Comprendere il rilevamento dei bordi nell'elaborazione delle immagini

Come esseri umani, quando guardiamo un'immagine, riconosciamo naturalmente i bordi degli oggetti, ne seguiamo le curve e notiamo le texture sulle loro superfici. Per un computer, tuttavia, la comprensione inizia a livello dei singoli pixel.

Un pixel, la più piccola unità di un'immagine digitale, memorizza colore e luminosità in un singolo punto. Tracciando i cambiamenti in questi valori dei pixel in un'intera immagine, un computer è in grado di rilevare pattern che rivelano dettagli chiave.

In particolare, l'image processing utilizza i dati dei pixel per enfatizzare le caratteristiche essenziali e rimuovere le distrazioni. Una tecnica comune di elaborazione delle immagini è il rilevamento dei bordi, che identifica i punti in cui la luminosità o il colore cambiano bruscamente per delineare gli oggetti, contrassegnare i confini e aggiungere struttura.

Ciò consente ai computer di separare le forme, misurare le dimensioni e interpretare come le parti di una scena si collegano tra loro. Il rilevamento dei bordi è spesso il primo passo nell'image analysis avanzata.

Fig 1. Esempio che mostra l'immagine originale accanto agli output di diversi metodi di rilevamento dei bordi. (Source)

In questo articolo, daremo uno sguardo a cosa sia il rilevamento dei bordi, come funziona e alle sue applicazioni nel mondo reale. Cominciamo!

Link to this sectionConcetti di rilevamento dei bordi#

Il rilevamento dei bordi si concentra sulla ricerca di punti in un'immagine in cui la luminosità o il colore cambiano in modo evidente da un punto all'altro. Se il cambiamento è piccolo, l'area appare liscia. Se il cambiamento è netto, spesso segna il confine tra due regioni diverse.

Ecco alcuni dei motivi per cui si verificano questi cambiamenti nei pixel:

• Discontinuità delle normali superficiali: quando due superfici si incontrano ad angolo, come l'angolo di una parete o il bordo di una scatola, questo brusco cambiamento di orientamento produce un confine chiaro nell'immagine.
• Discontinuità di profondità: appaiono dove gli oggetti si trovano a distanze diverse dalla fotocamera, producendo una separazione visibile che aiuta il sistema a distinguerli.
• Cambiamenti di colore o texture superficiale: ciò si verifica quando un'area ha un colore o una texture diversa dall'area adiacente, creando una separazione visibile.
• Cambiamenti di illuminazione: derivano da cambiamenti di luce, inclusi ombre o punti luminosi sulle superfici, creando separazioni visibili anche quando le superfici stesse sono lisce o continue.

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

Link to this sectionCome funziona il riconoscimento del rilevamento dei bordi#

Il rilevamento dei bordi solitamente inizia trasformando un'immagine a colori in un'immagine in scala di grigi, in modo che ogni punto mostri solo la luminosità. Ciò facilita all'algoritmo il compito di concentrarsi sulle differenze tra chiaro e scuro anziché sul colore.

Successivamente, filtri speciali possono scansionare l'immagine per trovare punti in cui la luminosità cambia improvvisamente. Questi filtri calcolano quanto bruscamente cambia la luminosità, fenomeno chiamato gradiente. Un gradiente più elevato è causato da una maggiore differenza tra punti vicini, il che spesso segnala un bordo.

L'algoritmo continua quindi a rifinire l'immagine, rimuovendo i piccoli dettagli e mantenendo solo le linee e le forme più importanti. Il risultato è un contorno chiaro e un'immagine di output che può essere utilizzata per ulteriori analisi.

Link to this sectionEvoluzione del rilevamento dei bordi e dell'elaborazione delle immagini#

Prima di approfondire il rilevamento dei bordi, discutiamo di come si è sviluppato nel tempo.

L'elaborazione delle immagini è iniziata con semplici metodi basati su regole come la thresholding e il filtraggio per pulire e migliorare le immagini. Nell'era analogica, ciò significava lavorare con fotografie o pellicole utilizzando filtri ottici, lenti d'ingrandimento o trattamenti chimici per far risaltare i dettagli.

Tecniche come la regolazione del contrasto, la riduzione del rumore, la regolazione dell'intensità dell'immagine e il rilevamento dei bordi di base hanno contribuito a rendere le immagini di input più chiare e a evidenziare forme e texture. Negli anni '60 e '70, il passaggio dall'elaborazione analogica a quella digitale ha aperto la strada all'analisi moderna in settori come l'astronomia, l'imaging medico e il monitoraggio satellitare.

Negli anni '80 e '90, computer più veloci hanno reso possibile affrontare attività più complesse come l'estrazione di caratteristiche, il rilevamento delle forme e il riconoscimento di base degli oggetti. Algoritmi come l'operatore di Sobel e Canny hanno offerto un rilevamento dei bordi più preciso, mentre il riconoscimento di pattern ha trovato applicazioni in tutto, dall'automazione industriale alla lettura di testi stampati attraverso l'optical character recognition.

Link to this sectionIl rilevamento dei bordi e la computer vision nel XXI secolo#

Oggi, i costanti progressi tecnologici hanno portato allo sviluppo della computer vision. La Vision AI, o computer vision, è un ramo dell'IA che si concentra sull'insegnamento alle macchine per interpretare e comprendere le informazioni visive.

Mentre l'elaborazione delle immagini tradizionale, come la doppia soglia (che rende le immagini più chiare mantenendo i bordi forti e rimuovendo quelli deboli) e il rilevamento dei bordi, seguiva regole fisse e poteva gestire solo compiti specifici, la computer vision utilizza modelli basati sui dati che possono apprendere dagli esempi e adattarsi a nuove situazioni.

Al giorno d'oggi, i sistemi di imaging vanno ben oltre il semplice miglioramento delle immagini o il rilevamento dei bordi. Possono riconoscere oggetti, tracciare il movimento e comprendere il contesto di un'intera scena.

Una delle tecniche chiave che rende ciò possibile è la convoluzione. Un'operazione di convoluzione è un processo in cui piccoli filtri (chiamati anche kernel) scansionano un'immagine per trovare pattern importanti come bordi, angoli e texture. Questi pattern diventano i mattoni che i modelli di computer vision utilizzano per riconoscere e comprendere gli oggetti.

Ad esempio, i modelli di computer vision come Ultralytics YOLO11 utilizzano queste caratteristiche basate sulla convoluzione per eseguire compiti avanzati come l'instance segmentation. Questo è strettamente correlato al rilevamento dei bordi perché l'instance segmentation richiede di delineare accuratamente i confini di ogni oggetto in un'immagine.

Mentre il rilevamento dei bordi si concentra sulla ricerca di cambiamenti di intensità nei pixel dei bordi per contrassegnare i bordi degli oggetti, l'instance segmentation si basa su tale idea per rilevare bordi, classificare e separare ogni oggetto nella propria regione.

Fig 3. Uno sguardo all'uso di YOLO11 e dell'instance segmentation. (Source)

Link to this sectionAlgoritmi e approcci di rilevamento dei bordi#

Anche con la crescita della computer vision, l'elaborazione delle immagini rimane una parte importante di molte applicazioni. Questo perché la computer vision spesso si basa su passaggi preliminari di elaborazione delle immagini.

Prima di rilevare oggetti o comprendere una scena, i sistemi solitamente puliscono l'immagine, riducono il rumore e trovano i bordi per far risaltare i dettagli chiave. Questi passaggi rendono i modelli avanzati più precisi ed efficienti.

Successivamente, esploriamo alcuni degli algoritmi di elaborazione delle immagini più comuni utilizzati per rilevare i bordi e come funzionano.

Link to this sectionRilevamento dei bordi di Sobel#

Il rilevamento dei bordi di Sobel è un metodo chiave utilizzato per trovare i contorni degli oggetti in un'immagine. Invece di analizzare ogni dettaglio alla volta, si concentra sulle aree in cui la luminosità cambia bruscamente da un pixel al pixel vicino.

Questi spostamenti improvvisi solitamente segnano il punto in cui finisce un oggetto e ne inizia un altro, o dove un oggetto incontra lo sfondo. Isolando questi bordi, Sobel trasforma un'immagine complessa in un contorno più pulito che è più facile da elaborare per altri sistemi per compiti come il tracciamento del movimento, il rilevamento delle forme o il riconoscimento degli oggetti.

Puoi pensare al rilevamento dei bordi di Sobel come a un rilevatore di gradiente che misura come cambia l'intensità in un'immagine. Fondamentalmente, funziona attraverso un'operazione di convoluzione: facendo scorrere piccole matrici, chiamate kernel, sull'immagine e calcolando le somme ponderate dei valori dei pixel vicini.

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

Ecco uno sguardo più da vicino a come funziona il metodo di rilevamento dei bordi di Sobel:

• Utilizzo di due filtri 3×3: questo metodo utilizza due minuscole griglie 3×3, chiamate filtri. Pensale come stencil che scorrono sull'immagine nelle direzioni orizzontale (asse x) e verticale (asse y). Una griglia è progettata per trovare i bordi orizzontali e l'altra per quelli verticali.
• Calcolo del gradiente: ogni filtro rileva la velocità con cui cambia la luminosità e la direzione del gradiente. Un grande cambiamento significa un possibile bordo.
• Combinazione dei risultati: i risultati orizzontali e verticali vengono combinati per determinare la forza e la direzione complessiva del bordo in ogni pixel.
• Rilevamento dei bordi: i pixel con una grande magnitudine del gradiente vengono contrassegnati come bordi forti.
• Delineazione dei confini: questi bordi aiutano a definire le forme degli oggetti e a separare regioni diverse nell'immagine.

Fig 4. Il rilevamento dei bordi di Sobel può evidenziare i contorni principali di un'immagine di input e produrre una mappa dei bordi. (Source)

Link to this sectionRilevamento dei bordi di Canny#

Il rilevamento dei bordi di Canny è un altro metodo popolare per trovare i bordi in un'immagine. È noto per produrre contorni puliti e precisi. A differenza delle tecniche di base di rilevamento dei bordi, segue una serie di passaggi attentamente progettati per filtrare il rumore, affinare i confini e concentrarsi sui bordi più importanti.

Ecco una rapida panoramica di come funziona un rilevatore di bordi di Canny:

• Levigatura dell'immagine: l'immagine viene prima sfocata con un filtro gaussiano, una tecnica di levigatura che riduce il rumore e i piccoli dettagli che potrebbero essere scambiati per bordi.
• Rilevamento dei cambiamenti di luminosità: l'algoritmo quindi scansiona i cambiamenti improvvisi di luminosità, utilizzando i calcoli del gradiente per misurare la forza e la direzione di tali cambiamenti.
• Assottigliamento dei bordi: vengono mantenuti solo i punti più forti lungo ogni linea rilevata, mentre i punti più deboli vengono rimossi, risultando in bordi nitidi e puliti.
• Classificazione dei bordi: ogni pixel viene etichettato come forte, debole o non un bordo, in base ai valori di soglia del cambiamento di luminosità.
• Pulizia finale: i bordi deboli collegati a quelli forti vengono mantenuti; tutti gli altri vengono scartati, lasciando solo confini chiari e connessi.

Fig 5. Immagine originale e la sua rispettiva immagine di output dopo l'utilizzo del rilevatore di bordi di Canny. (Source)

Poiché fornisce risultati accurati filtrando al contempo il rumore, il rilevamento dei bordi di Canny è ampiamente utilizzato in aree in cui la precisione è importante. Ad esempio, è utilizzato in settori come l'medical imaging, mappatura satellitare, scansione di documenti e visione robotica.

Link to this sectionRilevamento dei bordi basato su gradiente vs. basato su gaussiana#

Finora, i due esempi di rilevamento dei bordi che abbiamo esaminato sono Sobel e Canny. Sebbene entrambi mirino a trovare i bordi, affrontano il problema in modo diverso.

I metodi basati sul gradiente (come Sobel, Prewitt e Scharr) rilevano i bordi cercando cambiamenti improvvisi di luminosità, noti come gradiente. Scansionano l'immagine e contrassegnano i punti in cui questo cambiamento è più forte. Questi metodi sono semplici, veloci e funzionano bene quando le immagini sono chiare. Tuttavia, sono sensibili al rumore: minuscole variazioni di luminosità possono essere scambiate per bordi.

I metodi basati sulla gaussiana (come Canny o Laplaciano di Gaussiana) aggiungono un passaggio extra per gestire questo problema: sfocare prima l'immagine. Questa levigatura, spesso eseguita con un filtro gaussiano, riduce le piccole variazioni che potrebbero creare falsi bordi. Dopo la levigatura, questi metodi cercano comunque cambiamenti improvvisi di luminosità, ma i risultati sono più puliti e accurati per immagini rumorose o di bassa qualità.

Fig 6. Rilevamento dei bordi basato su gradiente vs. basato su gaussiana. Immagine dell'autore.

Link to this sectionApplicazioni del mondo reale del rilevamento dei bordi#

Con una migliore comprensione di come funziona il rilevamento dei bordi, esploriamo come viene applicato in situazioni reali.

Link to this sectionUtilizzo del rilevamento dei bordi per identificare le crepe#

Ispezionare grandi strutture in calcestruzzo, come ponti e grattacieli, è spesso un compito impegnativo e pericoloso. Queste strutture possono estendersi per lunghe distanze o raggiungere altezze elevate, rendendo le ispezioni tradizionali lente, costose e rischiose. Tali ispezioni richiedono anche tipicamente ponteggi, accesso con fune, misurazioni manuali ravvicinate o fotografia.

Un approccio interessante è stato esplorato nel 2019, quando i ricercatori hanno testato un metodo più sicuro e veloce utilizzando droni dotati di fotocamere ad alta risoluzione per catturare immagini di input dettagliate di superfici in calcestruzzo. Queste immagini sono state poi elaborate con varie tecniche di edge detection per identificare automaticamente le crepe.

Lo studio ha mostrato che questo metodo ha ridotto significativamente la necessità di accesso umano diretto ad aree pericolose e ha accelerato le ispezioni. Tuttavia, la sua precisione dipendeva ancora da fattori come le condizioni di illuminazione, la chiarezza dell'immagine e il funzionamento stabile del drone. In alcuni casi, era ancora necessaria una revisione umana per eliminare i falsi positivi.

Link to this sectionApplicazione 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. Ciò diventa una sfida 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 di imaging medico ha testato quanto bene i comuni metodi di rilevamento dei bordi, come Sobel, Canny, Prewitt e Laplaciano, gestiscano immagini rumorose. I ricercatori hanno aggiunto diversi tipi e livelli di rumore alle immagini e hanno controllato con quanta precisione ogni metodo potesse delineare le caratteristiche importanti.

Canny solitamente produceva i bordi più puliti, anche quando il rumore era forte, ma non era il migliore in ogni caso. Alcuni metodi funzionavano meglio con determinati pattern di rumore, quindi non esiste una soluzione perfetta unica.

Fig 7. Canny (d–f) fornisce bordi più chiari di Sobel (g–i) all'aumentare del rumore. (Source)

Ciò evidenzia perché tecnologie come la computer vision sono così importanti. Combinando algoritmi avanzati e vision AI models, tali soluzioni possono andare oltre il rilevamento dei bordi di base per fornire risultati più accurati e affidabili anche in condizioni difficili.

Link to this sectionVantaggi del rilevamento dei bordi#

Ecco alcuni dei vantaggi dell'utilizzo del rilevamento dei bordi e dell'elaborazione delle immagini:

• Migliore compressione dei dati: il rilevamento dei bordi consente di rappresentare le immagini utilizzando solo caratteristiche chiave, riducendo le dimensioni del file pur mantenendo le informazioni essenziali. Ciò rende l'archiviazione e la trasmissione più efficienti.
• Localizzazione degli oggetti più precisa: identificando accuratamente i confini degli oggetti, il rilevamento dei bordi migliora la capacità dei sistemi di individuare e tracciare gli oggetti, a vantaggio di applicazioni come la vision AI in robotics e i veicoli autonomi.
• Rilevamento delle caratteristiche su più scale: le tecniche di rilevamento dei bordi possono analizzare le immagini a diverse scale, catturando sia piccoli dettagli che forme più grandi. Questa flessibilità è utile in compiti vari, dall'analisi della texture alla comprensione della scena.

Link to this sectionLimitazioni dell'utilizzo dell'elaborazione delle immagini per il rilevamento dei bordi#

Sebbene ci siano molti vantaggi nel rilevamento dei bordi nell'elaborazione delle immagini, presenta anche alcune sfide. Ecco alcune delle limitazioni chiave da considerare:

• Problemi con texture complesse: nelle immagini con pattern complessi o ripetitivi, il rilevamento dei bordi produce spesso molti bordi falsi o irrilevanti, il che complica l'analisi successiva e riduce l'affidabilità.
• Sensibile all'illuminazione: variazioni di luminosità, ombre e riflessi possono indurre i rilevatori di bordi a interpretare erroneamente i cambiamenti di illuminazione come confini degli oggetti, portando a risultati incoerenti.
• Nessuna identificazione dell'oggetto: sebbene i bordi evidenzino dove iniziano e finiscono gli oggetti, non mostrano cosa siano gli oggetti. È necessaria un'ulteriore elaborazione per assegnare significato o etichette ai bordi rilevati.

Link to this sectionQuando la computer vision può essere utilizzata per il rilevamento dei bordi#

Il rilevamento dei bordi è ispirato al modo in cui i nostri occhi e il nostro cervello lavorano insieme per dare un senso al mondo. Per quanto riguarda la visione umana, i neuroni specializzati nella corteccia visiva sono altamente sensibili a bordi, linee e confini.

Questi indizi visivi ci aiutano a determinare rapidamente dove finisce un oggetto e ne inizia un altro. Questo è il motivo per cui anche un semplice disegno al tratto può essere immediatamente riconoscibile: il nostro cervello si affida pesantemente ai bordi per identificare forme e oggetti.

La computer vision mira a imitare questa capacità ma fa un passo avanti. Modelli come Ultralytics YOLO11 vanno oltre l'evidenziazione di base dei bordi e il miglioramento dell'immagine. Possono rilevare oggetti, delinearli con precisione e tracciare il movimento in tempo reale. Questo livello più profondo di comprensione li rende essenziali in scenari in cui il solo rilevamento dei bordi non è sufficiente.

Link to this sectionUtilizzo di Ultralytics YOLO11 per rilevare i bordi in modo più accurato#

Ecco alcuni compiti chiave di computer vision tasks supportati da YOLO11 che si basano su, e vanno oltre, il rilevamento dei bordi:

• Rilevamento di oggetti: identifica e localizza più oggetti in un'immagine o in un video disegnando riquadri di delimitazione attorno a ciascuno, offrendo una visione chiara di ciò che è presente e dove è posizionato ogni oggetto.
• Instance segmentation: comporta la scomposizione degli oggetti a livello di pixel, producendo contorni puliti e precisi anche quando gli oggetti si sovrappongono o hanno forme irregolari.
• Pose estimation: L'obiettivo qui è determinare la posizione, l'orientamento o la postura di un oggetto o di una persona, il che aiuta a monitorare il movimento o a rilevare cambiamenti strutturali nel tempo.
• Object tracking: Questa attività segue un oggetto mentre si muove attraverso i fotogrammi video, garantendo un'identificazione coerente per un'osservazione accurata a lungo termine.
• Image classification: Assegna etichette a oggetti o intere immagini in base alle loro caratteristiche visive, rendendo più semplice organizzare e interpretare grandi set di dati.

Link to this sectionRilevamento dei bordi nelle infrastrutture con la computer vision#

Un buon esempio di computer vision che potenzia un'applicazione basata tradizionalmente sul rilevamento dei bordi è il rilevamento delle crepe nelle infrastrutture e nelle risorse industriali. Modelli di computer vision come YOLO11 possono essere addestrati per identificare accuratamente le crepe su strade, ponti e condutture. La stessa tecnica può essere applicata anche nella manutenzione degli aeromobili, nelle ispezioni degli edifici e nel controllo qualità della produzione, contribuendo ad accelerare le ispezioni e migliorare la sicurezza.

Fig 8. Un esempio di utilizzo di YOLO11 per la segmentazione delle crepe. (Source)

Link to this sectionPunti chiave#

Il rilevamento dei bordi ha fatto molta strada, dai primi metodi semplici alle tecniche avanzate in grado di individuare anche i confini più sottili in immagini complesse. Aiuta a far emergere dettagli importanti, evidenziare aree chiave e preparare le immagini per un'analisi più approfondita, rendendolo una parte fondamentale dell'elaborazione delle immagini.

Nella computer vision, il rilevamento dei bordi svolge un ruolo importante nella definizione delle forme, nella separazione degli oggetti e nell'estrazione di informazioni utili. È utilizzato in molti ambiti come l'imaging medico, le ispezioni industriali, la guida autonoma e la sicurezza per fornire una comprensione visiva accurata e affidabile.

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