Kantenerkennung in der Bildverarbeitung verstehen

Als Menschen erkennen wir beim Betrachten eines Bildes ganz selbstverständlich die Kanten von Objekten, folgen ihren Kurven und nehmen die Texturen ihrer Oberflächen wahr. Für einen Computer beginnt das Verständnis dagegen auf der Ebene einzelner Pixel.

Ein Pixel, die kleinste Einheit eines digitalen Bildes, speichert Farbe und Helligkeit an einem einzelnen Punkt. Indem ein Computer die Veränderungen dieser Pixelwerte im gesamten Bild verfolgt, kann er Muster erkennen, die wichtige Details sichtbar machen.

Insbesondere nutzt die Bildverarbeitung Pixeldaten, um wesentliche Merkmale hervorzuheben und störende Elemente zu entfernen. Eine gängige Technik der Bildverarbeitung ist die Kantenerkennung. Sie identifiziert Punkte, an denen sich Helligkeit oder Farbe stark verändern, um Objekte zu umranden, Grenzen zu markieren und Struktur hinzuzufügen.

Dadurch können Computer Formen voneinander trennen, Abmessungen messen und interpretieren, wie die Teile einer Szene miteinander verbunden sind. Die Kantenerkennung ist häufig der erste Schritt einer fortgeschrittenen Bildanalyse.

Abb. 1. Beispiel mit dem Originalbild neben den Ergebnissen verschiedener Kantenerkennungsmethoden. (Quelle)

In diesem Artikel sehen wir uns an, was Kantenerkennung ist, wie sie funktioniert und wo sie in der Praxis eingesetzt wird. Legen wir los!

Grundlagen der Kantenerkennung#

Bei der Kantenerkennung wird nach Stellen in einem Bild gesucht, an denen sich die Helligkeit oder Farbe von einem Punkt zum nächsten deutlich verändert. Ist die Veränderung gering, wirkt der Bereich glatt. Ist sie stark, markiert sie häufig die Grenze zwischen zwei unterschiedlichen Bereichen.

Hier sind einige Gründe, warum diese Pixelveränderungen auftreten:

• Diskontinuitäten der Oberflächennormalen: Wenn zwei Oberflächen in einem Winkel aufeinandertreffen, etwa an der Ecke einer Wand oder an der Kante einer Box, erzeugt diese starke Orientierungsänderung eine deutliche Grenze im Bild.
• Tiefendiskontinuitäten: Sie treten auf, wenn sich Objekte in unterschiedlichen Entfernungen von der Kamera befinden, und erzeugen eine sichtbare Trennung, anhand derer das System sie unterscheiden kann.
• Änderungen von Oberflächenfarbe oder -textur: Dies tritt auf, wenn ein Bereich eine andere Farbe oder Textur als der angrenzende Bereich hat und dadurch eine sichtbare Trennung entsteht.
• Beleuchtungsänderungen: Sie entstehen durch Veränderungen der Beleuchtung, darunter Schatten oder Glanzlichter auf Oberflächen. Dadurch können sichtbare Trennungen entstehen, selbst wenn die Oberflächen selbst glatt oder durchgängig sind.

Abb. 2. Verschiedene Arten von Kantendiskontinuitäten in Bildern. (Quelle)

Wie funktioniert die Erkennung von Kanten?#

Die Kantenerkennung beginnt normalerweise damit, ein Farbbild in ein Graustufenbild umzuwandeln, sodass jeder Punkt nur noch die Helligkeit darstellt. Dadurch kann sich der Algorithmus leichter auf Helligkeitsunterschiede statt auf Farben konzentrieren.

Anschließend können spezielle Filter das Bild nach Stellen durchsuchen, an denen sich die Helligkeit plötzlich verändert. Diese Filter berechnen, wie stark sich die Helligkeit verändert – den sogenannten Gradienten. Ein größerer Gradient entsteht durch einen größeren Unterschied zwischen benachbarten Punkten und deutet häufig auf eine Kante hin.

Der Algorithmus verfeinert das Bild anschließend weiter, entfernt kleine Details und behält nur die wichtigsten Linien und Formen. Das Ergebnis ist eine klare Kontur und ein Ausgabebild, die für weitere Analysen verwendet werden können.

Entwicklung der Kantenerkennung und Bildverarbeitung#

Bevor wir näher auf die Kantenerkennung eingehen, sehen wir uns an, wie sie sich im Laufe der Zeit entwickelt hat.

Die Bildverarbeitung begann mit einfachen, regelbasierten Verfahren wie Schwellwertbildung und Filterung, um Bilder zu bereinigen und zu verbessern. Im analogen Zeitalter bedeutete dies, mit Fotos oder Filmen zu arbeiten und mithilfe optischer Filter, Vergrößerungsgläser oder chemischer Verfahren Details hervorzuheben.

Techniken wie Kontrastanpassung, Rauschunterdrückung, die Anpassung der Bildintensität und die grundlegende Kantenerkennung machten Eingabebilder klarer und hoben Formen und Texturen hervor. In den 1960er- und 1970er-Jahren ebnete der Wechsel von der analogen zur digitalen Verarbeitung den Weg für moderne Analysen in Bereichen wie Astronomie, medizinischer Bildgebung und Satellitenüberwachung.

In den 1980er- und 1990er-Jahren ermöglichten schnellere Computer die Bearbeitung komplexerer Aufgaben wie Merkmalsextraktion, Formerkennung und grundlegende Objekterkennung. Algorithmen wie der Sobel-Operator und Canny ermöglichten eine präzisere Kantenerkennung, während die Mustererkennung in Bereichen von der industriellen Automatisierung bis zum Lesen gedruckter Texte mittels optischer Zeichenerkennung eingesetzt wurde.

Kantenerkennung und Computer Vision im 21. Jahrhundert#

Heute haben stetige technologische Fortschritte zur Entwicklung von Computer Vision geführt. Vision AI, also Computer Vision, ist ein Teilgebiet der AI, das sich darauf konzentriert, Maschinen das Interpretieren und Verstehen visueller Informationen beizubringen.

Während die traditionelle Bildverarbeitung, etwa die doppelte Schwellwertbildung (bei der Bilder durch Beibehalten starker Kanten und Entfernen schwacher Kanten klarer werden) und die Kantenerkennung, festen Regeln folgte und nur bestimmte Aufgaben bewältigen konnte, nutzt Computer Vision datenbasierte Modelle, die aus Beispielen lernen und sich an neue Situationen anpassen können.

Bildgebungssysteme leisten heute weit mehr, als Bilder lediglich zu verbessern oder Kanten zu erkennen. Sie können Objekte erkennen, Bewegungen verfolgen und den Kontext einer gesamten Szene verstehen.

Eine der wichtigsten Techniken, die dies ermöglicht, ist die Faltung. Eine Faltungsoperation ist ein Verfahren, bei dem kleine Filter, auch Kernel genannt, ein Bild durchsuchen, um wichtige Muster wie Kanten, Ecken und Texturen zu finden. Diese Muster bilden die Grundlage, die Computer-Vision-Modelle zur Erkennung und zum Verständnis von Objekten verwenden.

Computer-Vision-Modelle wie Ultralytics YOLO11 nutzen beispielsweise diese faltungsbasierten Merkmale, um fortgeschrittene Aufgaben wie die Instanzsegmentierung auszuführen. Dies hängt eng mit der Kantenerkennung zusammen, da die Instanzsegmentierung die Grenzen jedes Objekts in einem Bild präzise umreißen muss.

Während sich die Kantenerkennung darauf konzentriert, Intensitätsänderungen in Kantenpixeln zu finden und damit Objektkanten zu markieren, baut die Instanzsegmentierung auf dieser Idee auf, um Kanten zu erkennen, Objekte zu klassifizieren und jedes Objekt in einen eigenen Bereich zu trennen.

Abb. 3. Einblick in die Verwendung von Ultralytics YOLO11 und der Instanzsegmentierung. (Quelle)

Algorithmen und Ansätze zur Kantenerkennung#

Auch mit dem Aufstieg von Computer Vision bleibt die Bildverarbeitung ein wichtiger Bestandteil vieler Anwendungen. Der Grund ist, dass Computer Vision häufig auf grundlegenden Schritten der Bildvorverarbeitung aufbaut.

Bevor Systeme Objekte erkennen oder eine Szene verstehen, bereinigen sie normalerweise das Bild, reduzieren Rauschen und finden Kanten, damit wichtige Details deutlicher hervortreten. Diese Schritte machen fortgeschrittene Modelle genauer und effizienter.

Sehen wir uns nun einige der gängigsten Bildverarbeitungsalgorithmen zur Kantenerkennung und ihre Funktionsweise an.

Sobel-Kantenerkennung#

Die Sobel-Kantenerkennung ist eine wichtige Methode, um die Umrisse von Objekten in einem Bild zu finden. Statt jedes Detail auf einmal zu analysieren, konzentriert sie sich auf Bereiche, in denen sich die Helligkeit von einem Pixel zum nächsten benachbarten Pixel stark verändert.

Diese plötzlichen Veränderungen markieren normalerweise den Punkt, an dem ein Objekt endet und ein anderes beginnt, oder an dem ein Objekt auf den Hintergrund trifft. Durch die Isolierung dieser Kanten wandelt Sobel ein komplexes Bild in eine klarere Kontur um, die andere Systeme für Aufgaben wie Bewegungsverfolgung, Formerkennung oder Objekterkennung leichter verarbeiten können.

Du kannst dir die Sobel-Kantenerkennung als einen Gradientendetektor vorstellen, der misst, wie sich die Intensität in einem Bild verändert. Im Kern funktioniert dies über eine Faltungsoperation: Kleine Matrizen, sogenannte Kernel, werden über das Bild geschoben, während gewichtete Summen benachbarter Pixelwerte berechnet werden.

Diese Kernel sind darauf ausgelegt, Helligkeitsänderungen in horizontaler und vertikaler Richtung hervorzuheben. Anders als bei Deep-Learning-Modellen, bei denen Kernel aus Daten gelernt werden, verwendet Sobel feste Kernel, um Kanten effizient hervorzuheben, ohne ein Training zu benötigen.

Hier siehst du genauer, wie die Sobel-Kantenerkennung funktioniert:

• Verwendung zweier 3×3-Filter: Diese Methode verwendet zwei winzige 3×3-Raster, die als Filter bezeichnet werden. Du kannst sie dir wie Schablonen vorstellen, die horizontal (in x-Richtung) und vertikal (in y-Richtung) über das Bild gleiten. Ein Raster ist darauf ausgelegt, horizontale Kanten zu finden, das andere vertikale Kanten.
• Berechnung des Gradienten: Jeder Filter ermittelt, wie schnell sich die Helligkeit verändert, sowie die Gradientenrichtung. Eine starke Veränderung deutet auf eine mögliche Kante hin.
• Kombination der Ergebnisse: Die horizontalen und vertikalen Ergebnisse werden kombiniert, um die gesamte Kantenstärke und -richtung an jedem Pixel zu bestimmen.
• Erkennung von Kanten: Pixel mit einem hohen Gradientenbetrag werden als starke Kanten markiert.
• Umriss von Grenzen: Diese Kanten helfen dabei, Objektformen zu definieren und verschiedene Bereiche im Bild voneinander zu trennen.

Abb. 4. Die Sobel-Kantenerkennung kann die wichtigsten Umrisse eines Eingabebildes hervorheben und eine Kantenkarte erzeugen. (Quelle)

Canny-Kantenerkennung#

Die Canny-Kantenerkennung ist eine weitere beliebte Methode zum Auffinden von Kanten in einem Bild. Sie ist dafür bekannt, klare und präzise Konturen zu erzeugen. Anders als grundlegende Kantenerkennungstechniken durchläuft sie eine Reihe sorgfältig konzipierter Schritte, um Rauschen herauszufiltern, Grenzen zu schärfen und sich auf die wichtigsten Kanten zu konzentrieren.

Hier ist ein kurzer Überblick darüber, wie ein Canny-Kantendetektor funktioniert:

• Glättung des Bildes: Zunächst wird das Bild mit einem Gauß-Filter weichgezeichnet. Diese Glättungstechnik reduziert Rauschen und kleine Details, die mit Kanten verwechselt werden könnten.
• Erkennung von Helligkeitsänderungen: Der Algorithmus durchsucht das Bild anschließend nach starken Helligkeitsänderungen und verwendet Gradientenberechnungen, um deren Stärke und Richtung zu messen.
• Ausdünnung der Kanten: Entlang jeder erkannten Linie werden nur die stärksten Punkte beibehalten, während schwächere Punkte entfernt werden. Dadurch entstehen scharfe, klare Kanten.
• Klassifizierung der Kanten: Jedes Pixel wird anhand von Schwellwerten der Helligkeitsänderung als starke Kante, schwache Kante oder Nichtkante klassifiziert.
• Abschließende Bereinigung: Mit starken Kanten verbundene schwache Kanten werden beibehalten; alle anderen werden verworfen. So bleiben nur klare, verbundene Grenzen übrig.

Abb. 5. Originalbild und zugehöriges Ausgabebild nach Verwendung des Canny-Kantendetektors. (Quelle)

Da die Canny-Kantenerkennung genaue Ergebnisse liefert und gleichzeitig Rauschen herausfiltert, wird sie häufig in Bereichen eingesetzt, in denen Präzision entscheidend ist. Sie wird beispielsweise in Branchen wie der medizinischen Bildgebung, der Satellitenkartierung, dem Scannen von Dokumenten und der Robotik mit visueller Wahrnehmung verwendet.

Gradientenbasierte und gaußbasierte Kantenerkennung#

Bisher haben wir uns die beiden Beispiele Sobel und Canny für die Kantenerkennung angesehen. Beide zielen darauf ab, Kanten zu finden, gehen das Problem jedoch unterschiedlich an.

Gradientenbasierte Methoden wie Sobel, Prewitt und Scharr erkennen Kanten, indem sie nach starken Helligkeitsänderungen suchen, die als Gradient bezeichnet werden. Sie durchsuchen das Bild und markieren Stellen, an denen diese Veränderung am stärksten ist. Diese Methoden sind einfach, schnell und funktionieren gut bei klaren Bildern. Sie reagieren jedoch empfindlich auf Rauschen – winzige Helligkeitsschwankungen können mit Kanten verwechselt werden.

Gaußbasierte Methoden wie Canny oder der Laplace-Gauß-Operator fügen einen zusätzlichen Schritt hinzu, um dieses Problem zu bewältigen: Das Bild wird zunächst weichgezeichnet. Diese Glättung, die häufig mit einem Gauß-Filter durchgeführt wird, reduziert kleine Schwankungen, die falsche Kanten erzeugen könnten. Nach der Glättung suchen diese Methoden weiterhin nach starken Helligkeitsänderungen, liefern aber bei verrauschten oder qualitativ minderwertigen Bildern klarere und genauere Ergebnisse.

Abb. 6. Gradientenbasierte und gaußbasierte Kantenerkennung. Bild des Autors.

Praktische Anwendungen der Kantenerkennung#

Nachdem wir nun besser verstehen, wie Kantenerkennung funktioniert, sehen wir uns an, wie sie in der Praxis eingesetzt wird.

Kantenerkennung zur Erkennung von Rissen#

Die Inspektion großer Betonstrukturen wie Brücken und Hochhäuser ist häufig eine schwierige und gefährliche Aufgabe. Diese Bauwerke können sich über große Entfernungen erstrecken oder hohe Höhen erreichen, wodurch herkömmliche Inspektionen langsam, teuer und riskant werden. Solche Inspektionen erfordern außerdem meist Gerüste, Seilzugang, manuelle Messungen aus nächster Nähe oder Aufnahmen.

Ein interessanter Ansatz wurde 2019 untersucht, als Forschende eine sicherere und schnellere Methode testeten. Dabei wurden Drohnen mit hochauflösenden Kameras eingesetzt, um detaillierte Eingabebilder von Betonoberflächen aufzunehmen. Diese Bilder wurden anschließend mit verschiedenen Techniken zur Kantenerkennung verarbeitet, um Risse automatisch zu identifizieren.

Die Studie zeigte, dass diese Methode den direkten Zugang von Menschen zu gefährlichen Bereichen deutlich reduzierte und Inspektionen beschleunigte. Ihre Genauigkeit hing jedoch weiterhin von Faktoren wie den Lichtverhältnissen, der Bildschärfe und einem stabilen Drohnenbetrieb ab. In einigen Fällen war weiterhin eine manuelle Überprüfung erforderlich, um falsch positive Ergebnisse zu entfernen.

Kantenerkennung in der medizinischen Bildgebung#

Röntgenaufnahmen und MRTs enthalten häufig visuelle Störungen, die als Rauschen bezeichnet werden und das Erkennen feiner Details erschweren können. Dies stellt Ärztinnen und Ärzte vor eine Herausforderung, wenn sie die Kanten eines Tumors erkennen, den Umriss eines Organs nachverfolgen oder subtile Veränderungen im Laufe der Zeit beobachten möchten.

In einer aktuellen Studie zur medizinischen Bildgebung wurde untersucht, wie gut gängige Kantenerkennungsmethoden wie Sobel, Canny, Prewitt und Laplace mit verrauschten Bildern umgehen. Die Forschenden fügten Bildern unterschiedliche Arten und Stärken von Rauschen hinzu und prüften, wie genau jede Methode wichtige Merkmale umreißen konnte.

Canny erzeugte selbst bei starkem Rauschen normalerweise die saubersten Kanten, war aber nicht in jedem Fall die beste Methode. Einige Verfahren funktionierten bei bestimmten Rauschmustern besser, daher gibt es keine einzelne perfekte Lösung.

Abb. 7. Canny (d–f) liefert bei zunehmendem Rauschen klarere Kanten als Sobel (g–i). (Quelle)

Dies verdeutlicht, warum Technologien wie Computer Vision so wichtig sind. Durch die Kombination fortschrittlicher Algorithmen und Vision-AI-Modellen können solche Lösungen über die grundlegende Kantenerkennung hinausgehen und selbst unter schwierigen Bedingungen genauere und zuverlässigere Ergebnisse liefern.

Vorteile der Kantenerkennung#

Hier sind einige Vorteile der Verwendung von Kantenerkennung und Bildverarbeitung:

• Bessere Datenkomprimierung: Mit der Kantenerkennung können Bilder nur anhand ihrer wichtigsten Merkmale dargestellt werden. Dadurch wird die Dateigröße reduziert, während wesentliche Informationen erhalten bleiben. Das macht Speicherung und Übertragung effizienter.
• Präzisere Objektlokalisierung: Durch die genaue Erkennung von Objektgrenzen verbessert die Kantenerkennung, wie gut Systeme Objekte lokalisieren und verfolgen können. Davon profitieren Anwendungen wie AI in der Robotik und autonome Fahrzeuge.
• Merkmalserkennung auf mehreren Maßstabsebenen: Kantenerkennungstechniken können Bilder auf unterschiedlichen Maßstabsebenen analysieren und dabei sowohl kleine Details als auch größere Formen erfassen. Diese Flexibilität ist für vielfältige Aufgaben nützlich, von der Texturanalyse bis zum Szenenverständnis.

Grenzen der Bildverarbeitung für die Kantenerkennung#

Obwohl die Kantenerkennung in der Bildverarbeitung viele Vorteile bietet, bringt sie auch einige Herausforderungen mit sich. Hier sind einige der wichtigsten Einschränkungen, die du berücksichtigen solltest:

• Probleme bei komplexen Texturen: In Bildern mit komplizierten oder sich wiederholenden Mustern erzeugt die Kantenerkennung häufig viele falsche oder irrelevante Kanten. Dies erschwert die weitere Analyse und verringert die Zuverlässigkeit.
• Empfindlichkeit gegenüber Beleuchtung: Unterschiede bei Helligkeit, Schatten und Reflexionen können dazu führen, dass Kantendetektoren Beleuchtungsänderungen fälschlicherweise als Objektgrenzen interpretieren. Das führt zu inkonsistenten Ergebnissen.
• Keine Objektidentifikation: Kanten zeigen zwar, wo Objekte beginnen und enden, aber nicht, um welche Objekte es sich handelt. Zusätzliche Verarbeitung ist erforderlich, um erkannten Kanten eine Bedeutung oder Bezeichnungen zuzuweisen.

Wann Computer Vision zur Kantenerkennung eingesetzt werden kann#

Die Kantenerkennung ist davon inspiriert, wie unsere Augen und unser Gehirn zusammenarbeiten, um die Welt zu verstehen. Beim menschlichen Sehen reagieren spezialisierte Neuronen im visuellen Kortex besonders empfindlich auf Kanten, Linien und Grenzen.

Diese visuellen Hinweise helfen uns, schnell zu bestimmen, wo ein Objekt endet und ein anderes beginnt. Deshalb ist selbst eine einfache Strichzeichnung sofort erkennbar – unser Gehirn stützt sich stark auf Kanten, um Formen und Objekte zu identifizieren.

Computer Vision versucht, diese Fähigkeit nachzuahmen, geht aber noch einen Schritt weiter. Modelle wie Ultralytics YOLO11 gehen über die grundlegende Hervorhebung von Kanten und Bildverbesserung hinaus. Sie können Objekte erkennen, sie präzise umreißen und Bewegungen in Echtzeit verfolgen. Dieses umfassendere Verständnis macht sie in Szenarien unverzichtbar, in denen Kantenerkennung allein nicht ausreicht.

Mit Ultralytics YOLO11 Kanten genauer erkennen#

Hier sind einige wichtige Computer-Vision-Aufgaben, die Ultralytics YOLO11 unterstützt und die auf der Kantenerkennung aufbauen oder über sie hinausgehen:

• Objekterkennung: Sie identifiziert mehrere Objekte in einem Bild oder Video und lokalisiert sie, indem sie um jedes Objekt einen Begrenzungsrahmen zeichnet. Dadurch wird deutlich, welche Objekte vorhanden sind und wo sie sich befinden.
• Instanzsegmentierung: Dabei werden Objekte bis auf Pixelebene aufgeteilt, sodass klare und präzise Umrisse entstehen, selbst wenn sich Objekte überlappen oder unregelmäßige Formen haben.
• Posenschätzung: Ziel ist es, die Position, Ausrichtung oder Körperhaltung eines Objekts oder einer Person zu bestimmen, was dabei hilft, Bewegungen zu überwachen oder strukturelle Veränderungen im Laufe der Zeit zu erkennen.
• Objektverfolgung: Bei dieser Aufgabe wird ein Objekt verfolgt, während es sich durch Videobilder bewegt, sodass es für eine präzise langfristige Beobachtung zuverlässig identifiziert werden kann.
• Bildklassifizierung: Dabei werden Objekten oder ganzen Bildern anhand ihrer visuellen Merkmale Bezeichnungen zugewiesen, wodurch sich große Datenmengen leichter organisieren und interpretieren lassen.

Kantenerkennung in Infrastrukturanlagen mit Computer Vision#

Ein gutes Beispiel dafür, wie Computer Vision eine Anwendung verbessert, die traditionell auf Kantenerkennung beruhte, ist die Risserkennung in Infrastruktur und Industrieanlagen. Modelle für Computer Vision wie Ultralytics YOLO11 können darauf trainiert werden, Risse auf Straßen, Brücken und Pipelines präzise zu erkennen. Dieselbe Technik kann auch bei der Flugzeuginstandhaltung, Gebäudeinspektionen und der Qualitätskontrolle in der Fertigung eingesetzt werden, um Inspektionen zu beschleunigen und die Sicherheit zu verbessern.

Abb. 8. Ein Beispiel für die Verwendung von YOLO11 zur Risssegmentierung. (Quelle)

Wichtige Erkenntnisse#

Die Kantenerkennung hat sich von einfachen frühen Verfahren zu fortschrittlichen Techniken weiterentwickelt, die selbst subtile Grenzen in komplexen Bildern erkennen können. Sie hilft dabei, wichtige Details hervorzuheben, zentrale Bereiche zu markieren und Bilder für eine weiterführende Analyse vorzubereiten, und ist damit ein wesentlicher Bestandteil der Bildverarbeitung.

In der Computer Vision spielt die Kantenerkennung eine wichtige Rolle bei der Definition von Formen, der Trennung von Objekten und der Extraktion nützlicher Informationen. Sie wird in vielen Bereichen eingesetzt, etwa in der medizinischen Bildgebung, bei industriellen Inspektionen, beim autonomen Fahren und in der Sicherheitsüberwachung, um eine präzise und zuverlässige visuelle Interpretation zu ermöglichen.

Werde Teil unserer Community und erkunde unser GitHub-Repository, um mehr über KI zu erfahren. Wenn du dein eigenes Projekt im Bereich Computer Vision und KI starten möchtest, sieh dir unsere Lizenzoptionen an. Erfahre mehr über Anwendungen wie KI im Gesundheitswesen und Computer Vision und KI im Einzelhandel, indem du unsere Lösungsseiten besuchst.