Ao clicar em “Aceitar todos os cookies”, concorda com o armazenamento de cookies no seu dispositivo para melhorar a navegação no site, analisar a utilização do site e ajudar nos nossos esforços de marketing. Mais informações
Definições de cookies
Ao clicar em “Aceitar todos os cookies”, concorda com o armazenamento de cookies no seu dispositivo para melhorar a navegação no site, analisar a utilização do site e ajudar nos nossos esforços de marketing. Mais informações
Detecção de bordas no processamento de imagens. Aprenda Sobel, Canny e outros algoritmos de detecção de bordas para detectar bordas com precisão e obter reconhecimento de bordas robusto.
Como seres humanos, reconhecemos naturalmente as bordas dos objetos, seguimos as suas curvas e notamos as texturas nas suas superfícies ao olhar para uma imagem. Para um computador, no entanto, a compreensão começa ao nível dos pixels individuais.
Um pixel, a menor unidade de uma imagem digital, armazena cor e brilho em um único ponto. Ao rastrear as mudanças nesses valores de pixel em uma imagem, um computador pode detectar padrões que revelam detalhes importantes.
Em particular, o processamento de imagem usa dados de pixels para enfatizar características essenciais e remover distrações. Uma técnica comum de processamento de imagem é a detecção de bordas, que identifica pontos onde a luminosidade ou a cor mudam bruscamente para delinear objetos, marcar limites e adicionar estrutura.
Isso permite que os computadores separem formas, meçam dimensões e interpretem como as partes de uma cena se conectam. A detecção de bordas é frequentemente o primeiro passo na análise de imagem avançada.
Fig. 1. Exemplo mostrando a imagem original junto com as saídas de diferentes métodos de detecção de borda. (Fonte)
Neste artigo, veremos o que é detecção de borda, como funciona e suas aplicações no mundo real. Vamos começar!
Conceitos de detecção de bordas
A detecção de bordas se concentra em procurar lugares em uma imagem onde o brilho ou a cor mudam visivelmente de um ponto para o outro. Se a mudança for pequena, a área parece suave. Se a mudança for acentuada, geralmente marca o limite entre duas regiões diferentes.
Aqui estão algumas das razões pelas quais essas mudanças de pixel ocorrem:
Descontinuidades normais da superfície: Quando duas superfícies se encontram em um ângulo, como o canto de uma parede ou a borda de uma caixa, essa mudança acentuada na orientação produz um limite claro na imagem.
Descontinuidades de profundidade: Elas aparecem onde os objetos estão a diferentes distâncias da câmera, produzindo uma separação visível que ajuda o sistema a distingui-los.
Alterações na cor ou textura da superfície: Isso ocorre quando uma área tem uma cor ou textura diferente da área adjacente, criando uma separação visível.
Mudanças de iluminação: Surge de mudanças de iluminação, incluindo sombras ou realces em superfícies, criando separações visíveis mesmo quando as próprias superfícies são lisas ou contínuas.
Fig 2. Diferentes tipos de descontinuidades de borda em imagens. (Fonte)
Como funciona o reconhecimento de detecção de borda
A detecção de bordas geralmente começa transformando uma imagem colorida em uma imagem em escala de cinza, para que cada ponto mostre apenas o brilho. Isso facilita para o algoritmo se concentrar nas diferenças de claro e escuro em vez de cor.
Em seguida, filtros especiais podem escanear a imagem para encontrar locais onde o brilho muda repentinamente. Esses filtros calculam a inclinação da mudança de brilho, chamada de gradiente. Um gradiente mais alto é causado por uma diferença maior entre pontos próximos, o que geralmente sinaliza uma borda.
O algoritmo então continua refinando a imagem, removendo pequenos detalhes e mantendo apenas as linhas e formas mais importantes. O resultado é um contorno claro e uma imagem de saída que pode ser usada para análises posteriores.
Evolução da deteção de bordas e processamento de imagem
Antes de nos aprofundarmos na detecção de bordas em mais detalhes, vamos discutir como ela se desenvolveu ao longo do tempo.
O processamento de imagem começou com métodos simples baseados em regras, como limiarização e filtragem, para limpar e melhorar as imagens. Na era analógica, isso significava trabalhar com fotografias ou filmes usando filtros ópticos, lupas ou tratamentos químicos para realçar detalhes.
Técnicas como ajuste de contraste, redução de ruído, ajuste da intensidade da imagem e detecção básica de bordas ajudaram a tornar as imagens de entrada mais nítidas e a destacar formas e texturas. Nas décadas de 1960 e 70, a mudança do processamento analógico para o digital abriu caminho para a análise moderna em áreas como astronomia, imagens médicas e monitoramento por satélite.
Nas décadas de 1980 e 90, computadores mais rápidos tornaram possível lidar com tarefas mais complexas, como extração de características, detecção de formas e reconhecimento básico de objetos. Algoritmos como o operador de Sobel e Canny ofereceram uma detecção de bordas mais precisa, enquanto o reconhecimento de padrões encontrou aplicações em tudo, desde automação industrial até leitura de texto impresso por meio de reconhecimento ótico de caracteres.
Detecção de bordas e visão computacional no século 21
Hoje, os avanços constantes na tecnologia levaram ao desenvolvimento da visão computacional. A visão de IA, ou visão computacional, é um ramo da IA que se concentra em ensinar as máquinas a interpretar e entender informações visuais.
Enquanto o processamento de imagem tradicional, como a limiarização dupla (que torna as imagens mais claras, mantendo as bordas fortes e removendo as fracas) e a detecção de bordas, seguia regras fixas e só podia lidar com tarefas específicas, a visão computacional usa modelos orientados a dados que podem aprender com exemplos e se adaptar a novas situações.
Atualmente, os sistemas de imagem vão muito além de apenas aprimorar imagens ou detectar bordas. Eles podem reconhecer objetos, rastrear movimentos e entender o contexto de uma cena inteira.
Uma das principais técnicas que torna isso possível é a convolução. Uma operação de convolução é um processo onde pequenos filtros (também chamados de kernels) examinam uma imagem para encontrar padrões importantes, como bordas, cantos e texturas. Esses padrões tornam-se os blocos de construção que os modelos de visão computacional usam para reconhecer e entender objetos.
Por exemplo, modelos de visão computacional como o Ultralytics YOLO11 usam estas características baseadas em convoluções para realizar tarefas avançadas como a segmentação de instâncias. Isto está intimamente relacionado com a deteção de bordas porque a segmentação de instâncias requer delinear com precisão os limites de cada objeto numa imagem.
Enquanto a deteção de bordas se concentra em encontrar mudanças de intensidade nos pixels da borda para marcar as bordas do objeto, a segmentação de instâncias se baseia nessa ideia para detetar bordas, classificar e separar cada objeto na sua própria região.
Fig 3. Uma visão do uso de YOLO11 e segmentação de instâncias. (Fonte)
Algoritmos e abordagens de detecção de bordas
Mesmo com o crescimento da visão computacional, o processamento de imagem ainda é uma parte importante de muitas aplicações. Isso porque a visão computacional geralmente se baseia em etapas básicas de pré-processamento de imagem.
Antes de detectar objetos ou entender uma cena, os sistemas geralmente limpam a imagem, reduzem o ruído e encontram bordas para destacar os detalhes principais. Essas etapas tornam os modelos avançados mais precisos e eficientes.
Em seguida, vamos explorar alguns dos algoritmos de processamento de imagem mais comuns usados para detectar bordas e como eles funcionam.
Detecção de bordas de Sobel
A detecção de bordas de Sobel é um método fundamental usado para encontrar os contornos de objetos em uma imagem. Em vez de analisar cada detalhe de uma vez, ela se concentra em áreas onde o brilho muda abruptamente de um pixel para o próximo pixel vizinho.
Essas mudanças repentinas geralmente marcam o ponto onde um objeto termina e outro começa, ou onde um objeto encontra o fundo. Ao isolar essas bordas, Sobel transforma uma imagem complexa em um contorno mais limpo, que é mais fácil para outros sistemas processarem para tarefas como rastreamento de movimento, detecção de formas ou reconhecimento de objetos.
Pode pensar na detecção de bordas de Sobel como um detector de gradiente que mede como a intensidade muda numa imagem. No seu núcleo, isto funciona através de uma operação de convolução: deslizar pequenas matrizes, chamadas kernels, através da imagem e calcular somas ponderadas de valores de pixels vizinhos.
Esses kernels são projetados para enfatizar mudanças no brilho ao longo das direções horizontal e vertical. Ao contrário dos modelos de aprendizado profundo, onde os kernels são aprendidos a partir de dados, o Sobel usa kernels fixos para destacar eficientemente as bordas sem exigir treinamento.
Aqui está uma análise mais detalhada de como funciona o método de detecção de bordas de Sobel:
Usar dois filtros 3×3: Este método usa duas pequenas grelhas 3×3, chamadas filtros. Pense nelas como stencils que deslizam sobre a imagem nas direções horizontal (direção x) e vertical (direção y). Uma grelha é projetada para encontrar bordas horizontais, e a outra é para bordas verticais.
Calculando o gradiente: Cada filtro encontra a rapidez com que o brilho muda e a direção do gradiente. Uma grande mudança significa uma possível borda.
Combinação de resultados: Os resultados horizontais e verticais são combinados para determinar a força e a direção geral da borda em cada pixel.
Detecção de bordas: Pixels com uma alta magnitude de gradiente são marcados como bordas fortes.
Delineando limites: Essas bordas ajudam a definir as formas dos objetos e a separar diferentes regiões na imagem.
Fig 4. A detecção de bordas de Sobel pode destacar os principais contornos de uma imagem de entrada e produzir um mapa de bordas. (Fonte)
Detecção de bordas de Canny
A detecção de bordas de Canny é outro método popular para encontrar bordas em uma imagem. É conhecido por produzir contornos limpos e precisos. Ao contrário das técnicas básicas de detecção de bordas, ele segue uma série de etapas cuidadosamente projetadas para filtrar o ruído, afiar os limites e focar nas bordas mais importantes.
Aqui está uma rápida visão geral de como funciona um detector de bordas de Canny:
Suavização da imagem: A imagem é primeiro borrada com um filtro Gaussiano, uma técnica de suavização que reduz o ruído e pequenos detalhes que poderiam ser confundidos com bordas.
Detecção de mudanças de brilho: O algoritmo então procura por mudanças bruscas no brilho, usando cálculos de gradiente para medir a força e a direção dessas mudanças.
Afinando as bordas: Apenas os pontos mais fortes ao longo de cada linha detectada são mantidos, enquanto os pontos mais fracos são removidos, resultando em bordas nítidas e limpas.
Classificando bordas: Cada pixel é rotulado como forte, fraco ou não uma borda, com base nos valores de limite da mudança de brilho.
Limpeza final: Bordas fracas conectadas a bordas fortes são mantidas; todas as outras são descartadas, deixando apenas limites claros e conectados.
Fig 5. Imagem original e a sua respetiva imagem de saída após a utilização do detetor de bordas Canny. (Fonte)
Como oferece resultados precisos enquanto filtra o ruído, a detecção de bordas de Canny é amplamente utilizada em áreas onde a precisão é importante. Por exemplo, é usado em indústrias como imagens médicas, mapeamento por satélite, digitalização de documentos e visão robótica.
Detecção de bordas baseada em gradiente vs. baseada em Gaussiana
Até agora, os dois exemplos de detecção de bordas que analisamos são Sobel e Canny. Embora ambos tenham como objetivo encontrar bordas, eles abordam o problema de forma diferente.
Métodos baseados em gradiente (como Sobel, Prewitt e Scharr) detectam bordas procurando mudanças bruscas no brilho, conhecidas como gradiente. Eles escaneiam a imagem e marcam os locais onde essa mudança é mais forte. Esses métodos são simples, rápidos e funcionam bem quando as imagens são nítidas. No entanto, são sensíveis ao ruído - pequenas variações no brilho podem ser confundidas com bordas.
Métodos baseados em Gaussianas (como Canny ou Laplaciano de Gauss) adicionam uma etapa extra para lidar com este problema: primeiro, desfocando a imagem. Essa suavização, geralmente feita com um filtro Gaussiano, reduz pequenas variações que poderiam criar falsas bordas. Após a suavização, esses métodos ainda procuram mudanças bruscas de brilho, mas os resultados são mais limpos e precisos para imagens ruidosas ou de baixa qualidade.
Fig 6. Detecção de borda baseada em gradiente vs. baseada em Gaussiana. Imagem do autor.
Aplicações no mundo real da detecção de bordas
Com uma melhor compreensão de como a detecção de bordas funciona, vamos explorar como ela é aplicada em situações do mundo real.
Usando detecção de bordas para identificar rachaduras
Inspecionar grandes estruturas de concreto, como pontes e edifícios altos, é frequentemente uma tarefa desafiadora e perigosa. Essas estruturas podem se estender por longas distâncias ou atingir grandes alturas, tornando as inspeções tradicionais lentas, caras e arriscadas. Essas inspeções também exigem tipicamente andaimes, acesso por corda, medições manuais de perto ou fotografia.
Uma abordagem interessante foi explorada em 2019, quando pesquisadores testaram um método mais seguro e rápido usando drones equipados com câmeras de alta resolução para capturar imagens detalhadas de superfícies de concreto. Essas imagens foram então processadas com várias técnicas de detecção de bordas para identificar automaticamente rachaduras.
O estudo mostrou que este método reduziu significativamente a necessidade de acesso humano direto a áreas perigosas e acelerou as inspeções. No entanto, sua precisão ainda dependia de fatores como condições de iluminação, clareza da imagem e operação estável do drone. Em alguns casos, a revisão humana ainda era necessária para eliminar falsos positivos.
Aplicando a detecção de bordas em imagens médicas
Radiografias e ressonâncias magnéticas frequentemente contêm distúrbios visuais conhecidos como ruído, o que pode dificultar a visualização de detalhes finos. Isso se torna um desafio para os médicos ao tentar identificar as bordas de um tumor, traçar o contorno de um órgão ou monitorar mudanças sutis ao longo do tempo.
Um estudo recente de imagem médica testou o quão bem os métodos comuns de detecção de bordas, como Sobel, Canny, Prewitt e Laplacian, lidam com imagens ruidosas. Os pesquisadores adicionaram diferentes tipos e níveis de ruído às imagens e verificaram a precisão com que cada método conseguia delinear características importantes.
Canny geralmente produzia as bordas mais limpas, mesmo quando o ruído era intenso, mas não era o melhor em todos os casos. Alguns métodos funcionavam melhor com certos padrões de ruído, então não existe uma solução perfeita única.
Fig 7. Canny (d–f) fornece bordas mais nítidas do que Sobel (g–i) à medida que o ruído aumenta. (Fonte)
Isso destaca por que tecnologias como a visão computacional são tão importantes. Ao combinar algoritmos avançados e modelos de IA de visão, essas soluções podem ir além da detecção básica de bordas para fornecer resultados mais precisos e confiáveis, mesmo em condições desafiadoras.
Prós da detecção de bordas
Aqui estão alguns dos benefícios de usar a detecção de bordas e o processamento de imagem:
Melhor compressão de dados: A detecção de bordas permite que as imagens sejam representadas usando apenas os recursos principais, reduzindo o tamanho do arquivo e retendo informações essenciais. Isso torna o armazenamento e a transmissão mais eficientes.
Localização de objeto mais precisa: Ao identificar com precisão os limites do objeto, a detecção de bordas melhora a capacidade dos sistemas de localizar e rastrear objetos, beneficiando aplicações como IA de Visão em robótica e veículos autônomos.
Detecção de características em multi-escala: As técnicas de detecção de bordas podem analisar imagens em diferentes escalas, capturando detalhes pequenos e formas maiores. Essa flexibilidade é útil em diversas tarefas, desde a análise de textura até a compreensão de cenas.
Limitações do uso de processamento de imagem para detecção de bordas
Embora existam muitos benefícios na detecção de bordas no processamento de imagens, ela também apresenta alguns desafios. Aqui estão algumas das principais limitações a serem consideradas:
Problemas com texturas complexas: Em imagens com padrões intrincados ou repetidos, a detecção de bordas geralmente produz muitas bordas falsas ou irrelevantes, o que complica a análise posterior e reduz a confiabilidade.
Sensível à iluminação: Variações no brilho, sombras e reflexos podem fazer com que os detectores de borda interpretem erroneamente as mudanças na iluminação como limites de objetos, levando a resultados inconsistentes.
Sem identificação de objetos: Embora as arestas destaquem onde os objetos começam e terminam, não mostram o que são os objetos. É necessário processamento adicional para atribuir significado ou rótulos às arestas detetadas.
Quando a visão computacional pode ser usada para detecção de bordas
A detecção de bordas é inspirada em como nossos olhos e cérebro trabalham juntos para dar sentido ao mundo. Quando se trata da visão humana, neurônios especializados no córtex visual são altamente sensíveis a bordas, linhas e limites.
Essas pistas visuais nos ajudam a determinar rapidamente onde um objeto termina e outro começa. É por isso que mesmo um simples desenho de linha pode ser instantaneamente reconhecível - nosso cérebro depende muito das bordas para identificar formas e objetos.
A visão computacional visa imitar essa capacidade, mas vai um passo além. Modelos como o Ultralytics YOLO11 vão além do realce básico de bordas e do aprimoramento de imagens. Eles podem detectar objetos, delineá-los com precisão e rastrear movimentos em tempo real. Esse nível mais profundo de compreensão os torna essenciais em cenários onde a detecção de bordas por si só não é suficiente.
Usando Ultralytics YOLO11 para detectar bordas com mais precisão
Aqui estão algumas tarefas de visão computacional importantes suportadas pelo YOLO11 que se baseiam e vão além da detecção de bordas:
Detecção de objetos: Identifica e localiza múltiplos objetos em uma imagem ou vídeo desenhando caixas delimitadoras ao redor de cada um, dando uma visão clara do que está presente e onde cada objeto está posicionado.
Segmentação de instâncias: Isso envolve a divisão de objetos até o nível do pixel, produzindo contornos limpos e precisos, mesmo quando os objetos se sobrepõem ou têm formas irregulares.
Estimativa de pose: O objetivo aqui é determinar a posição, orientação ou postura de um objeto ou pessoa, o que ajuda a monitorar o movimento ou detectar mudanças estruturais ao longo do tempo.
Rastreamento de objetos: Esta tarefa acompanha um objeto enquanto ele se move através de frames de vídeo, garantindo identificação consistente para observação precisa a longo prazo.
Classificação de imagens: Atribui rótulos a objetos ou imagens inteiras com base em suas características visuais, facilitando a organização e interpretação de grandes conjuntos de dados.
Detecção de bordas em infraestrutura com visão computacional
Um bom exemplo de visão computacional aprimorando um aplicativo que tradicionalmente dependia da detecção de bordas é a detecção de rachaduras em infraestruturas e ativos industriais. Modelos de visão computacional como o YOLO11 podem ser treinados para identificar com precisão rachaduras em estradas, pontes e dutos. A mesma técnica também pode ser aplicada na manutenção de aeronaves, inspeções de edifícios e controle de qualidade de fabricação, ajudando a acelerar as inspeções e melhorar a segurança.
Fig 8. Um exemplo de uso do YOLO11 para segmentação de rachaduras. (Fonte)
Principais conclusões
A detecção de bordas percorreu um longo caminho, desde métodos iniciais simples até técnicas avançadas que podem identificar até mesmo limites sutis em imagens complexas. Ajuda a destacar detalhes importantes, destacar áreas-chave e preparar imagens para análises mais profundas, tornando-se uma parte essencial do processamento de imagens.
Em visão computacional, a detecção de bordas desempenha um papel importante na definição de formas, separação de objetos e extração de informações úteis. É usado em muitas áreas, como imagens médicas, inspeções industriais, direção autônoma e segurança, para fornecer compreensão visual precisa e confiável.
