Capire il rilevamento dei bordi nell'elaborazione delle immagini

Noi esseri umani riconosciamo naturalmente i bordi degli oggetti, ne seguiamo le curve e notiamo le texture delle loro superfici quando osserviamo un'immagine. Per un computer, invece, la comprensione inizia dai singoli pixel.

Un pixel, l'unità più piccola di un'immagine digitale, memorizza il colore e la luminosità in un singolo punto. Monitorando le variazioni dei valori dei pixel nell'immagine, un computer può rilevare schemi che rivelano dettagli importanti.

In particolare, l'elaborazione delle immagini usa i dati dei pixel per mettere in risalto le caratteristiche essenziali ed eliminare gli elementi di disturbo. Una tecnica comune di elaborazione delle immagini è il rilevamento dei bordi, che individua i punti in cui la luminosità o il colore cambiano bruscamente, per delineare gli oggetti, segnare i confini e aggiungere struttura.

Questo consente ai computer di separare le forme, misurare le dimensioni e interpretare i collegamenti tra le parti di una scena. Il rilevamento dei bordi è spesso il primo passaggio nell'analisi avanzata delle immagini.

Fig. 1. Esempio che mostra l'immagine originale affiancata dai risultati di diversi metodi di rilevamento dei bordi. (Fonte)

In questo articolo vedremo cos'è il rilevamento dei bordi, come funziona e quali sono le sue applicazioni nel mondo reale.

Concetti di rilevamento dei bordi#

Il rilevamento dei bordi cerca nell'immagine i punti in cui la luminosità o il colore cambiano in modo evidente da un punto all'altro. Se la variazione è minima, l'area appare uniforme. Se è brusca, spesso indica il confine tra due regioni diverse.

Ecco alcuni motivi per cui si verificano queste variazioni dei pixel:

• Discontinuità delle normali alla superficie: Quando due superfici si incontrano formando un angolo, come lo spigolo di una parete o il bordo di una scatola, questo brusco cambiamento di orientamento crea un confine netto nell'immagine.
• Discontinuità di profondità: Si verificano quando gli oggetti si trovano a distanze diverse dalla fotocamera, creando una separazione visibile che aiuta il sistema a distinguerli.
• Variazioni del colore o della texture della superficie: Si verificano quando un'area ha un colore o una texture diversi da quelli dell'area adiacente, creando una separazione visibile.
• Variazioni di illuminazione: Derivano dai cambiamenti della luce, comprese ombre o zone illuminate sulle superfici, e creano separazioni visibili anche quando le superfici sono lisce o continue.

Fig. 2. Diversi tipi di discontinuità dei bordi nelle immagini. (Fonte)

Come funziona il rilevamento dei bordi#

Il rilevamento dei bordi inizia di solito convertendo un'immagine a colori in scala di grigi, in modo che ogni punto mostri solo la luminosità. Questo aiuta l'algoritmo a concentrarsi sulle differenze tra chiaro e scuro anziché sul colore.

Successivamente, filtri specifici analizzano l'immagine per trovare i punti in cui la luminosità cambia bruscamente. Questi filtri calcolano la rapidità con cui cambia la luminosità, detta gradiente. Un gradiente più alto è causato da una differenza maggiore tra punti vicini e spesso segnala un bordo.

L'algoritmo continua poi a perfezionare l'immagine, rimuovendo i dettagli minori e conservando solo le linee e le forme più importanti. Il risultato è un contorno netto e un'immagine di output che può essere utilizzata per ulteriori analisi.

Evoluzione del rilevamento dei bordi e dell'elaborazione delle immagini#

Prima di approfondire il rilevamento dei bordi, vediamo come si è evoluto nel tempo.

L'elaborazione delle immagini è iniziata con metodi semplici basati su regole, come la sogliatura e il filtraggio, per ripulire e migliorare le immagini. Nell'era analogica, si lavorava con fotografie o pellicole utilizzando filtri ottici, ingranditori o trattamenti chimici per mettere in risalto i dettagli.

Tecniche come la regolazione del contrasto, la riduzione del rumore, la modifica dell'intensità delle immagini e il rilevamento dei bordi di base contribuivano a rendere più nitide le immagini di input e a mettere in risalto forme e texture. Negli anni '60 e '70, il passaggio dall'elaborazione analogica a quella digitale ha aperto la strada alle analisi moderne in ambiti come l'astronomia, l'imaging medico e il monitoraggio satellitare.

Negli anni '80 e '90, computer più veloci hanno reso possibili attività più complesse, come l'estrazione delle caratteristiche, il rilevamento delle forme e il riconoscimento di base degli oggetti. Algoritmi come l'operatore di Sobel e il rilevatore di bordi di Canny hanno migliorato la precisione del rilevamento dei bordi, mentre il riconoscimento di schemi ha trovato applicazioni in tutto, dall'automazione industriale alla lettura del testo stampato tramite il riconoscimento ottico dei caratteri.

Rilevamento dei bordi e visione artificiale nel XXI secolo#

Oggi, i progressi costanti della tecnologia hanno portato allo sviluppo della visione artificiale. La Vision AI, o visione artificiale, è un ramo dell’AI che si concentra sull’insegnare alle macchine a interpretare e comprendere le informazioni visive.

Mentre l’elaborazione tradizionale delle immagini, come la doppia sogliatura (che rende le immagini più nitide mantenendo i bordi marcati e rimuovendo quelli deboli) e il rilevamento dei bordi, seguiva regole fisse e poteva gestire solo attività specifiche, la visione artificiale usa modelli basati sui dati che possono apprendere dagli esempi e adattarsi a nuove situazioni.

Oggi i sistemi di imaging vanno ben oltre il semplice miglioramento delle immagini o il rilevamento dei bordi. Possono riconoscere oggetti, tracciare i movimenti e comprendere il contesto di un’intera scena.

Una delle tecniche fondamentali che lo rendono possibile è la convoluzione. Un'operazione di convoluzione consiste nell'applicare piccoli filtri, detti anche kernel, che scorrono sull'immagine per individuare schemi importanti come bordi, angoli e texture. Questi schemi diventano gli elementi di base che i modelli di visione artificiale usano per riconoscere e comprendere gli oggetti.

Per esempio, i modelli di visione artificiale come Ultralytics YOLO11 usano queste caratteristiche basate sulla convoluzione per eseguire attività avanzate come la segmentazione di istanze. Questo è strettamente correlato al rilevamento dei bordi, perché la segmentazione di istanze richiede di delineare con precisione i contorni di ogni oggetto in un’immagine.

Mentre il rilevamento dei bordi si concentra sull’individuazione delle variazioni d’intensità nei pixel di contorno per marcare i bordi degli oggetti, la segmentazione di istanze parte da questa idea per rilevare i bordi, classificare e separare ogni oggetto nella propria regione.

Fig. 3. Esempio di utilizzo di Ultralytics YOLO11 e della segmentazione di istanze. (Fonte)

Algoritmi e approcci per il rilevamento dei bordi#

Nonostante la crescita della visione artificiale, l’elaborazione delle immagini resta una parte importante di molte applicazioni. Questo perché la visione artificiale si basa spesso su passaggi di preelaborazione di base delle immagini.

Prima di rilevare gli oggetti o comprendere una scena, i sistemi in genere ripuliscono l’immagine, riducono il rumore e individuano i bordi per mettere in risalto i dettagli chiave. Questi passaggi rendono i modelli avanzati più precisi ed efficienti.

Vediamo ora alcuni degli algoritmi di elaborazione delle immagini più comuni usati per rilevare i bordi e il loro funzionamento.

Rilevamento dei bordi con Sobel#

Il rilevamento dei bordi con Sobel è un metodo fondamentale per trovare i contorni degli oggetti in un’immagine. Invece di analizzare ogni dettaglio contemporaneamente, si concentra sulle aree in cui la luminosità cambia bruscamente da un pixel a quello adiacente.

Queste variazioni improvvise di solito indicano il punto in cui finisce un oggetto e ne inizia un altro, oppure in cui un oggetto incontra lo sfondo. Isolando questi bordi, Sobel trasforma un’immagine complessa in un contorno più pulito, più facile da elaborare per altri sistemi in attività come il tracciamento dei movimenti, il rilevamento delle forme o il riconoscimento degli oggetti.

Puoi pensare al rilevamento dei bordi con Sobel come a un rilevatore di gradienti che misura come cambia l’intensità in un’immagine. Alla base del metodo c’è un’operazione di convoluzione: piccole matrici, chiamate kernel, scorrono sull’immagine e calcolano somme pesate dei valori dei pixel vicini.

Questi kernel sono progettati per enfatizzare le variazioni di luminosità nelle direzioni orizzontale e verticale. A differenza dei modelli di deep learning, in cui i kernel vengono appresi dai dati, Sobel usa kernel fissi per evidenziare i bordi in modo efficiente, senza richiedere addestramento.

Ecco più da vicino come funziona il metodo Sobel per il rilevamento dei bordi:

• Uso di due filtri 3×3: Questo metodo usa due piccole griglie 3×3, chiamate filtri. Pensale come mascherine che scorrono sull’immagine nelle direzioni orizzontale (direzione x) e verticale (direzione y). Una griglia è progettata per trovare i bordi orizzontali, l’altra quelli verticali.
• Calcolo del gradiente: ogni filtro misura la rapidità con cui la luminosità cambia lungo la propria direzione. Una variazione marcata può indicare un bordo.
• Combinazione dei risultati: I risultati orizzontali e verticali vengono combinati per determinare la forza e la direzione complessive del bordo in ogni pixel.
• Rilevamento dei bordi: I pixel con un modulo del gradiente elevato vengono contrassegnati come bordi marcati.
• Delineazione dei contorni: Questi bordi aiutano a definire le forme degli oggetti e a separare le diverse regioni dell’immagine.

Fig. 4. Il rilevamento dei bordi con Sobel può mettere in risalto i contorni principali di un’immagine in ingresso e produrre una mappa dei bordi. (Fonte)

Rilevamento dei bordi con Canny#

Il rilevamento dei bordi con Canny è un altro metodo diffuso per individuare i bordi in un’immagine. È noto per produrre contorni puliti e precisi. A differenza delle tecniche di base per il rilevamento dei bordi, segue una serie di passaggi progettati con cura per filtrare il rumore, rendere più netti i contorni e concentrarsi sui bordi più importanti.

Ecco una rapida panoramica del funzionamento di un rilevatore di bordi Canny:

• Sfumatura dell'immagine: per prima cosa, l'immagine viene sfocata con un filtro gaussiano, una tecnica di sfumatura che riduce il rumore e i piccoli dettagli che potrebbero essere scambiati per bordi.
• Rilevamento delle variazioni di luminosità: L’algoritmo cerca quindi le variazioni brusche di luminosità e usa il calcolo del gradiente per misurarne la forza e la direzione.
• Assottigliamento dei bordi: Vengono mantenuti solo i punti più marcati lungo ogni linea rilevata, mentre quelli più deboli vengono rimossi, ottenendo bordi nitidi e puliti.
• Classificazione dei bordi: Ogni pixel viene etichettato come bordo marcato, debole o assente, in base ai valori soglia delle variazioni di luminosità.
• Pulizia finale: I bordi deboli collegati a quelli marcati vengono mantenuti; tutti gli altri vengono scartati, lasciando solo contorni chiari e connessi.

Fig. 5. Immagine originale e relativa immagine di output dopo l’uso del rilevatore di bordi Canny. (Fonte)

Poiché fornisce risultati accurati filtrando il rumore, il rilevamento dei bordi con Canny è ampiamente usato nei settori in cui la precisione è fondamentale. Per esempio, viene impiegato in ambiti come l’imaging medico, la mappatura satellitare, la scansione di documenti e la visione robotica.

Rilevamento dei bordi basato sul gradiente e basato su Gaussiane#

Finora abbiamo visto due esempi di rilevamento dei bordi: Sobel e Canny. Entrambi mirano a individuare i bordi, ma affrontano il problema in modo diverso.

I metodi basati sul gradiente (come Sobel, Prewitt e Scharr) rilevano i bordi cercando brusche variazioni di luminosità, note come gradiente. Analizzano l’immagine e marcano i punti in cui questa variazione è più forte. Sono semplici, veloci e funzionano bene con immagini nitide. Tuttavia, sono sensibili al rumore: piccole variazioni di luminosità possono essere scambiate per bordi.

I metodi basati su Gaussiane (come Canny o il Laplaciano della Gaussiana) aggiungono un passaggio per affrontare questo problema: sfocano prima l’immagine. Questo smoothing, spesso eseguito con un filtro gaussiano, riduce le piccole variazioni che potrebbero creare falsi bordi. Dopo lo smoothing, questi metodi continuano a cercare brusche variazioni di luminosità, ma producono risultati più puliti e precisi con immagini rumorose o di bassa qualità.

Fig. 6. Rilevamento dei bordi basato sul gradiente e basato su Gaussiane. Immagine dell’autore.

Applicazioni reali del rilevamento dei bordi#

Ora che abbiamo capito meglio come funziona il rilevamento dei bordi, vediamo come viene applicato nella pratica.

Uso del rilevamento dei bordi per individuare le crepe#

Ispezionare grandi strutture in calcestruzzo, come ponti ed edifici alti, è spesso difficile e pericoloso. Queste strutture possono estendersi per lunghe distanze o raggiungere altezze considerevoli, rendendo le ispezioni tradizionali lente, costose e rischiose. In genere, queste ispezioni richiedono anche impalcature, accesso su corda, misurazioni manuali ravvicinate o fotografie.

Nel 2019 è stato sperimentato un approccio interessante e più sicuro e veloce: i ricercatori hanno usato droni dotati di fotocamere ad alta risoluzione per acquisire immagini dettagliate delle superfici in calcestruzzo. Le immagini sono state poi elaborate con diverse tecniche di rilevamento dei bordi per individuare automaticamente le crepe.

Lo studio ha mostrato che questo metodo ha ridotto notevolmente la necessità di accesso diretto delle persone alle aree pericolose e ha accelerato le ispezioni. Tuttavia, la sua precisione dipendeva ancora da fattori come le condizioni di illuminazione, la nitidezza delle immagini e la stabilità del drone. In alcuni casi, era ancora necessaria una verifica umana per eliminare i falsi positivi.

Applicazione del rilevamento dei bordi nell’imaging medico#

Le radiografie e le risonanze magnetiche contengono spesso disturbi visivi noti come rumore, che possono rendere più difficile vedere i dettagli fini. Questo crea difficoltà per i medici quando cercano di individuare i bordi di un tumore, tracciare il contorno di un organo o monitorare cambiamenti sottili nel tempo.

Un recente studio sull’imaging medico ha valutato la capacità di metodi comuni di rilevamento dei bordi, come Sobel, Canny, Prewitt e Laplaciano, di gestire immagini rumorose. I ricercatori hanno aggiunto alle immagini diversi tipi e livelli di rumore e verificato con quale precisione ogni metodo riuscisse a delineare le caratteristiche importanti.

Canny ha generalmente prodotto i bordi più puliti, anche in presenza di molto rumore, ma non è stato il migliore in tutti i casi. Alcuni metodi hanno funzionato meglio con determinati schemi di rumore, quindi non esiste un’unica soluzione perfetta.

Fig. 7. Canny (d–f) fornisce bordi più nitidi di Sobel (g–i) all’aumentare del rumore. (Fonte)

Questo dimostra perché tecnologie come la visione artificiale sono così importanti. Combinando algoritmi avanzati e modelli di Vision AI, queste soluzioni possono andare oltre il semplice rilevamento dei bordi e fornire risultati più precisi e affidabili anche in condizioni difficili.

Vantaggi del rilevamento dei bordi#

Ecco alcuni vantaggi dell’uso del rilevamento dei bordi e dell’elaborazione delle immagini:

• Migliore compressione dei dati: Il rilevamento dei bordi consente di rappresentare le immagini usando solo le caratteristiche chiave, riducendo le dimensioni dei file e mantenendo le informazioni essenziali. Questo rende più efficienti l’archiviazione e la trasmissione.
• Localizzazione degli oggetti più precisa: identificando con precisione i contorni degli oggetti, il rilevamento dei bordi migliora la capacità dei sistemi di localizzarli e tracciarli, a vantaggio di applicazioni come la Vision AI nella robotica e i veicoli autonomi.
• Rilevamento di caratteristiche a più scale: Le tecniche di rilevamento dei bordi possono analizzare le immagini a scale diverse, acquisendo sia i piccoli dettagli sia le forme più ampie. Questa flessibilità è utile in varie attività, dall’analisi delle texture alla comprensione delle scene.

Limiti dell’elaborazione delle immagini per il rilevamento dei bordi#

Il rilevamento dei bordi nell’elaborazione delle immagini offre molti vantaggi, ma comporta anche alcune sfide. Ecco alcuni dei principali limiti da considerare:

• Problemi con le texture complesse: Nelle immagini con schemi intricati o ripetitivi, il rilevamento dei bordi spesso produce molti bordi falsi o irrilevanti, complicando le analisi successive e riducendo l’affidabilità.
• Sensibilità all’illuminazione: Variazioni di luminosità, ombre e riflessi possono indurre i rilevatori di bordi a interpretare erroneamente i cambiamenti d’illuminazione come contorni di oggetti, con risultati incoerenti.
• Nessuna identificazione degli oggetti: I bordi evidenziano dove iniziano e finiscono gli oggetti, ma non mostrano che cosa siano. Per attribuire un significato o un’etichetta ai bordi rilevati è necessaria un’ulteriore elaborazione.

Quando usare la visione artificiale per il rilevamento dei bordi#

Il rilevamento dei bordi si ispira al modo in cui occhi e cervello collaborano per interpretare il mondo. Nella visione umana, i neuroni specializzati della corteccia visiva sono molto sensibili a bordi, linee e contorni.

Questi indizi visivi ci aiutano a determinare rapidamente dove finisce un oggetto e ne inizia un altro. Per questo anche un semplice disegno a linee può essere riconosciuto all’istante: il nostro cervello si affida molto ai bordi per identificare forme e oggetti.

La visione artificiale mira a imitare questa capacità, ma fa un passo in più. Modelli come Ultralytics YOLO11 vanno oltre la semplice evidenziazione dei bordi e il miglioramento delle immagini. Possono rilevare gli oggetti, delinearli con precisione e tracciare i movimenti in tempo reale. Questo livello di comprensione più profondo li rende essenziali negli scenari in cui il solo rilevamento dei bordi non basta.

Uso di Ultralytics YOLO11 per rilevare i bordi con maggiore precisione#

Ecco alcune attività chiave di visione artificiale supportate da Ultralytics YOLO11, che ampliano e superano il rilevamento dei bordi:

• Rilevamento degli oggetti: identifica e localizza più oggetti in un'immagine o in un video tracciando una bounding box attorno a ciascuno, mostrando chiaramente quali oggetti sono presenti e dove si trovano.
• Segmentazione di istanze: suddivide gli oggetti fino al livello dei pixel e produce contorni nitidi e precisi, anche quando gli oggetti si sovrappongono o hanno forme irregolari.
• Classificazione delle immagini: assegna etichette agli oggetti o alle immagini intere in base alle loro caratteristiche visive, facilitando l'organizzazione e l'interpretazione di grandi quantità di dati.
• Stima della posa: mira a determinare la posizione, l'orientamento o la postura di un oggetto o di una persona, aiutando a monitorare i movimenti o a rilevare cambiamenti strutturali nel tempo.
• Tracciamento degli oggetti: segue un oggetto mentre si sposta tra i fotogrammi di un video, garantendone un'identificazione coerente per un'osservazione accurata nel tempo.

Rilevamento dei bordi nelle infrastrutture con la visione artificiale#

Un esempio efficace di come la visione artificiale migliori un'applicazione che tradizionalmente si basava sul rilevamento dei bordi è il rilevamento delle crepe nelle infrastrutture e nei beni industriali. I modelli di visione artificiale come Ultralytics YOLO11 possono essere addestrati su dataset come Crack-Seg per identificare con precisione le crepe su strade, ponti e condutture. La stessa tecnica può essere applicata anche alla manutenzione degli aeromobili, alle ispezioni degli edifici e al controllo qualità in produzione, accelerando le ispezioni e migliorando la sicurezza.

Fig. 8. Esempio di utilizzo di YOLO11 per la segmentazione delle crepe. (Fonte)

Punti chiave#

Il rilevamento dei bordi ha fatto molta strada: dai primi metodi semplici alle tecniche avanzate capaci di individuare anche i contorni più sfumati in immagini complesse. Aiuta a far emergere dettagli importanti, mettere in risalto aree chiave e preparare le immagini per analisi più approfondite, diventando così una componente fondamentale dell’elaborazione delle immagini.

Nella visione artificiale, il rilevamento dei bordi svolge un ruolo importante nel definire le forme, separare gli oggetti ed estrarre informazioni utili. Viene usato in molti ambiti, come l’imaging medico, le ispezioni industriali, la guida autonoma e la sicurezza, per fornire una comprensione visiva precisa e affidabile.

Unisciti alla nostra community ed esplora il nostro repository GitHub per saperne di più sull’AI. Se vuoi avviare un tuo progetto di Vision AI, dai un’occhiata alle opzioni di licenza. Scopri di più su applicazioni come l’AI nel settore sanitario e la Vision AI nel commercio al dettaglio visitando le nostre pagine dedicate alle soluzioni.