare activ. În literatura de specialitate au fost propuse unor metode mai bune de detectare a marginilor este încă un
multe abordări de detectare a marginilor, dar în domeniu de cercetare activ.
majoritatea cazurilor, abordarea de bază constă în Imaginile naturale sunt predispuse la zgomot și artefacte.
căutarea unei schimbări bruște de culoare, intensitate sau Zgomotul de sare și piper este o formă de zgomot întâlnită în
alte proprietăți. Din nefericire, în multe cazuri, imaginile mod obișnuit pe imagini. Acesta se manifestă, de obicei, sub
sunt corupte de diferite tipuri de zgomot care ar putea forma unor pixeli albi și negri care apar la întâmplare.
provoca schimbări bruște în unele dintre aceste Zgomotul de sare și piper se strecoară în
proprietăți. În această lucrare, propunem o nouă metodă
de detectare a marginilor, care utilizează gruparea k-
means și în care diferite proprietăți ale pixelilor imaginii
au fost utilizate ca caracteristici. Analizăm calitatea
diferitelor grupări obținute folosind diferite valori k (adică
numărul predefinit de grupări) pentru a alege cel mai bun
număr de grupări. Avantajul acestei abordări este că
prezintă o rezistență mai mare la zgomot în comparație cu
abordările existente. Performanțele metodei noastre sunt
comparate cu cele ale altor metode prin utilizarea de
imagini corupte cu diferite niveluri de zgomot "sare și
piper" și zgomot gaussian. Se observă că metoda propusă
a prezentat o rezistență superioară la zgomot.

CUVINTE CHEIE
Detectarea marginilor, varianța, entropia, gradientul,
ocupația, analiza siluetei.

1 Introducere
Marginile imaginilor conțin informații utile, care sunt
foarte importante în procesarea imaginilor, viziunea
artificială și recunoașterea modelelor, în special în
domeniile extragerii și detectării caracteristicilor. O
margine este regiunea din imagine în care există o
schimbare bruscă a intensității culorii, discontinuități în
adâncime și alte proprietăți. O margine poate reprezenta
două suprafețe diferite ale obiectului sau o limită între
imagini în situații în care au loc tranzitorii rapide,
cum ar fi o comutare defectuoasă. Pe de altă parte,
zgomotul alb este de natură aditivă, în care fiecare
pixel din imagine este modificat prin adăugarea unei
valori extrase dintr-o distribuție gaussiană. Pentru a
testa generalitatea rezultatelor, algoritmul propus de
detectare a marginilor a fost testat pe imagini care
conțin aceste două tipuri de zgomot.
Un număr mare de studii au fost publicate în
domeniul detectării marginilor imaginilor, ceea ce
atestă importanța sa în domeniul prelucrării
imaginilor. Au fost propuși numeroși algoritmi de
detectare a marginilor, fiecare dintre ei având
propriile puncte forte și puncte slabe; din acest motiv,
până în prezent nu pare să existe un singur detector
de margini "cel mai bun". Un detector de margini bun
ar trebui să fie capabil să detecteze marginile pentru
orice tip de imagine și să prezinte o rezistență mai
mare la zgomot.
Exemple de abordări pentru detectarea
marginilor includ algoritmi precum Sobel, Prewitt și
Roberts, care se bazează pe derivata de ordinul întâi a
intensității pixelilor. Detectorul de margini
Laplacian- of-Gaussian (LoG) este o altă tehnică
populară, care utilizează în schimb operatorii
diferențiali de ordinul al doilea pentru a detecta
localizarea marginilor [1]. Cu toate acestea, toți
acești algoritmi tind să fie sen-
DOI: 10.2316/P.2012.782-05320
sibili la zgomot, care este un fe- nomen intrinsec de înaltă
frecvență. Pentru a rezolva această problemă a fost propus
detectorul de muchii Canny, care combină o funcție de
netezire cu detectarea marginilor bazată pe trecerea prin
zero [2]. Deși este mai rezistent la zgomot decât algoritmii
menționați anterior, performanța sa nu este încă
satisfăcătoare atunci când nivelul de zgomot este ridicat.
Există multe situații în care schimbările bruște ale
intensității culorii nu corespund limitelor obiectului, cum
ar fi marcarea suprafețelor, zgomotul de înregistrare și
condițiile de iluminare neuniforme [3].
În această lucrare propunem o tehnică bazată pe
clusterizare pentru îmbunătățirea performanțelor
algoritmilor de detectare a marginilor și pentru a oferi o
rezistență mai bună la zgomot. Acest lucru se realizează
prin filtrarea valorilor aberante din imagini și prin
identificarea ca margini doar a limitelor reale ale
obiectelor. Algoritmul propus utilizează varianța,
entropia, gradientul și gradul de ocupare al fiecărui pixel
al imaginii ca vector de caracteristici și utilizează
algoritmul de grupare k-means, utilizat pe scară largă, pe
vectorii de caracteristici ale pixelilor pentru a detecta
pixelii de margine. O altă provocare este determinarea
unei valori adecvate a lui k (adică a numărului de
clustere). Multe dintre lucrările anterioare privind
detectarea marginilor nu explică modul în care s-a făcut
această alegere.
Pe scurt, această lucrare încearcă să propună un nou
algoritm de detectare a marginilor cu următoarele
proprietăți cheie:
- Pixelii sunt codificați cu ajutorul vectorilor de
caracteristici care conțin varianța, entropia,
gradientul și gradul de ocupare.
- Utilizarea algoritmului de grupare k-means pentru a
extrage modelele relevante din vectorii de
caracteristici, care sunt la rândul lor etichetate ca
fiind de tip "edge" sau "non-edge".
- Aplicarea analizei siluetei pentru determinarea
valorii optime a lui k.
clustering algo-
rithm pentru clasificarea automată.
Li și Lei (2011)[7][7] au propus o metodă îmbunătățită
bazată pe algoritmul de detectare a marginilor maxime cu
modulul wavelet. Aceștia au propus o tehnică pentru determinarea
automată a funcției de eliminare a pragului de zgomot folosind
tehnica de clus- tering. În experimentul lor, ei au utilizat
wavelet B-spline și algoritmul de clusterizare k-means
îmbunătățit.
Ganguly et al. (2009) [8] au propus o altă abordare
pentru detectarea marginilor folosind caracteristici artificiale
ale imaginii, cum ar fi

Experimentele au fost efectuate pe imagini corupte

cu un nivel de până la 30% de zgomot gaussian și sare și
piper. Performanța metodei noastre este comparată cu cea
a detectoarelor de margini So- bel și Canny pentru
imagini normale și zgomotoase. Abordarea noastră obține
rezultate bune în cazul imaginilor în tonuri de gri și
demonstrează o rezistență mai mare la zgomot.

2 Lucrări conexe
Mulți dintre algoritmii anteriori, cum ar fi Sobel, Prewitt,
Robert, Laplace etc., aparțin familiei de tehnici de
detectare a marginilor bazate pe gradienți. Principiul de
bază care stă la baza detectării marginilor pe bază de
gradient este că marginile se află de-a lungul acestor
gradienți mari cu amplitudine maximă [1]. Canny
[2] a introdus un algoritm în mai multe etape pentru a
detecta o gamă largă de margini în imagine. Acest
algoritm prezintă rezultate bune la un nivel scăzut de
zgomot, dar performanța sa se degradează odată cu
creșterea nivelului de zgomot.
Anterior, au fost realizate doar câteva lucrări de
cercetare care au utilizat tehnica de grupare pentru
detectarea automată a marginilor. Cele mai multe dintre
acestea se bazează pe tehnica de clusterizare k-means și
fuzzy-c. Becerikli et al. (2006) [4] au propus o tehnică
alternativă de detectare a marginilor bazată pe rețele
neuronale. Aceasta a folosit metoda Laplacian pentru a
produce marginea imaginii, iar rețeaua neuronală
folosește această margine pentru a învăța marginea tuturor
imaginilor.
Isa (2005) [5] [5] a propus un algoritm modificat de
creștere a regiunii pe bază de semințe (SBRG) cu tehnica
de clusterizare k-means în mișcare pentru detectarea
marginilor. Această tehnică depășește problema cu SRGB
propusă de Romberg et al. (1997). Această nouă abordare
depășește problema determinării manuale a valorii pragului
și a lo- cării inițiale a semințelor, care necesita mult timp
și depindea de utilizator. Zhai și Liu (2006) [6] [6] au
propus o detectare a marginilor în mai multe etape bazată
pe fuzzy c-means clustering. Aceștia au aplicat o
transformare wavelet multietajată pentru extragerea
caracteristicilor de clasificare și au utilizat fuzzy c-means

2
setul de caracteristici și utilizarea algoritmului de margine ai imaginii. Pentru o imagine în tonuri de gri,
grupare k-means pentru grupare pentru a detecta clar intensitatea culorii sau cenușiul unui pixel [x, y] va fi
marginile obiectelor prezente în imaginea în cauză. notată ca f (x, y). Valoarea lui f (x, y) este cuprinsă între
Se utilizează ocupația, media, varianța și entropia ca 0 și 255.
caracteristici artificiale pentru algoritmul de
clusterizare.
Deși majoritatea abordărilor menționate mai sus 3.1.1 Variație
au pretins că au performanțe mai bune în cazul
imaginilor pure sau al imaginilor cu un nivel scăzut Proprietățile statice, cum ar fi media și varianța, conțin
de zgomot, niciuna dintre ele nu a demonstrat informații importante despre pixeli. Varianța este o
acuratețea și sensibilitatea algoritmilor lor în ceea ce măsură obișnuită a distanței dintre numere și medie. O
privește nivelurile ridicate de zgomot. De asemenea, varianță mică indică o variație mică a cenușiului, iar o
acestea nu au propus modul de alegere a numărului varianță ridicată
optim de clustere pentru fiecare imagine.
Urmând abordarea propusă de Ganguly și alții,
propunem o nouă metodă care utilizează patru
caracteristici proprii ale pixelilor imaginii. În plus
față de cele trei caracteristici (ocupație, variație și
entropie) propuse de aceștia, am adăugat gra- dientul
ca a patra caracteristică. Ganguly et al. nu au
prezentat performanțele lor în cazul imaginilor
corupte și, de asemenea, nu au prezentat o idee clară
cu privire la selectarea valorii corespunzătoare a lui k
pentru gruparea k-means. Prin urmare, în această
lucrare am propus o nouă metodă de detectare a
marginilor utilizând o abordare de clusterizare
augmentată cu o selecție automată a numărului optim
de clustere pe baza calității de clusterizare. Aceasta
se dovedește a fi o tehnică eficientă de detectare a
marginilor cu o toleranță mai mare la zgomote.

3 Metoda de detectare a marginilor propusă

În această secțiune, vom descrie cele patru

caracteristici diferite pentru pixelii imaginii pe care le
folosim, precum și gruparea k-means și analiza
siluetei, care sunt utilizate pentru a grupa pixelii și,
respectiv, pentru a măsura calitatea grupărilor
rezultate, precum și algoritmul nostru de detectare a
marginilor.

3.1 Caracteristici Pixel

Informațiile unui pixel al imaginii pot fi obținute cel

mai bine prin compararea caracteristicilor pixelului
cu cele ale pixelilor săi vecini. Acest lucru se poate ×
face prin extragerea matricei 3 3 a pixelilor vecini
care înconjoară pixelul în cauză. (Sunt posibile și alte ××
matrici cu numere impare, cum ar fi 5 5 5 sau 7 7.)
Pentru orice pixel [x, y], ma- trixul său de vecinătate --
conține 9 pixeli: [x 1, y 1 ], . . . . , [x + 1, y + 1]. ×
Utilizăm o matrice de vecinătate 3 3 pentru
extragerea caracteristicilor de variație, entropie,
gradient și ocupare pentru fiecare pixel din imagine.
Aceste atribute dețin proprietăți speciale pentru a
determina pixelii de margine și cei care nu sunt de

2
înseamnă o variație mare a cenușiului. Astfel, pixelul cu o
variație mare este un candidat pentru a fi un pixel de multe perechi adiacente diferă, dar ar trebui să fie scăzută
margine. Media µ×(x, y) a cenușiului pentru matricea de în cazul învecinării care conține muchii verticale sau
vecinătate 3 3 centrată pe pixelul [x, y] se calculează astfel: orizontale. Din punct de vedere matematic, gradul de
ocupare a unui pixel [x, y] se definește astfel:
1
µ(x, y) = (1/9) f (x + i, y + i) (1) busyness(x, y) = 1/12
i,j=-1 x+1
×|f ( i, y - 1) - f (i, y)| + |f (i, y + 1) - f (i, y)|
Apoi, varianța var(x, y) a valorilor în tonuri de gri este i=x-1
calculată după cum urmează: y+1
1 + |f (x − 1, j) − f (x, j)| + |f (x + 1, j) − f (x, j)|
var(x, y) = j=y-1
(f (x + i, y + i) - µ(x, y))2 (2)
(1/9) (5)
i,j=-
1
3.2 Clusterizarea și analiza calității
3.1.2 Entropie
clusterelor

Din teoria informației, știm că, cu cât entropia locală este
mai mică, cu atât este mai mare câștigul de informație și rata
de schimbare a intensității. Astfel, putem presupune că, cu
cât entropia locală este mai mică, cu atât dispersia este
mai mare. Prin urmare, este mai probabil ca pixelul cu o
entropie locală mare să fie un pixel de margine [1].
For a given pixel [x, y], we take a 3× 3
neighborhood matrix with that pixel at the center. The
entropy for the pixel [x, y] is calculated as:
x+1 y+1
entropie(x, y) = pij log pij
- (3)
i=x-1 j=y-
- 1
3.2.1 Clusterizarea K-means
K-means este un algoritm de clusterizare simplu, dar
puternic. Procedura grupează un set dat de puncte de date
în k clustere, unde k este numărul de clustere dorit, care
este stabilit a priori. Algoritmul găsește k centroizi de
clustere și atribuie fiecare punct celui mai apropiat cluster.
De exemplu, să presupunem că avem un set de toți pixelii
dintr-o imagine și că dorim să îi grupăm în două clustere.
Într-un caz ideal, toți pixelii cu margini sunt atribuiți unui
cluster, iar pixelii fără margini sunt
atribuit unui alt cluster.
3.2.2.2 Analiza siluetei

where pij = f (x, x+1 y+1

y)/ f (i, Lățimea siluetei [11] este utilizată pentru a evalua calitatea
j) de
i=x-1 j=y-1 un rezultat de grupare. Acest lucru ne oferă o idee despre
cât de bine separate sunt clusterele rezultate. Pentru un
3.1.3 Gradient anumit punct de date i dintr-un cluster, fie a(i) distanța
medie a
punctul i față de toate celelalte puncte din același cluster. Fie
b(i)
Gradientul este schimbarea direcțională a cenușiului unei distanța medie a punctului i față de toate punctele dintr-un
imagini. Magnitudinea gradientului ne spune cât de alt cluster care este cel mai apropiat de i. Apoi, lățimea
repede se schimbă imaginea, în timp ce direcția siluetei s(i) pentru acel punct i se calculează astfel:
gradientului ne indică direcția în care se schimbă cel mai
mult imaginea.
rapid. Utilizăm o măsură de gradient similară cu cea b(i) - a(i)) (6)
utilizată în metoda Sobel [9]. Gradientul G(x, y) pentru un s(i) = ( min(b(i), a(i))
3 matrice de vecinătate centrată pe pixelul [x, y] este vecini. Ajută la găsirea diferenței dintre regiunile unei imagini.
com- prezentat ca: Busy- ness-ul unui pixel [x, y] într-o matrice de vecinătate 3 3
este media diferențelor absolute de cenușiu ale tuturor
gradient(x, y) = GX (x, y)2 + GY (x, y)2 (4) perechilor de doisprezece pixeli adiacenți din vecinătate [10].
where GX (x, y) is the mask in X direction and GY (x, y) Diferența medie este mare în vecinătatea ocupată, unde
este masca în direcția X, respectiv.

3.1.4 Ocupare

Business este o măsură a dispersiei statice, care măsoară

modul în care un pixel se abate local de la pixelii săi
23
×
 Valoarea lățimii siluetei este cuprinsă între 1 și
1. Se calculează media generală a lățimii siluetei s a -
tuturor punctelor din setul de date. Cu cât valoarea lui
s este mai mare, cu atât calitatea grupării este mai
bună.

3.3 Algoritm

Să presupunem că dimensiunea imaginii de intrare este ×

m n. Mai întâi, imaginea de intrare este umplută cu
un singur pixel în fiecare direcție, cu o valoare a
cenușiului egală cu cea a pixelului adiacent. Acest
lucru se face pentru a păstra informațiile imaginii la ×
margini. Astfel se obține o nouă imagine (m +1) (n
+1) umplută. (În cazul în care imaginea de intrare este ×
o imagine color RGB, o convertim în tonuri de gri.) ×
Apoi, extragem o matrice de vecinătate 3 3 pentru
fiecare dintre cei m n pixeli din imaginea originală.
În continuare, calculăm valorile varianței, entropiei,
gradientului și ocupării pentru fiecare

2
pixel. Apoi, extragem un vector de caracteristici care
conține aceste 4 valori pentru fiecare pixel. În aces×t
fel, obținem (m n) vectori de caracteristici care conțin
fiecare 4 atribute, așa cum este ilustrat în figura 1.
După aceea, aplicăm gruparea k-means pe vectorii ×
de caracteristici (m n) din setul nostru de date (care pot fi,
de asemenea, văzute ca puncte de date într-un spațiu 4-
dimensional). Selectarea unei valori adecvate a lui k
(adică a numărului predeterminat de clustere) reprezintă o Figura 1. Vectorii de caracteristici, fiecare conținând 4
provocare majoră în cadrul grupării k-means. Încercăm să atribute, pentru
depășim acest obstacol prin efectuarea iterativă a grupării
(m × n) pixeli din imagine.
k-means cu diferite valori ale lui k, începând de la 2,
efectuând analiza siluetei pentru fiecare rezultat al
grupării și selectându-l pe cel care oferă cea mai mare
lățime medie globală a siluetei. Din cauza complexității se dovedesc a fi pixeli care nu sunt muchii, atunci
de timp pe care o implică analiza siluetei, urmăm o redenumim acel pixel ca fiind un pixel care nu este o
abordare lacomă în care ne oprim atunci când noua muchie. În cele din urmă, se trasează ma- trixul de ieșire
lățime medie a siluetei este mai mică decât cea veche. al procedurii, care ne oferă imaginea cu marginile
detectate.
/*să fie D setul de ( × mn) vectori de caracteristici
(puncte de date).*/ pentru fiecare celulă M [i, j] din matricea M
Cφ ; s1 ←←-;←k1 ; dacă M [i, j] = 255 atunci
în timp ce (TRUE) value0← ; /* presupune mai întâi o nouă valoare */
kt ← k + 1; pentru p, q- =1 la 1
dacă (p0 sau q0 ) și M [i + p, j + q] = 255
Ct ← KMeansClustering(D, kt ); st atunci
← AverageSilhouetteWidth(Ct );
dacă st > s atunci Se efectuează o etapă suplimentară de filtrare pentru a
CCt ; ←←ss←t kkt ; elimina marginile singleton. Dacă un anumit pixel este
altfel etichetat ca fiind o muchie, atunci se verifică toți pixelii vecini
ieșiți din bucla while; ai acestuia. În cazul în care toți aceștia
end if
end while
return C, k; /* rezultatul optim al grupării */

Clusterele sunt apoi sortate în funcție de lățimea medie

a siluetei lor. Priim1ele k/2 clustere sunt considerate
ca fiind cele ale pixelilor fără margini, iar celelalte ca
fiind cele ale pixelilor cu margini. Se×construiește o nouă
matrice m n și se atribuie valoarea 255 unui pixel dacă
acesta aparține unui cluster de margine și se atribuie
valoarea 0 în caz contrar.

/* acum C = {C}1 , ...., Ck este setul optim de clustere,

unde clusterele C1 ,........, Ck sunt sortate în funcție de
lățimea medie a siluetei lor. */
/* să fie M o matrice de dimen×siune m n */
for l = 1 to ki1/2 /* pentru a eticheta non-edges */
pentru fiecare pixel [i, j] din
clusteru←l Cl M [i, j
]0;
end for
end for
for l = ki1/2 + 1 to k /* pentru a eticheta marginile */
pentru fiecare pixel [i, j] din
clusteru←l Cl M [i, j
]255;
end for
end for
return M ;

2
 value255 ; /* păstrează valoarea ←
originală */; iese din bucla for loop;
e
nd if
end
for
M [i, j] valoare; ←
end if
end for
return M
;

4 Rezultate experimentale
Acum, vom raporta performanța metodei propuse de
noi pe imaginea de test prezentată în figura 2(a).
Scopul principal al alegerii acestei imagini este de a
testa metoda noastră pentru diferite tipuri de margini
și intervale de complexitate a marginilor. Comparăm
performanțele metodei noastre cu cele ale detectorilor
de margini Canny [2] și Sobel [9]. Utilizăm funcțiile
încorporate în Matlab pentru acești doi algoritmi.
Pentru Canny, pragul inferior a fost setat manual la
0,3, deoarece acesta a părut să producă cele mai bune
rezultate. Pentru Sobel, nu există niciun parametru de
reglat.
Imaginea este coruptă cu 0% până la 30% de
zgomote de sare și piper, după cum se arată în figura
2. Rezultatele obținute prin cele trei metode (Ours,
Canny și Sobel) pentru zgomotul de sare și piper sunt
prezentate în figurile 3-5. Din nou, imaginea este
coruptă cu 0% până la 30% de zgomote gaussiene,
după cum se arată în figura 6. Rezultatele obținute
prin cele trei metode pentru zgomotul gaussian sunt
ilustrate în figurile 7-9. (Re- zultatele obținute prin
metoda noastră pe mai multe imagini de test atât cu
zgomote de sare și piper, cât și cu zgomote gaussiene
pot fi găsite pe site-ul
http://www.dnagroup.org/edge.)
Pentru zgomotele de sare și piper, am învățat că
detectorul de margini Canny prezintă un rezultat bun
cu un nivel scăzut de zgomote, dar se deteriorează
mai repede atunci când nivelul de zgomot din
imagine crește. Detectorul Sobel are performanțe
slabe chiar și cu nivelul

2
 (a) 0% zgomot )5% zgomot (a) 0% zgomot
b5% zgomot

(c) 15% zgomot (d)30% zgomot (c) 15% zgomot (d)30% zgomot

Figura 2. Imagini de test cu diferite niveluri de zgomote de Figura 4. Detectorul de margini Canny [2] aplicat la
sare și piper. imaginile de test cu zgomote de sare și piper.

(a) 0% zgomot b5% zgomot (a) 0% zgomot

(b5% zgomot

(c) 15% zgomot (d)30% zgomot (c) 15% zgomot (d)30% zgomot

Figura 3. Metoda noastră aplicată la imaginile de test cu Figura 5. Detectorul de margini Sobel [9] aplicat la
zgomote de sare și piper. imaginile de test cu zgomote de sare și piper.

2
 (a) 0% zgomot b5% zgomot (a0%
zgomot (b5% zgomot

(c) 15% zgomot (d)30% zgomot (c) 15% zgomot (d)30% zgomot

Figura 6. Imagini de test cu diferite niveluri de zgomote Figura 8. Detectorul de margini Canny [2] aplicat la
gaussiene. imaginile de test cu zgomote gaussiene.

(a) 0% zgomot b5% zgomot (a0%

zgomot (b5% zgomot

(c) 15% zgomot (d)30% zgomot (c) 15% zgomot (d)30% zgomot

Figura 7. Metoda noastră aplicată la imaginile de test cu Figura 9. Detectorul de margini Sobel [9] aplicat la
zgomote Gaus- sian. imaginile de test cu zgomote gaussiene.

2
nivelul de zgomot de 5%. Atunci când nivelul de zgomot [6]Y. Zhai și X. Liu, "Multiscale edge detection based on
este foarte ridicat, rezultatele sunt cele mai proaste. fuzzy c-means clustering", în Proceedings of the 1st
Detectorul de margini propus de noi, bazat pe clusterizare, International Symposium on Systems and Control in
produce rezultate la fel de bune ca și Canny la un nivel Aerospace and Astronautics (ISSCAA'06), 2006, pp. 1201-
mai scăzut de zgomot. Dar demonstrează mai multă 1204.
rezistență la un nivel foarte ridicat de zgomot. Din figuri,
putem observa că rezultatul obținut prin metoda noastră la
un nivel de zgomot de 30% este mai bun decât cel obținut
prin Canny. Cu toate acestea, recunoaștem că metoda
noastră generează câteva mici insule de muchii false, ceea
ce nu se întâmplă cu Canny.
Pentru imaginile corupte cu zgomote gaussiene,
Sobel se descurcă mai bine, dar Canny are rezultate mai
slabe decât înainte. Cu toate acestea, performanțele
ambelor metode sunt mai slabe decât cele ale metodei
propuse de noi, după cum se poate observa clar în figuri.

5 Concluzie
Rezultatele prezentate în această lucrare sunt preliminare,
dar sunt suficiente pentru a demonstra că utilizarea
valorilor de variație, entropie, gradație și ocupare a
pixelilor imaginii ca caracteristici pentru gruparea k-
means cuplată cu analiza siluetei este o metodă bună de
detectare a marginilor în cazul imaginilor cu zgomot. În
ceea ce privește activitatea viitoare, vom încerca să găsim
tehnici de filtrare mai bune pentru a elimina micile insule
de muchii false din rezultatele noastre. De asemenea,
intenționăm să modificăm algoritmul nostru pentru a
detecta marginile din imaginile color direct, fără a le
converti în tonuri de gri.

Referințe
[1]W. Dai și K. Wang, "An image edge detection al-
gorithm based on local entropy", în Proceedings of the
IEEE International Conference on Integration
Technol- ogy (ICIT'07), 2007, pp. 418-420.
[2]J. F. Canny, "Computational approach to edge detec-
tion", IEEE Transactions on Pattern Analysis and Ma-
chine Intelligence, vol. 8, 1986, pp. 679-698.
[3]W. L. Woon, P. Liatsis și K. D. Wong, "Fu- sion Of
multiple edge maps for improved noise resis- tance", în
Proceedings of MMU International Sympo- sium of
Information and Communication Technologies
(M2USIC'06), 2006, pp. 1-8,
[4]Y. Becerikli, H. E. Demiray, M. Ayhan și K. Aktas,
"Alternative neural network based edge detection",
Neu- ral Information Processing - Letters and Reviews,
vol. 10, 2006, pp. 193-199.
[5]N. A. M. Isa, "Automated edge detection technique for
pap smear images using moving k-means clustering
and modified seed based region growing algorithm,"
Inter- national Journal of the Computer, the Internet
and Man- agement, vol. 13, 2005, pp. 45-59.

2
[7]J. Li și Z. Lei, "Adaptive thresholds edge detection
for defective parts images based on wavelet
transform", în Proceedings of the 2011
International Conference on Electric Information
and Control Engineering (ICE- ICE'11), 2011, pp.
1134-1137.
[8]D. Ganguly, S. Mukherjee, K. Mitra și P. Mukher-
jee, "A novel approach for edge detection of
images", în Proceedings of the International
Conference on Com- puter and Automation
Engineering (ICCAE'09), 2009, pp. 49-53.
[9]I. E. Sobel, Camera Models and Machine
Perception, Teză de doctorat, Departamentul de
Inginerie Electrică, Universitatea Stanford,
California, Statele Unite, 1970.
[10] P. A. Dondes și A. Rosenfeld, "Pixel
classification based on gray level and local
"Busyness"," IEEE Trans- actions on Pattern
Analysis and Machine Intelligence, vol. 4, 1982,
pp. 79-84.
[11] P. J. Rousseeuw, "Silhouettes: a graphical aid to
the interpretation and validation of cluster
analysis", Com- putational and Applied
Mathematics, vol. 20., 1987, pp. 53-65.