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 cuando miramos una imagen. Para un ordenador, sin embargo, la comprensión empieza 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 destacar características esenciales y eliminar elementos que distraen. Una técnica habitual de procesamiento de imágenes es la detección de bordes, que identifica los puntos en los que el brillo o el color cambian bruscamente para perfilar objetos, marcar límites y aportar estructura.

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

Fig. 1. Ejemplo de la 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.

Conceptos de detección de bordes#

La detección de bordes se centra en buscar los puntos de una imagen en los que 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, a menudo marca el límite entre dos regiones diferentes.

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

• Discontinuidades de las normales de superficie: Cuando dos superficies se encuentran en 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 se encuentran a distintas distancias de la cámara y producen 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 distintos de los de la zona contigua, lo que crea una separación visible.
• Cambios de iluminación: Se producen por variaciones en la iluminación, como las sombras o los reflejos en las superficies, y crean separaciones visibles aunque las superficies sean uniformes o continuas.

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

Cómo funciona la 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 zonas claras y oscuras, en lugar del color.

A continuación, unos filtros especiales recorren la imagen para encontrar los puntos en los que el brillo cambia bruscamente. Estos filtros calculan la rapidez con la que cambia el brillo, denominada gradiente. Un gradiente más alto se debe a una diferencia mayor entre puntos cercanos, lo que suele indicar un borde.

Después, el algoritmo sigue refinando 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 ha evolucionado con el tiempo.

El procesamiento de imágenes comenzó con métodos sencillos basados en reglas, como la umbralización 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 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 ámbitos como la astronomía, la obtención de imágenes médicas y la vigilancia por satélite.

En las décadas de 1980 y 1990, los ordenadores más rápidos permitieron abordar tareas más complejas, como la extracción de características, la detección de formas y el reconocimiento básico de objetos. Algoritmos como el operador Sobel y el detector de bordes Canny ofrecieron una detección de bordes más precisa, mientras que el reconocimiento de patrones se aplicó a todo tipo de tareas, desde la automatización industrial hasta la lectura de texto impreso mediante el reconocimiento óptico de caracteres.

Detección de bordes y visión artificial en el siglo XXI#

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

Aunque el procesamiento tradicional de imágenes, como el doble umbralado (que hace que las imágenes sean más nítidas al conservar los bordes marcados 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 aprenden a partir de ejemplos y se adaptan a situaciones nuevas.

Hoy en día, los sistemas de imagen 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 hacen posible es la convolución. Una operación de convolución consiste en aplicar pequeños filtros (también llamados kernels) a una imagen para encontrar patrones importantes, como bordes, esquinas y texturas. Estos patrones se convierten en los elementos 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. Está muy relacionada 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 busca cambios de intensidad en los píxeles del borde para señalar los contornos de los objetos, la segmentación de instancias parte de esa idea para detectar bordes, clasificar objetos y separar cada uno en su propia región.

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

Algoritmos y métodos de detección de bordes#

Aunque la visión artificial ha avanzado mucho, 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, vamos a ver algunos de los algoritmos de procesamiento de imágenes más habituales para detectar bordes y cómo funcionan.

Detección de bordes Sobel#

La detección de bordes 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.

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

Puedes entender la detección de bordes Sobel como un detector de gradiente que mide cómo cambia la intensidad en una imagen. En esencia, funciona mediante una operación de convolución: se deslizan pequeñas matrices, llamadas 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 datos, Sobel utiliza kernels fijos para resaltar los bordes de forma eficiente, sin necesidad de entrenamiento.

Veamos más de cerca cómo funciona el método de detección de bordes Sobel:

• Uso de dos filtros de 3×3: Este método utiliza dos pequeñas cuadrículas de 3×3 llamadas filtros. Imagínatelas como plantillas que se deslizan por la imagen en las direcciones horizontal (eje x) y vertical (eje y). Una cuadrícula está diseñada para encontrar bordes horizontales y la otra, bordes verticales.
• Cálculo del gradiente: Cada filtro mide la rapidez con la que cambia el brillo en su dirección. Un cambio grande puede indicar un borde.
• Combinación de resultados: Se combinan los resultados horizontales y verticales 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 marcados.
• 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 Sobel puede resaltar los contornos principales de una imagen de entrada y generar un mapa de bordes. (Fuente)

Detección de bordes Canny#

La detección de bordes Canny es otro método popular para encontrar bordes en una imagen. Es conocida por producir contornos nítidos 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 contornos y centrarse en los bordes más importantes.

Este es un breve resumen de cómo funciona un detector de bordes Canny:

• Suavizado de la imagen: primero se difumina la imagen con un filtro gaussiano, una técnica de suavizado que reduce el ruido y los pequeños detalles que podrían confundirse con bordes.
• Detección de cambios de brillo: A continuación, el algoritmo busca cambios bruscos de brillo y utiliza cálculos del gradiente para medir la intensidad y la dirección de esos cambios.
• Adelgazamiento de los bordes: Solo se conservan los puntos más marcados de cada línea detectada y se eliminan los más débiles, lo que da lugar a bordes nítidos y limpios.
• Clasificación de los bordes: Cada píxel se clasifica como borde marcado, borde débil o no borde, según unos umbrales de cambio de brillo.
• Limpieza final: Se conservan los bordes débiles conectados a los marcados y se descartan los demás, de modo que solo quedan contornos nítidos y conectados.

Fig. 5. Imagen original y su correspondiente resultado tras aplicar el detector de bordes Canny. (Fuente)

Como ofrece resultados precisos y filtra el ruido, la detección de bordes Canny se utiliza mucho en ámbitos donde la precisión es importante. Por ejemplo, se emplea en sectores como la imagen médica, 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 hemos visto dos ejemplos de detección de bordes: Sobel y Canny. Aunque ambos buscan bordes, abordan el problema de forma distinta.

Los métodos basados en gradientes (como Sobel, Prewitt y Scharr) detectan bordes buscando cambios bruscos de brillo, conocidos como gradientes. Analizan la imagen y señalan los puntos donde este cambio es más intenso. Son métodos sencillos, rápidos y eficaces con imágenes nítidas. Sin embargo, son sensibles al ruido: las pequeñas variaciones de brillo pueden confundirse con bordes.

Los métodos basados en gaussianas (como Canny o el laplaciano de la gaussiana) añaden un paso para resolver este problema: difuminan primero la imagen. Este suavizado, que suele realizarse con un filtro gaussiano, reduce las pequeñas variaciones que podrían generar bordes falsos. Tras el suavizado, estos métodos siguen buscando cambios bruscos de brillo, pero obtienen resultados más nítidos y precisos con 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 entendemos mejor cómo funciona la detección de bordes, veamos cómo se aplica en situaciones reales.

Uso de la detección de bordes para identificar grietas#

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

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

El estudio demostró que este método reducía considerablemente la necesidad de que las personas accedieran directamente a zonas peligrosas y agilizaría las inspecciones. Sin embargo, su precisión seguía dependiendo de factores como las condiciones de iluminación, la nitidez de las imágenes y la estabilidad del dron. En algunos casos, seguía siendo necesaria una revisión humana para descartar falsos positivos.

Aplicación de la detección de bordes en la imagen médica#

Las radiografías y las resonancias magnéticas suelen contener alteraciones visuales conocidas como ruido, que pueden dificultar la observación de los detalles más finos. Esto supone un reto para los médicos cuando intentan localizar los bordes de un tumor, delimitar el contorno de un órgano o vigilar cambios sutiles con el paso del tiempo.

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

Canny solía producir los bordes más nítidos, incluso con mucho ruido, pero no era el mejor en todos los casos. Algunos métodos funcionaban mejor con ciertos patrones de ruido, por lo que no existe una solución perfecta única.

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

Esto pone de manifiesto la importancia de tecnologías como la visión artificial. Al combinar algoritmos avanzados y modelos de IA visual, estas soluciones pueden ir más allá de la detección básica de bordes 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 imágenes utilizando solo las características clave, lo que reduce el tamaño de los archivos sin perder información esencial. Así, el almacenamiento y la transmisión son 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 localizarlos y seguirlos, lo que beneficia a aplicaciones como la IA de visión en robótica y los vehículos autónomos.
• Detección de características a distintas escalas: Las técnicas de detección de bordes pueden analizar imágenes a diferentes escalas y captar tanto los pequeños detalles como las formas más 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 detectar bordes#

Aunque la detección de bordes ofrece muchas ventajas en el procesamiento de imágenes, también presenta 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 de brillo, las sombras y los reflejos pueden hacer que los detectores de bordes interpreten los cambios de iluminación como contornos de objetos, lo que da lugar a resultados incoherentes.
• No identifica objetos: Aunque los bordes señalan dónde empiezan y terminan los objetos, no indican qué son. Se necesita un procesamiento adicional para asignar significado o etiquetas a los bordes detectados.

Cuándo se puede utilizar la visión artificial para detectar bordes#

La detección de bordes se inspira en el modo en que nuestros ojos y nuestro cerebro colaboran para interpretar el mundo. En la visión humana, las neuronas especializadas de la corteza visual son muy sensibles a los bordes, las líneas y los contornos.

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

La visión artificial intenta imitar esta capacidad, pero va un paso más allá. Modelos como Ultralytics YOLO11 no se limitan a resaltar bordes básicos y mejorar imágenes. Pueden detectar objetos, delimitar sus contornos con precisión y seguir sus 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 basta.

Uso de Ultralytics YOLO11 para detectar bordes con mayor precisión#

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

• Detección de objetos: identifica y localiza varios objetos en una imagen o vídeo dibujando cajas delimitadoras alrededor de cada uno. Así ofrece una visión clara de los elementos presentes y de la posición de cada objeto.
• Segmentación de instancias: divide los objetos hasta el nivel de píxel y genera contornos limpios y precisos, incluso cuando los objetos se solapan o tienen formas irregulares.
• Clasificación de imágenes: asigna etiquetas a objetos o imágenes completas según sus características visuales, lo que facilita organizar e interpretar grandes conjuntos de datos.
• Estimación de pose: su objetivo es determinar la posición, orientación o postura de un objeto o una persona, lo que ayuda a supervisar movimientos o detectar cambios estructurales a lo largo del tiempo.
• Seguimiento de objetos: esta tarea sigue un objeto a medida que se desplaza por los fotogramas de un vídeo y mantiene su identificación para observarlo con precisión a largo plazo.

Detección de bordes 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 con conjuntos de datos como Crack-Seg para identificar con precisión grietas en carreteras, puentes y tuberías. La misma técnica también puede aplicarse al mantenimiento de aeronaves, la inspección de edificios y el control de calidad en la fabricación, lo que ayuda a agilizar las inspecciones y mejorar la seguridad.

Fig. 8. Ejemplo del uso de YOLO11 para segmentar grietas. (Fuente)

Conclusiones clave#

La detección de bordes ha avanzado mucho, desde los primeros métodos sencillos hasta técnicas avanzadas capaces de detectar incluso contornos sutiles en imágenes complejas. Ayuda a resaltar detalles importantes y zonas clave, y a preparar imágenes para analizarlas en profundidad, 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 imagen médica, las inspecciones industriales, la conducción autónoma y la seguridad, para ofrecer una interpretación visual precisa y fiable.

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