Comprender la detección de bordes en el procesamiento de imágenes

Como seres humanos, reconocemos de forma natural los bordes de los objetos, seguimos sus curvas y percibimos las texturas de sus superficies al observar una imagen. Sin embargo, para un ordenador, la comprensión comienza en el nivel de los píxeles individuales.

Un píxel, la unidad más pequeña de una imagen digital, almacena el color y el brillo en un único punto. Al seguir los cambios en los valores de estos píxeles a lo largo de una imagen, un ordenador puede detectar patrones que revelan detalles clave.

En particular, el procesamiento de imágenes utiliza datos de píxeles para resaltar características esenciales y eliminar distracciones. Una técnica habitual de procesamiento de imágenes es la detección de bordes, que identifica los puntos donde el brillo o el color cambian bruscamente para delimitar objetos, marcar límites y añadir estructura.

Esto permite a los ordenadores separar formas, medir dimensiones e interpretar cómo se conectan las partes de una escena. La detección de bordes suele ser el primer paso del análisis de imágenes avanzado.

Fig. 1. Ejemplo de una imagen original junto a los resultados de distintos métodos de detección de bordes. (Fuente)

En este artículo veremos qué es la detección de bordes, cómo funciona y cuáles son sus aplicaciones en el mundo real. ¡Empecemos!

Conceptos de la detección de bordes#

La detección de bordes se centra en buscar zonas de una imagen donde el brillo o el color cambian notablemente de un punto al siguiente. Si el cambio es pequeño, la zona parece uniforme. Si el cambio es brusco, suele marcar el límite entre dos regiones diferentes.

Estas son algunas de las razones por las que se producen estos cambios en los píxeles:

• Discontinuidades en las normales de la superficie: Cuando dos superficies se encuentran formando un ángulo, como en la esquina de una pared o el borde de una caja, este cambio brusco de orientación produce un límite claro en la imagen.
• Discontinuidades de profundidad: Aparecen cuando los objetos están a distintas distancias de la cámara, produciendo una separación visible que ayuda al sistema a distinguirlos.
• Cambios en el color o la textura de la superficie: Se producen cuando una zona tiene un color o una textura diferentes de los de la zona adyacente, creando una separación visible.
• Cambios de iluminación: Surgen por variaciones en la iluminación, incluidas las sombras o los reflejos de las superficies, y crean separaciones visibles incluso cuando las propias superficies son uniformes o continuas.

Fig. 2. Distintos tipos de discontinuidades de bordes en imágenes. (Fuente)

¿Cómo funciona el reconocimiento mediante detección de bordes?#

La detección de bordes suele comenzar convirtiendo una imagen en color en una imagen en escala de grises, de modo que cada punto solo muestre el brillo. Esto facilita que el algoritmo se centre en las diferencias entre luces y sombras en lugar de en el color.

A continuación, unos filtros especiales pueden recorrer la imagen para encontrar los lugares donde el brillo cambia repentinamente. Estos filtros calculan la rapidez con la que cambia el brillo, denominada gradiente. Un gradiente mayor se debe a una diferencia más grande entre puntos cercanos, lo que suele indicar un borde.

Después, el algoritmo sigue perfeccionando la imagen, elimina los detalles pequeños y conserva únicamente las líneas y formas más importantes. El resultado es un contorno claro y una imagen de salida que se puede utilizar para análisis posteriores.

Evolución de la detección de bordes y el procesamiento de imágenes#

Antes de profundizar en la detección de bordes, veamos cómo se ha desarrollado con el tiempo.

El procesamiento de imágenes comenzó con métodos sencillos basados en reglas, como el umbralizado y el filtrado, para limpiar y mejorar las imágenes. En la era analógica, esto implicaba trabajar con fotografías o películas mediante filtros ópticos, lupas o tratamientos químicos para resaltar los detalles.

Técnicas como el ajuste del contraste, la reducción del ruido, el ajuste de la intensidad de la imagen y la detección básica de bordes ayudaron a aclarar las imágenes de entrada y resaltar formas y texturas. En las décadas de 1960 y 1970, el paso del procesamiento analógico al digital abrió el camino al análisis moderno en áreas como la astronomía, la obtención de imágenes médicas y la monitorización por satélite.

En las décadas de 1980 y 1990, los ordenadores más rápidos hicieron posible abordar tareas más complejas, como la extracción de características, la detección de formas y el reconocimiento básico de objetos. Algoritmos como el operador de Sobel y Canny ofrecieron una detección de bordes más precisa, mientras que el reconocimiento de patrones encontró aplicaciones en ámbitos que iban desde la automatización industrial hasta la lectura de texto impreso mediante el reconocimiento óptico de caracteres.

La detección de bordes y la visión artificial en el siglo XXI#

Hoy en día, los continuos avances tecnológicos han propiciado el desarrollo de la visión artificial. La IA de visión, o visión artificial, es una rama de la IA centrada en enseñar a las máquinas a interpretar y comprender la información visual.

Mientras que el procesamiento tradicional de imágenes, como el doble umbralizado (que hace que las imágenes sean más claras al conservar los bordes fuertes y eliminar los débiles) y la detección de bordes, seguía reglas fijas y solo podía realizar tareas específicas, la visión artificial utiliza modelos basados en datos que pueden aprender de ejemplos y adaptarse a situaciones nuevas.

Actualmente, los sistemas de imágenes van mucho más allá de mejorar imágenes o detectar bordes. Pueden reconocer objetos, seguir movimientos y comprender el contexto de una escena completa.

Una de las técnicas clave que lo hace posible es la convolución. Una operación de convolución es un proceso en el que pequeños filtros (también llamados kernels) recorren una imagen para encontrar patrones importantes, como bordes, esquinas y texturas. Estos patrones se convierten en los bloques básicos que utilizan los modelos de visión artificial para reconocer y comprender objetos.

Por ejemplo, los modelos de visión artificial como Ultralytics YOLO11 utilizan estas características basadas en convoluciones para realizar tareas avanzadas, como la segmentación de instancias. Esto está estrechamente relacionado con la detección de bordes, ya que la segmentación de instancias requiere delimitar con precisión los contornos de cada objeto de una imagen.

Mientras que la detección de bordes se centra en encontrar cambios de intensidad en los píxeles de los bordes para marcar los contornos de los objetos, la segmentación de instancias se basa en esta idea para detectar bordes, clasificar y separar cada objeto en su propia región.

Fig. 3. Ejemplo del uso de Ultralytics YOLO11 y la segmentación de instancias. (Fuente)

Algoritmos y enfoques de detección de bordes#

A pesar del crecimiento de la visión artificial, el procesamiento de imágenes sigue siendo una parte importante de muchas aplicaciones. Esto se debe a que la visión artificial suele basarse en pasos básicos de preprocesamiento de imágenes.

Antes de detectar objetos o comprender una escena, los sistemas suelen limpiar la imagen, reducir el ruido y encontrar los bordes para resaltar los detalles clave. Estos pasos hacen que los modelos avanzados sean más precisos y eficientes.

A continuación, veremos algunos de los algoritmos de procesamiento de imágenes más habituales para detectar bordes y cómo funcionan.

Detección de bordes de Sobel#

La detección de bordes de Sobel es un método clave para encontrar los contornos de los objetos en una imagen. En lugar de analizar todos los detalles a la vez, se centra en las zonas donde el brillo cambia bruscamente de un píxel al siguiente píxel vecino.

Estos cambios repentinos suelen marcar el punto donde termina un objeto y comienza otro, o donde un objeto se encuentra con el fondo. Al aislar estos bordes, Sobel transforma una imagen compleja en un contorno más limpio que otros sistemas pueden procesar con mayor facilidad para tareas como seguir movimientos, detectar formas o reconocer objetos.

Puedes considerar la detección de bordes de Sobel como un detector de gradientes que mide cómo cambia la intensidad a lo largo de una imagen. En esencia, funciona mediante una operación de convolución: se deslizan pequeñas matrices, denominadas kernels, por la imagen y se calculan sumas ponderadas de los valores de los píxeles vecinos.

Estos kernels están diseñados para resaltar los cambios de brillo en las direcciones horizontal y vertical. A diferencia de los modelos de aprendizaje profundo, cuyos kernels se aprenden a partir de los datos, Sobel utiliza kernels fijos para resaltar los bordes de forma eficiente sin necesidad de entrenamiento.

Veamos con más detalle cómo funciona el método de detección de bordes de Sobel:

• Uso de dos filtros de 3×3: Este método utiliza dos pequeñas cuadrículas de 3×3, denominadas filtros. Puedes imaginarlas como plantillas que se deslizan sobre la imagen en las direcciones horizontal (dirección x) y vertical (dirección y). Una cuadrícula está diseñada para encontrar bordes horizontales y la otra, bordes verticales.
• Cálculo del gradiente: Cada filtro determina la rapidez con la que cambia el brillo y la dirección del gradiente. Un cambio grande indica un posible borde.
• Combinación de resultados: Los resultados horizontales y verticales se combinan para determinar la intensidad y la dirección generales del borde en cada píxel.
• Detección de bordes: Los píxeles con una magnitud de gradiente elevada se marcan como bordes fuertes.
• Delimitación de contornos: Estos bordes ayudan a definir las formas de los objetos y a separar las distintas regiones de la imagen.

Fig. 4. La detección de bordes de Sobel puede resaltar los contornos principales de una imagen de entrada y producir un mapa de bordes. (Fuente)

Detección de bordes de Canny#

La detección de bordes de Canny es otro método popular para encontrar bordes en una imagen. Es conocida por producir contornos limpios y precisos. A diferencia de las técnicas básicas de detección de bordes, sigue una serie de pasos cuidadosamente diseñados para filtrar el ruido, afinar los límites y centrarse en los bordes más importantes.

Este es un resumen rápido del funcionamiento de un detector de bordes de Canny:

• Suavizado de la imagen: Primero se desenfoca la imagen con un filtro gaussiano, una técnica de suavizado que reduce el ruido y los detalles pequeños que podrían confundirse con bordes.
• Detección de cambios de brillo: Después, el algoritmo busca cambios bruscos en el brillo y utiliza cálculos del gradiente para medir la intensidad y la dirección de dichos cambios.
• Adelgazamiento de los bordes: Solo se conservan los puntos más fuertes de cada línea detectada, mientras que se eliminan los puntos más débiles, lo que produce bordes nítidos y limpios.
• Clasificación de los bordes: Cada píxel se etiqueta como borde fuerte, borde débil o no borde, según los valores umbral del cambio de brillo.
• Limpieza final: Se conservan los bordes débiles conectados a bordes fuertes; todos los demás se descartan, dejando únicamente límites claros y conectados.

Fig. 5. Imagen original y su correspondiente imagen de salida tras utilizar el detector de bordes de Canny. (Fuente)

Como ofrece resultados precisos al tiempo que filtra el ruido, la detección de bordes de Canny se utiliza ampliamente en ámbitos donde la precisión es importante. Por ejemplo, se emplea en sectores como el de las imágenes médicas, la cartografía por satélite, el escaneado de documentos y la visión robótica.

Detección de bordes basada en gradientes frente a la basada en Gaussianas#

Hasta ahora, los dos ejemplos de detección de bordes que hemos visto son Sobel y Canny. Aunque ambos buscan bordes, abordan el problema de forma diferente.

Los métodos basados en gradientes (como Sobel, Prewitt y Scharr) detectan bordes buscando cambios bruscos en el brillo, conocidos como gradiente. Recorren la imagen y marcan los lugares donde este cambio es más intenso. Estos métodos son sencillos, rápidos y funcionan bien cuando las imágenes son nítidas. Sin embargo, son sensibles al ruido: pequeñas variaciones del brillo pueden confundirse con bordes.

Los métodos basados en Gaussianas (como Canny o el laplaciano de Gauss) añaden un paso adicional para resolver este problema: desenfocar primero la imagen. Este suavizado, que suele realizarse con un filtro gaussiano, reduce las pequeñas variaciones que podrían crear bordes falsos. Después del suavizado, estos métodos siguen buscando cambios bruscos en el brillo, pero los resultados son más limpios y precisos en imágenes ruidosas o de baja calidad.

Fig. 6. Detección de bordes basada en gradientes frente a la basada en Gaussianas. Imagen del autor.

Aplicaciones de la detección de bordes en el mundo real#

Ahora que comprendemos mejor cómo funciona la detección de bordes, veamos cómo se aplica en situaciones del mundo real.

Uso de la detección de bordes para identificar grietas#

Inspeccionar grandes estructuras de hormigón, como puentes y edificios altos, suele ser una tarea difícil y peligrosa. Estas estructuras pueden extenderse a lo largo de grandes distancias o alcanzar mucha altura, por lo que las inspecciones tradicionales son lentas, caras y arriesgadas. Además, normalmente requieren andamios, acceso mediante cuerdas, mediciones manuales de cerca o fotografías.

En 2019 se estudió un enfoque interesante, cuando unos investigadores probaron un método más seguro y rápido mediante drones equipados con cámaras de alta resolución para capturar imágenes detalladas de entrada de las superficies de hormigón. Después, estas imágenes se procesaron con diversas técnicas de detección de bordes para identificar grietas automáticamente.

El estudio mostró que este método reducía significativamente la necesidad de acceso humano directo a zonas peligrosas y aceleraba las inspecciones. Sin embargo, su precisión seguía dependiendo de factores como las condiciones de iluminación, la nitidez de la imagen y la estabilidad del dron. En algunos casos, todavía era necesaria una revisión humana para eliminar los falsos positivos.

Aplicación de la detección de bordes en imágenes médicas#

Las radiografías y las resonancias magnéticas suelen contener alteraciones visuales conocidas como ruido, que pueden dificultar la percepción de los detalles finos. Esto supone un reto para los médicos cuando intentan detectar los bordes de un tumor, seguir el contorno de un órgano o controlar cambios sutiles a lo largo del tiempo.

Un estudio reciente sobre imágenes médicas evaluó cómo gestionan los métodos habituales de detección de bordes, como Sobel, Canny, Prewitt y Laplacian, las imágenes ruidosas. Los investigadores añadieron distintos tipos y niveles de ruido a las imágenes y comprobaron con qué precisión podía cada método delimitar las características importantes.

Canny normalmente producía los bordes más limpios, incluso cuando el ruido era intenso, pero no era el mejor en todos los casos. Algunos métodos funcionaban mejor con determinados patrones de ruido, por lo que no existe una única solución perfecta.

Fig. 7. Canny (d–f) proporciona bordes más claros que Sobel (g–i) a medida que aumenta el ruido. (Fuente)

Esto pone de relieve la importancia de tecnologías como la visión artificial. Al combinar algoritmos avanzados y modelos de IA de visión, estas soluciones pueden superar la detección de bordes básica y ofrecer resultados más precisos y fiables incluso en condiciones difíciles.

Ventajas de la detección de bordes#

Estas son algunas de las ventajas de utilizar la detección de bordes y el procesamiento de imágenes:

• Mejor compresión de datos: La detección de bordes permite representar las imágenes utilizando únicamente las características clave, lo que reduce el tamaño de los archivos sin perder información esencial. Esto hace que el almacenamiento y la transmisión sean más eficientes.
• Localización más precisa de objetos: Al identificar con precisión los límites de los objetos, la detección de bordes mejora la capacidad de los sistemas para localizar y seguir objetos, lo que beneficia a aplicaciones como la IA en robótica de visión y los vehículos autónomos.
• Detección de características a varias escalas: Las técnicas de detección de bordes pueden analizar imágenes a distintas escalas y capturar tanto detalles pequeños como formas grandes. Esta flexibilidad resulta útil en tareas diversas, desde el análisis de texturas hasta la comprensión de escenas.

Limitaciones del uso del procesamiento de imágenes para la detección de bordes#

Aunque la detección de bordes en el procesamiento de imágenes ofrece muchas ventajas, también plantea algunos retos. Estas son algunas de las principales limitaciones que debes tener en cuenta:

• Problemas con las texturas complejas: En imágenes con patrones intrincados o repetitivos, la detección de bordes suele producir muchos bordes falsos o irrelevantes, lo que complica los análisis posteriores y reduce la fiabilidad.
• Sensibilidad a la iluminación: Las variaciones del brillo, las sombras y los reflejos pueden hacer que los detectores de bordes interpreten erróneamente los cambios de iluminación como límites de objetos, lo que da lugar a resultados inconsistentes.
• No identifica objetos: Aunque los bordes resaltan dónde empiezan y terminan los objetos, no muestran qué son esos objetos. Se necesita procesamiento adicional para asignar significado o etiquetas a los bordes detectados.

Cuándo se puede utilizar la visión artificial para la detección de bordes#

La detección de bordes se inspira en cómo nuestros ojos y nuestro cerebro trabajan juntos para comprender el mundo. En la visión humana, las neuronas especializadas de la corteza visual son muy sensibles a los bordes, las líneas y los límites.

Estas señales visuales nos ayudan a determinar rápidamente dónde termina un objeto y comienza otro. Por eso incluso un dibujo lineal sencillo puede reconocerse al instante: nuestro cerebro depende en gran medida de los bordes para identificar formas y objetos.

La visión artificial pretende imitar esta capacidad, pero va un paso más allá. Los modelos como Ultralytics YOLO11 superan el simple resaltado de bordes y la mejora de imágenes. Pueden detectar objetos, delimitar sus contornos con precisión y seguir movimientos en tiempo real. Este nivel de comprensión más profundo los hace esenciales en situaciones en las que la detección de bordes por sí sola no es suficiente.

Uso de Ultralytics YOLO11 para detectar bordes con mayor precisión#

Estas son algunas tareas clave de visión artificial compatibles con Ultralytics YOLO11 que se basan en la detección de bordes y van más allá de ella:

• Detección de objetos: Identifica y localiza varios objetos en una imagen o un vídeo dibujando cuadros delimitadores alrededor de cada uno, lo que ofrece una visión clara de qué está presente y dónde se encuentra cada objeto.
• Segmentación de instancias: Consiste en descomponer los objetos hasta el nivel de píxel y producir contornos limpios y precisos incluso cuando los objetos se superponen o tienen formas irregulares.
• Estimación de pose: El objetivo es determinar la posición, orientación o postura de un objeto o una persona, lo que ayuda a supervisar el movimiento o detectar cambios estructurales con el tiempo.
• Seguimiento de objetos: Esta tarea sigue un objeto a medida que se desplaza por los fotogramas de un vídeo, garantizando una identificación coherente para una observación precisa a largo plazo.
• Clasificación de imágenes: Asigna etiquetas a objetos o imágenes completas en función de sus características visuales, lo que facilita la organización y la interpretación de grandes conjuntos de datos.

Detección de grietas en infraestructuras con visión artificial#

Un buen ejemplo de cómo la visión artificial mejora una aplicación que tradicionalmente dependía de la detección de bordes es la detección de grietas en infraestructuras y activos industriales. Los modelos de visión artificial como Ultralytics YOLO11 se pueden entrenar para identificar con precisión grietas en carreteras, puentes y tuberías. La misma técnica también se puede aplicar al mantenimiento de aeronaves, las inspecciones de edificios y el control de calidad en la fabricación, lo que ayuda a acelerar las inspecciones y mejorar la seguridad.

Fig. 8. Un ejemplo del uso de YOLO11 para la segmentación de grietas. (Fuente)

Conclusiones clave#

La detección de bordes ha evolucionado mucho, desde los primeros métodos sencillos hasta técnicas avanzadas capaces de identificar incluso límites sutiles en imágenes complejas. Ayuda a resaltar detalles importantes, destacar áreas clave y preparar las imágenes para un análisis más profundo, por lo que es una parte fundamental del procesamiento de imágenes.

En la visión artificial, la detección de bordes desempeña un papel importante a la hora de definir formas, separar objetos y extraer información útil. Se utiliza en muchos ámbitos, como la obtención de imágenes médicas, las inspecciones industriales, la conducción autónoma y la seguridad, para proporcionar una comprensión visual precisa y fiable.

Únete a nuestra comunidad y explora nuestro repositorio de GitHub para descubrir más sobre la IA. Si quieres iniciar tu propio proyecto de IA de visión, consulta nuestras opciones de licencia. Descubre más sobre aplicaciones como la IA en la atención sanitaria y la IA de visión en el comercio minorista visitando nuestras páginas de soluciones.