Kantenerkennung in der Bildverarbeitung verstehen

Wenn wir Menschen ein Bild betrachten, erkennen wir ganz natürlich die Kanten von Objekten, folgen ihren Konturen und nehmen die Texturen ihrer Oberflächen wahr. Für einen Computer beginnt das Verständnis jedoch auf der Ebene einzelner Pixel.

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

Insbesondere nutzt die Bildverarbeitung Pixeldaten, um wesentliche Merkmale hervorzuheben und störende Elemente zu entfernen. Ein gängiges Verfahren der Bildverarbeitung ist die Kantenerkennung. Sie identifiziert Punkte, an denen sich Helligkeit oder Farbe stark verändern, um Objekte zu umranden, Grenzen zu markieren und Strukturen sichtbar zu machen.

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

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

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

Grundlagen der Kantenerkennung#

Bei der Kantenerkennung wird nach Stellen in einem Bild gesucht, an denen sich Helligkeit oder Farbe von einem Punkt zum nächsten deutlich verändern. Ist die Veränderung gering, erscheint der Bereich glatt. Eine starke Veränderung kennzeichnet häufig die Grenze zwischen zwei unterschiedlichen Bereichen.

Hier sind einige Gründe für solche Pixelveränderungen:

• Unstetigkeiten der Oberflächennormalen: Treffen zwei Oberflächen in einem Winkel aufeinander, etwa an einer Mauerecke oder der Kante eines Kastens, erzeugt diese abrupte Änderung der Ausrichtung eine klare Begrenzung im Bild.
• Tiefenunstetigkeiten: Sie treten dort auf, wo sich Objekte in unterschiedlichen Abständen zur Kamera befinden. Dadurch entsteht ein sichtbarer Abstand, der dem System hilft, die Objekte voneinander zu unterscheiden.
• Änderungen der Oberflächenfarbe oder -textur: Wenn sich ein Bereich farblich oder in seiner Textur vom angrenzenden Bereich unterscheidet, entsteht eine sichtbare Abgrenzung.
• Beleuchtungsänderungen: Sie entstehen durch veränderte Lichtverhältnisse, etwa durch Schatten oder Glanzlichter auf Oberflächen. So können sichtbare Abgrenzungen entstehen, selbst wenn die Oberflächen glatt oder durchgehend sind.

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

Wie funktioniert die Erkennung von Kanten?#

Bei der Kantenerkennung wird ein Farbbild üblicherweise zunächst in ein Graustufenbild umgewandelt, sodass jeder Punkt nur noch Helligkeitswerte enthält. Dadurch kann sich der Algorithmus leichter auf Helligkeitsunterschiede statt auf Farben konzentrieren.

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

Anschließend verfeinert der Algorithmus das Bild weiter: Er entfernt kleine Details und behält nur die wichtigsten Linien und Formen bei. Das Ergebnis ist eine klare Kontur und ein Ausgabebild, das für weitere Analysen verwendet werden kann.

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 der Schwellwertbildung und Filterung, um Bilder zu bereinigen und zu verbessern. Im analogen Zeitalter bedeutete das, Fotos oder Filme mithilfe optischer Filter, Vergrößerungsgläser oder chemischer Behandlungen zu bearbeiten, um Details hervorzuheben.

Verfahren wie die Kontrastanpassung, Rauschreduzierung, Anpassung der Bildintensität und grundlegende Kantenerkennung sorgten für klarere Eingabebilder und hoben Formen und Texturen hervor. In den 1960er- und 1970er-Jahren ebnete der Übergang 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 komplexere Aufgaben wie die Merkmalsextraktion, Formerkennung und grundlegende Objekterkennung. Algorithmen wie der Sobel-Operator und Canny sorgten für eine präzisere Kantenerkennung. Die Mustererkennung fand unterdessen Anwendungen von der industriellen Automatisierung bis zum Lesen gedruckter Texte mit optischer Zeichenerkennung.

Kantenerkennung und Computer Vision im 21. Jahrhundert#

Stetige technologische Fortschritte haben heute zur Entwicklung des maschinellen Sehens geführt. Vision AI, auch maschinelles Sehen genannt, ist ein Teilgebiet der KI, das Maschinen beibringt, visuelle Informationen zu interpretieren und zu verstehen.

Während die herkömmliche Bildverarbeitung, etwa mit Doppelschwellenwertverfahren (die Bilder klarer machen, indem sie starke Kanten beibehalten und schwache entfernen) und Kantenerkennung, festen Regeln folgte und nur bestimmte Aufgaben bewältigen konnte, nutzt maschinelles Sehen datengetriebene Modelle, die aus Beispielen lernen und sich an neue Situationen anpassen können.

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

Eine der Schlüsseltechniken, die dies ermöglichen, ist die Faltung. Bei einer Faltungsoperation scannen kleine Filter, auch Kerne genannt, ein Bild nach wichtigen Mustern wie Kanten, Ecken und Texturen. Diese Muster bilden die Bausteine, mit denen Modelle für maschinelles Sehen Objekte erkennen und verstehen.

Beispielsweise verwenden Modelle für maschinelles Sehen wie Ultralytics YOLO11 diese faltungsbasierten Merkmale für anspruchsvolle Aufgaben wie die Instanzsegmentierung. Sie ist eng mit der Kantenerkennung verwandt, da bei der Instanzsegmentierung die Begrenzungen jedes Objekts in einem Bild präzise nachgezeichnet werden müssen.

Die Kantenerkennung sucht nach Intensitätsänderungen an Kantenpixeln, um Objektkanten zu markieren. Die Instanzsegmentierung baut auf diesem Ansatz auf, indem sie Kanten erkennt, Objekte klassifiziert und jedes Objekt in einen eigenen Bereich unterteilt.

Abb. 3: Ein Blick auf die Verwendung von Ultralytics YOLO11 für die Instanzsegmentierung. (Quelle)

Algorithmen und Ansätze zur Kantenerkennung#

Trotz der Weiterentwicklung des maschinellen Sehens ist die Bildverarbeitung weiterhin ein wichtiger Bestandteil vieler Anwendungen. Denn maschinelles Sehen baut häufig auf grundlegenden Schritten der Bildvorverarbeitung auf.

Bevor Objekte erkannt oder Szenen verstanden werden können, bereinigen Systeme in der Regel das Bild, reduzieren Rauschen und erkennen Kanten, damit wichtige Details hervortreten. Diese Schritte machen fortschrittliche Modelle genauer und effizienter.

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

Kantenerkennung mit Sobel#

Die Kantenerkennung mit Sobel ist ein wichtiges Verfahren, um die Umrisse von Objekten in einem Bild zu finden. Statt alle Details auf einmal zu analysieren, konzentriert sich das Verfahren auf Bereiche, in denen sich die Helligkeit von einem Pixel zum benachbarten Pixel stark ändert.

Solche plötzlichen Änderungen markieren meist den Punkt, an dem ein Objekt endet und ein anderes beginnt oder ein Objekt auf den Hintergrund trifft. Indem Sobel diese Kanten isoliert, verwandelt es ein komplexes Bild in einen klareren Umriss, den andere Systeme für Aufgaben wie die Bewegungsverfolgung, Formerkennung oder Objekterkennung leichter verarbeiten können.

Du kannst dir die Sobel-Kantenerkennung als Gradientenoperator vorstellen, der misst, wie sich die Intensität im Bild verändert. Im Kern beruht das Verfahren auf einer Faltungsoperation: Kleine Matrizen, sogenannte Kerne, gleiten über das Bild und berechnen gewichtete Summen benachbarter Pixelwerte.

Diese Kerne sind so ausgelegt, dass sie Helligkeitsänderungen in horizontaler und vertikaler Richtung hervorheben. Anders als bei Deep-Learning-Modellen, bei denen die Kerne aus Daten gelernt werden, verwendet Sobel feste Kerne, um Kanten effizient und ohne Training hervorzuheben.

So funktioniert das Sobel-Verfahren zur Kantenerkennung im Detail:

• Verwendung zweier 3×3-Filter: Bei diesem Verfahren kommen zwei kleine 3×3-Raster, sogenannte Filter, zum Einsatz. Stell sie dir wie Schablonen vor, 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.
• Berechnung des Gradienten: Jeder Filter ermittelt, wie schnell sich die Helligkeit ändert, und bestimmt die Gradientenrichtung. Eine starke Änderung kann auf eine Kante hindeuten.
• Kombination der Ergebnisse: Die horizontalen und vertikalen Ergebnisse werden kombiniert, um die Gesamtstärke und Richtung der Kante an jedem Pixel zu bestimmen.
• Erkennung von Kanten: Pixel mit einem hohen Gradientenbetrag werden als starke Kanten markiert.
• Abgrenzung von Umrissen: Diese Kanten helfen, Objektformen zu bestimmen und verschiedene Bereiche im Bild voneinander zu trennen.

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

Kantenerkennung mit Canny#

Die Kantenerkennung mit Canny ist ein weiteres beliebtes Verfahren, um Kanten in einem Bild zu finden. Sie ist dafür bekannt, klare und präzise Umrisse zu erzeugen. Anders als einfache Verfahren zur Kantenerkennung folgt sie einer Reihe sorgfältig entwickelter Schritte, um Rauschen herauszufiltern, Begrenzungen zu schärfen und sich auf die wichtigsten Kanten zu konzentrieren.

Hier ein kurzer Überblick über die Funktionsweise des Canny-Kantendetektors:

• Glättung des Bildes: Zunächst wird das Bild mit einem Gauß-Filter weichgezeichnet. Diese Glättung reduziert Rauschen und kleine Details, die sonst fälschlich als Kanten erkannt werden könnten.
• Erkennung von Helligkeitsänderungen: Anschließend sucht der Algorithmus nach starken Helligkeitsänderungen und berechnet mithilfe des Gradienten die Stärke und Richtung dieser Änderungen.
• Ausdünnung der Kanten: Von jeder erkannten Linie bleiben nur die stärksten Punkte erhalten; schwächere Punkte werden entfernt. So entstehen scharfe, klare Kanten.
• Klassifizierung der Kanten: Jedes Pixel wird anhand von Schwellenwerten für die Helligkeitsänderung als starke Kante, schwache Kante oder Nichtkante eingestuft.
• Abschließende Bereinigung: Schwache Kanten, die mit starken verbunden sind, bleiben erhalten; alle anderen werden verworfen. Übrig bleiben nur klare, zusammenhängende Begrenzungen.

Abb. 5: Originalbild und zugehöriges Ergebnisbild nach der Kantenerkennung mit Canny. (Quelle)

Da die Kantenerkennung mit Canny genaue Ergebnisse liefert und gleichzeitig Rauschen herausfiltert, kommt sie häufig dort zum Einsatz, wo Präzision wichtig ist. Sie wird beispielsweise in Bereichen wie der medizinischen Bildgebung, der Satellitenkartierung, dem Scannen von Dokumenten und dem maschinellen Sehen in der Robotik verwendet.

Gradientenbasierte und Gauß-basierte Kantenerkennung#

Bisher haben wir zwei Beispiele für Kantenerkennung betrachtet: Sobel und Canny. Beide Verfahren sollen Kanten finden, gehen dabei jedoch unterschiedlich vor.

Gradientenbasierte Verfahren wie Sobel, Prewitt und Scharr erkennen Kanten, indem sie nach starken Helligkeitsänderungen suchen, die als Gradient bezeichnet werden. Sie scannen das Bild und markieren Stellen, an denen diese Änderung am stärksten ist. Diese Verfahren sind einfach, schnell und funktionieren gut bei klaren Bildern. Allerdings reagieren sie empfindlich auf Rauschen: Kleine Helligkeitsschwankungen können fälschlich als Kanten erkannt werden.

Gauß-basierte Verfahren wie Canny oder der Laplace-Operator mit Gauß-Filter ergänzen einen Schritt, um dieses Problem zu beheben: Zunächst wird das Bild weichgezeichnet. Diese Glättung, die häufig mit einem Gauß-Filter erfolgt, reduziert kleine Schwankungen, die falsche Kanten erzeugen könnten. Anschließend suchen diese Verfahren weiterhin nach starken Helligkeitsänderungen. Bei verrauschten oder qualitativ schlechten Bildern sind die Ergebnisse jedoch klarer und genauer.

Abb. 6: Gradientenbasierte und Gauß-basierte Kantenerkennung. Bild vom Autor.

Praxisanwendungen der Kantenerkennung#

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

Risse mithilfe der Kantenerkennung erkennen#

Die Inspektion großer Betonstrukturen wie Brücken und Hochhäuser ist oft schwierig und gefährlich. Diese Bauwerke können sich über weite Strecken erstrecken oder große Höhen erreichen, wodurch herkömmliche Inspektionen langsam, teuer und riskant werden. Dafür sind außerdem häufig Gerüste, Seilzugangstechnik, manuelle Messungen aus der Nähe oder Fotoaufnahmen erforderlich.

2019 untersuchten Forschende einen interessanten, sichereren und schnelleren Ansatz: Sie statteten Drohnen mit hochauflösenden Kameras aus, um detaillierte Eingabebilder von Betonoberflächen aufzunehmen. Anschließend verarbeiteten sie die Bilder mit verschiedenen Verfahren zur Kantenerkennung, um Risse automatisch zu erkennen.

Die Studie zeigte, dass dieses Verfahren den direkten Zugang von Menschen zu Gefahrenbereichen deutlich verringerte und Inspektionen beschleunigte. Die Genauigkeit hing jedoch weiterhin von Faktoren wie den Lichtverhältnissen, der Bildschärfe und dem stabilen Flug der Drohne ab. In manchen Fällen war eine Überprüfung durch Menschen nötig, um falsch positive Ergebnisse auszuschließen.

Kantenerkennung in der medizinischen Bildgebung#

Röntgenbilder und MRT-Aufnahmen enthalten oft visuelle Störungen, die als Rauschen bezeichnet werden und feine Details schwerer erkennbar machen können. Das ist eine Herausforderung für Ärzte, wenn sie die Ränder eines Tumors erkennen, den Umriss eines Organs nachzeichnen oder subtile Veränderungen im Laufe der Zeit beobachten möchten.

Eine aktuelle Studie zur medizinischen Bildgebung untersuchte, wie gut gängige Verfahren zur Kantenerkennung wie Sobel, Canny, Prewitt und der Laplace-Operator mit verrauschten Bildern umgehen. Die Forschenden fügten den Bildern verschiedene Arten und Stärken von Rauschen hinzu und prüften, wie genau jedes Verfahren wichtige Merkmale nachzeichnen konnte.

Canny erzeugte meist die klarsten Kanten, selbst bei starkem Rauschen, war aber nicht in jedem Fall am besten. Manche Verfahren funktionierten bei bestimmten Rauschmustern besser, daher gibt es keine allgemeingültige Lösung.

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

Das zeigt, warum Technologien wie das maschinelle Sehen so wichtig sind. Durch die Kombination fortschrittlicher Algorithmen mit 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 Kantenerkennung und Bildverarbeitung:

• Bessere Datenkomprimierung: Mithilfe der Kantenerkennung lassen sich Bilder anhand wichtiger Merkmale darstellen. Dadurch wird die Dateigröße verringert, während wesentliche Informationen erhalten bleiben. Das macht Speicherung und Übertragung effizienter.
• Präzisere Objektlokalisierung: Indem die Kantenerkennung Objektbegrenzungen genau ermittelt, verbessert sie die Fähigkeit von Systemen, Objekte zu lokalisieren und zu verfolgen. Das kommt Anwendungen wie KI in der Robotik und autonomen Fahrzeugen zugute.
• Merkmalsextraktion auf mehreren Maßstabsebenen: Verfahren zur Kantenerkennung können Bilder auf verschiedenen Maßstabsebenen analysieren und sowohl kleine Details als auch größere Formen erfassen. Diese Flexibilität ist bei vielen Aufgaben nützlich, von der Texturanalyse bis zum Szenenverständnis.

Grenzen der Bildverarbeitung bei der Kantenerkennung#

Die Kantenerkennung in der Bildverarbeitung bietet viele Vorteile, bringt aber auch einige Herausforderungen mit sich. Hier sind einige wichtige Einschränkungen, die du berücksichtigen solltest:

• Probleme bei komplexen Texturen: Bei Bildern mit komplexen oder sich wiederholenden Mustern erzeugt die Kantenerkennung oft viele falsche oder irrelevante Kanten. Das erschwert die weitere Analyse und verringert die Zuverlässigkeit.
• Empfindlichkeit gegenüber Lichtverhältnissen: Helligkeitsunterschiede, Schatten und Spiegelungen können dazu führen, dass Kantendetektoren Änderungen der Beleuchtung fälschlich als Objektbegrenzungen interpretieren. Das führt zu uneinheitlichen Ergebnissen.
• Keine Objektidentifikation: Kanten zeigen zwar, wo Objekte beginnen und enden, aber nicht, um welche Objekte es sich handelt. Um erkannten Kanten eine Bedeutung oder Bezeichnung zuzuweisen, ist eine zusätzliche Verarbeitung nötig.

Wann sich maschinelles Sehen zur Kantenerkennung einsetzen lässt#

Die Kantenerkennung ist davon inspiriert, wie unsere Augen und unser Gehirn zusammenarbeiten, um die Welt zu verstehen. Beim menschlichen Sehen reagieren spezialisierte Neuronen in der Sehrinde besonders empfindlich auf Kanten, Linien und Begrenzungen.

Diese visuellen Hinweise helfen uns, schnell zu erkennen, wo ein Objekt endet und ein anderes beginnt. Deshalb lässt sich selbst eine einfache Strichzeichnung sofort erkennen: Unser Gehirn stützt sich stark auf Kanten, um Formen und Objekte zu identifizieren.

Maschinelles Sehen soll diese Fähigkeit nachahmen, geht aber noch einen Schritt weiter. Modelle wie Ultralytics YOLO11 heben nicht nur einfache Kanten hervor und verbessern Bilder. Sie können Objekte erkennen, ihre Umrisse präzise nachzeichnen und Bewegungen in Echtzeit verfolgen. Dieses tiefere Verständnis macht sie in Situationen unverzichtbar, in denen die Kantenerkennung allein nicht ausreicht.

Mit Ultralytics YOLO11 Kanten genauer erkennen#

Hier sind einige wichtige von Ultralytics YOLO11 unterstützte Aufgaben des maschinellen Sehens, die auf der Kantenerkennung aufbauen und darüber hinausgehen:

• Objekterkennung: Sie identifiziert und lokalisiert mehrere Objekte in einem Bild oder Video, indem sie jedes Objekt mit einem Begrenzungsrahmen umgibt. So wird deutlich, was zu sehen ist und wo sich die einzelnen Objekte befinden.
• Instanzsegmentierung: Dabei werden Objekte bis auf Pixelebene zerlegt. So entstehen klare, präzise Umrisse, selbst wenn sich Objekte überlappen oder unregelmäßig geformt sind.
• Posenschätzung: Ziel ist es, Position, Ausrichtung oder Körperhaltung eines Objekts oder einer Person zu bestimmen. So lassen sich Bewegungen überwachen oder strukturelle Veränderungen im Laufe der Zeit erkennen.
• Objektverfolgung: Diese Aufgabe verfolgt ein Objekt über die Videobilder hinweg und sorgt für eine durchgängige Identifizierung, damit es langfristig zuverlässig beobachtet werden kann.
• Bildklassifizierung: Sie weist Objekten oder ganzen Bildern anhand ihrer visuellen Merkmale Bezeichnungen zu. So lassen sich große Datensätze leichter organisieren und auswerten.

Infrastruktur mit maschinellem Sehen auf Kanten untersuchen#

Ein gutes Beispiel für maschinelles Sehen als Weiterentwicklung einer Anwendung, die traditionell auf Kantenerkennung beruht, ist die Risserkennung an Infrastruktur und Industrieanlagen. Modelle für maschinelles Sehen wie Ultralytics YOLO11 lassen sich darauf trainieren, Risse auf Straßen, Brücken und Rohrleitungen zuverlässig zu erkennen. Dasselbe Verfahren kann auch bei der Flugzeuginstandhaltung, Gebäudeinspektionen und Qualitätskontrollen in der Fertigung eingesetzt werden. Es beschleunigt Inspektionen und erhöht die Sicherheit.

Abb. 8: Beispiel für die Risssegmentierung mit YOLO11. (Quelle)

Die wichtigsten Erkenntnisse#

Die Kantenerkennung hat sich stark weiterentwickelt: von einfachen frühen Verfahren bis hin zu fortschrittlichen Techniken, die selbst subtile Begrenzungen in komplexen Bildern erkennen. Sie bringt wichtige Details hervor, hebt relevante Bereiche hervor und bereitet Bilder für eine tiefergehende Analyse vor. Damit ist sie ein zentraler Bestandteil der Bildverarbeitung.

Beim maschinellen Sehen spielt die Kantenerkennung eine wichtige Rolle, wenn es darum geht, Formen zu bestimmen, Objekte voneinander zu trennen und nützliche Informationen zu extrahieren. Sie kommt in vielen Bereichen zum Einsatz, darunter die medizinische Bildgebung, industrielle Inspektionen, autonomes Fahren und Sicherheit, und ermöglicht so eine genaue und zuverlässige visuelle Erkennung.

Tritt unserer Community bei und erkunde unser GitHub-Repository, um mehr über KI zu erfahren. Wenn du dein eigenes Vision-AI-Projekt starten möchtest, sieh dir unsere Lizenzoptionen an. Erfahre auf unseren Lösungsseiten mehr über Anwendungen wie KI im Gesundheitswesen und Vision AI im Einzelhandel.