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
Deteção de arestas no processamento de imagens. Aprenda Sobel, Canny e outros algoritmos de deteção de bordas para detetar bordas com precisão e obter um reconhecimento robusto de bordas.
Como seres humanos, reconhecemos naturalmente as arestas dos objectos, seguimos as suas curvas e reparamos nas texturas das suas superfícies quando olhamos para uma imagem. No entanto, para um computador, a compreensão começa ao nível dos pixéis individuais.
Um pixel, a unidade mais pequena de uma imagem digital, armazena a cor e o brilho num único ponto. Ao seguir as alterações nestes valores de pixel ao longo de uma imagem, um computador pode detetar padrões que revelam detalhes importantes.
Em particular, o processamento de imagens utiliza dados de píxeis para realçar caraterísticas essenciais e remover distracções. Uma técnica de processamento de imagem comum é a deteção de extremidades, que identifica os pontos onde o brilho ou a cor mudam acentuadamente para delinear objectos, marcar limites e adicionar estrutura.
Isto permite aos computadores separar formas, medir dimensões e interpretar a forma como as partes de uma cena se ligam. A deteção de margens é frequentemente o primeiro passo na análise avançada de imagens.
Fig. 1. Exemplo que mostra a imagem original juntamente com os resultados de diferentes métodos de deteção de bordos.(Fonte)
Neste artigo, vamos ver o que é a deteção de margens, como funciona e as suas aplicações no mundo real. Vamos começar!
Conceitos de deteção de bordos
A deteção de margens centra-se na procura de locais numa imagem onde o brilho ou a cor mudam visivelmente de um ponto para o outro. Se a alteração for pequena, a área parece suave. Se a alteração for acentuada, marca frequentemente a fronteira entre duas regiões diferentes.
Eis algumas das razões pelas quais estas alterações de pixéis ocorrem:
Descontinuidades normais da superfície: Quando duas superfícies se encontram num ângulo, como o canto de uma parede ou a borda de uma caixa, esta mudança brusca na orientação produz um limite claro na imagem.
Descontinuidades de profundidade: Aparecem quando os objectos estão a diferentes distâncias da câmara, produzindo uma separação visível que ajuda o sistema a distingui-los.
Mudanças na cor ou textura da superfície: Isto ocorre quando uma área tem uma cor ou textura diferente da área adjacente, criando uma separação visível.
Alterações de iluminação: Resulta de alterações 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 margens em imagens.(Fonte)
Como funciona o reconhecimento por deteção de bordos
A deteção de extremidades começa normalmente por transformar uma imagem a cores numa imagem em escala de cinzentos, para que cada ponto mostre apenas o brilho. Desta forma, é mais fácil para o algoritmo concentrar-se nas diferenças de luz e escuridão em vez de na cor.
De seguida, filtros especiais podem analisar a imagem para encontrar locais onde o brilho muda subitamente. Estes filtros calculam o grau de alteração do brilho, designado por gradiente. Um gradiente mais elevado é provocado por uma diferença maior entre pontos próximos, o que muitas vezes assinala uma extremidade.
O algoritmo continua a refinar 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 utilizada para análise posterior.
Evolução da deteção de bordos e do processamento de imagens
Antes de nos debruçarmos mais detalhadamente sobre a deteção de extremidades, vamos analisar a sua evolução ao longo do tempo.
O processamento de imagens começou com métodos simples e baseados em regras, como a limiarização e a filtragem, para limpar e melhorar as imagens. Na era analógica, isto significava trabalhar com fotografias ou películas utilizando filtros ópticos, lupas ou tratamentos químicos para realçar pormenores.
Técnicas como o ajuste do contraste, a redução do ruído, o ajuste da intensidade da imagem e a deteção básica de margens ajudaram a tornar as imagens de entrada mais claras e a realçar formas e texturas. Nas décadas de 60 e 70, a mudança do processamento analógico para o digital abriu caminho para a análise moderna em áreas como a astronomia, a imagiologia médica e a monitorização por satélite.
Nos anos 80 e 90, os computadores mais rápidos permitiram realizar tarefas mais complexas, como a extração de caraterísticas, a deteção de formas e o reconhecimento básico de objectos. Algoritmos como o operador Sobel e o Canny permitiram uma deteção mais precisa das arestas, enquanto o reconhecimento de padrões encontrou aplicações em tudo, desde a automação industrial à leitura de texto impresso através do reconhecimento ótico de caracteres.
Deteção de bordos e visão por computador no século XXI
Atualmente, os constantes avanços tecnológicos conduziram ao desenvolvimento da visão por computador. A visão de IA, ou visão computacional, é um ramo da IA que se centra em ensinar as máquinas a interpretar e compreender a informação visual.
Enquanto o processamento tradicional de imagens, como a dupla limiarização (que torna as imagens mais claras mantendo os bordos fortes e removendo os fracos) e a deteção de bordos, seguia regras fixas e só podia lidar com tarefas específicas, a visão por computador utiliza modelos orientados por dados que podem aprender com exemplos e adaptar-se a novas situações.
Atualmente, os sistemas de imagem vão muito além de apenas melhorar imagens ou detetar arestas. Podem reconhecer objectos, seguir movimentos e compreender o contexto de uma cena inteira.
Uma das principais técnicas que torna isto possível é a convolução. Uma operação de convolução é um processo em que pequenos filtros (também designados por kernels) analisam uma imagem para encontrar padrões importantes, como arestas, cantos e texturas. Estes padrões tornam-se os blocos de construção que os modelos de visão por computador utilizam para reconhecer e compreender objectos.
Por exemplo, os modelos de visão por computador como o Ultralytics YOLO11 utilizam estas caraterísticas baseadas na convolução para efetuar tarefas avançadas como a segmentação de instâncias. Esta tarefa está intimamente relacionada com a deteção de extremidades, uma vez que a segmentação de instâncias exige o delineamento preciso dos limites de cada objeto numa imagem.
Enquanto a deteção de extremidades se concentra em encontrar alterações de intensidade nos pixels das extremidades para marcar as extremidades dos objectos, a segmentação de instâncias baseia-se nessa ideia para detetar extremidades, classificar e separar cada objeto na sua própria região.
Fig. 3. Um olhar sobre a utilização do YOLO11 e a segmentação de instâncias.(Fonte)
Algoritmos e abordagens de deteção de bordos
Mesmo com o crescimento da visão por computador, o processamento de imagens continua a ser uma parte importante de muitas aplicações. Isto deve-se ao facto de a visão por computador se basear frequentemente em passos básicos de pré-processamento de imagem.
Antes de detetar objectos ou compreender uma cena, os sistemas normalmente limpam a imagem, reduzem o ruído e encontram margens para fazer sobressair os detalhes principais. Estes passos tornam os modelos avançados mais precisos e eficientes.
De seguida, vamos explorar alguns dos algoritmos de processamento de imagem mais comuns utilizados para detetar arestas e como funcionam.
Deteção de bordos Sobel
A deteção de limites Sobel é um método fundamental utilizado para encontrar os contornos dos objectos numa imagem. Em vez de analisar todos os detalhes de uma só vez, concentra-se em áreas onde o brilho muda acentuadamente de um pixel para o pixel vizinho seguinte.
Estas mudanças repentinas marcam normalmente o ponto onde um objeto termina e outro começa, ou onde um objeto se encontra com o fundo. Ao isolar estas arestas, o Sobel transforma uma imagem complexa num contorno mais limpo que é mais fácil de processar por outros sistemas para tarefas como o seguimento de movimentos, a deteção de formas ou o reconhecimento de objectos.
Pode pensar na deteção de limites Sobel como um detetor de gradiente que mede a forma como a intensidade muda ao longo de uma imagem. No fundo, funciona através de uma operação de convolução: deslizar pequenas matrizes, chamadas kernels, pela imagem e calcular somas ponderadas de valores de píxeis vizinhos.
Estes núcleos são concebidos para realçar as alterações de brilho ao longo das direcções horizontal e vertical. Ao contrário dos modelos de aprendizagem profunda, em que os núcleos são aprendidos a partir dos dados, o Sobel utiliza núcleos fixos para realçar eficazmente as arestas sem necessitar de formação.
Eis uma visão mais detalhada do funcionamento do método de deteção de extremidades Sobel:
Utilizar dois filtros 3×3: Este método utiliza duas pequenas grelhas 3×3, chamadas filtros. Pense nelas como estênceis que deslizam sobre a imagem nas direcções horizontal (direção x) e vertical (direção y). Uma grelha foi concebida para encontrar arestas horizontais e a outra para arestas verticais.
Cálculo do gradiente: Cada filtro determina a rapidez com que o brilho muda e a direção do gradiente. Uma grande alteração significa uma possível aresta.
Combinação de resultados: Os resultados horizontais e verticais são combinados para determinar a força e a direção geral da borda em cada pixel.
Deteção de arestas: Os pixels com uma magnitude de gradiente elevada são marcados como arestas fortes.
Delinear limites: Estes limites ajudam a definir as formas dos objectos e a separar diferentes regiões na imagem.
Fig. 4. A deteção de bordos Sobel pode realçar os contornos principais de uma imagem de entrada e produzir um mapa de bordos. (Fonte)
Deteção de bordos canny
A deteção de arestas Canny é outro método popular para encontrar arestas numa imagem. É conhecido por produzir contornos limpos e precisos. Ao contrário das técnicas básicas de deteção de arestas, segue uma série de passos cuidadosamente concebidos para filtrar o ruído, tornar os limites mais nítidos e concentrar-se nas arestas mais importantes.
Eis uma breve descrição geral do funcionamento de um detetor de extremidades Canny:
Suavizar a imagem: A imagem é primeiro desfocada com um filtro Gaussiano, uma técnica de suavização que reduz o ruído e os pequenos detalhes que podem ser confundidos com arestas.
Deteção de alterações de brilho: O algoritmo procura então alterações acentuadas no brilho, utilizando cálculos de gradiente para medir a força e a direção dessas alterações.
Afinar as margens: Apenas os pontos mais fortes ao longo de cada linha detectada são mantidos, enquanto os pontos mais fracos são removidos, resultando em arestas nítidas e limpas.
Classificação de arestas: Cada pixel é classificado como forte, fraco ou não é uma aresta, com base em valores de limiar de alteração de brilho.
Limpeza final: As arestas fracas ligadas a arestas fortes são mantidas; todas as outras são eliminadas, deixando apenas fronteiras claras e ligadas.
Fig. 5. Imagem original e respectiva imagem de saída após a utilização do detetor de bordos Canny.(Fonte)
Uma vez que fornece resultados exactos ao mesmo tempo que filtra o ruído, a deteção de extremidades Canny é amplamente utilizada em áreas onde a precisão é importante. Por exemplo, é utilizada em sectores como a imagiologia médica, o mapeamento por satélite, a digitalização de documentos e a visão robótica.
Deteção de bordos baseada em gradiente vs. baseada em Gaussiana
Até agora, os dois exemplos de deteção de arestas que analisámos são Sobel e Canny. Embora ambos tenham como objetivo encontrar arestas, abordam o problema de forma diferente.
Os métodos baseados no gradiente (como Sobel, Prewitt e Scharr) detectam as margens procurando alterações acentuadas no brilho, conhecidas como gradiente. Fazem o scan da imagem e marcam os locais onde esta alteração é mais forte. Estes métodos são simples, rápidos e funcionam bem quando as imagens são claras. No entanto, são sensíveis ao ruído - pequenas variações de brilho podem ser confundidas com arestas.
Os métodos baseados na Gaussiana (como o Canny ou o Laplaciano de Gaussiana) adicionam um passo extra para lidar com este problema: desfocar a imagem primeiro. Esta suavização, muitas vezes efectuada com um filtro gaussiano, reduz as pequenas variações que poderiam criar margens falsas. Após a suavização, estes métodos continuam a procurar alterações de brilho acentuadas, mas os resultados são mais limpos e precisos para imagens com ruído ou de baixa qualidade.
Fig. 6. Deteção de bordas baseada em gradiente vs. baseada em gaussiana. Imagem do autor.
Aplicações do mundo real da deteção de bordos
Com uma melhor compreensão de como funciona a deteção de extremidades, vamos explorar a sua aplicação em situações do mundo real.
Utilização da deteção de bordos para identificar fissuras
A inspeção de grandes estruturas de betão, como pontes e edifícios altos, é muitas vezes uma tarefa difícil e perigosa. Estas estruturas podem estender-se por longas distâncias ou atingir grandes altitudes, tornando as inspecções tradicionais lentas, dispendiosas e arriscadas. Estas inspecções também requerem normalmente andaimes, acesso por corda, medições manuais em grande plano ou fotografia.
Uma abordagem interessante foi explorada em 2019, quando os investigadores testaram um método mais seguro e mais rápido utilizando drones equipados com câmaras de alta resolução para captar imagens de entrada detalhadas de superfícies de betão. Estas imagens foram depois processadas com várias técnicas de deteção de bordos para identificar automaticamente as fissuras.
O estudo mostrou que este método reduziu significativamente a necessidade de acesso humano direto a áreas perigosas e acelerou as inspecções. No entanto, a sua precisão ainda dependia de factores como as condições de iluminação, a nitidez da imagem e o funcionamento estável do drone. Nalguns casos, era ainda necessária uma revisão humana para eliminar os falsos positivos.
Aplicação da deteção de bordos na imagiologia médica
As radiografias e as ressonâncias magnéticas contêm frequentemente perturbações visuais conhecidas como ruído, que podem tornar os pormenores mais difíceis de ver. Isto torna-se um desafio para os médicos quando tentam detetar os bordos de um tumor, traçar o contorno de um órgão ou monitorizar alterações subtis ao longo do tempo.
Um estudo recente sobre imagiologia médica testou a eficácia dos métodos comuns de deteção de bordos, como Sobel, Canny, Prewitt e Laplacian, no tratamento de imagens com ruído. Os investigadores adicionaram diferentes tipos e níveis de ruído às imagens e verificaram a precisão com que cada método conseguia delinear caraterísticas importantes.
O Canny produziu normalmente as margens mais limpas, mesmo quando o ruído era intenso, mas não foi o melhor em todos os casos. Alguns métodos funcionaram melhor com determinados padrões de ruído, pelo que não existe uma solução perfeita.
Fig. 7. Canny (d-f) fornece arestas mais nítidas do que Sobel (g-i) à medida que o ruído aumenta.(Fonte)
Este facto realça a razão pela qual tecnologias como a visão por computador são tão importantes. Combinando algoritmos avançados e modelos de IA de visão, estas soluções podem ir além da deteção básica de margens para fornecer resultados mais precisos e fiáveis, mesmo em condições difíceis.
Prós da deteção de margens
Eis algumas das vantagens da utilização da deteção de bordos e do processamento de imagens:
Melhor compressão de dados: A deteção de margens permite que as imagens sejam representadas utilizando apenas as caraterísticas principais, reduzindo o tamanho do ficheiro e mantendo a informação essencial. Isto torna o armazenamento e a transmissão mais eficientes.
Localização de objectos mais precisa: Ao identificar com precisão os limites dos objectos, a deteção de extremidades melhora a capacidade dos sistemas para localizar e seguir objectos, beneficiando aplicações como a IA de visão em robótica e veículos autónomos.
Deteção de caraterísticas em várias escalas: As técnicas de deteção de bordos podem analisar imagens a diferentes escalas, captando tanto pequenos detalhes como formas maiores. Esta flexibilidade é útil em várias tarefas, desde a análise de texturas à compreensão de cenas.
Limitações da utilização do processamento de imagens para a deteção de bordos
Embora a deteção de extremidades no processamento de imagens tenha muitas vantagens, também apresenta alguns desafios. Eis algumas das principais limitações a considerar:
Problemas com texturas complexas: Em imagens com padrões complexos ou repetitivos, a deteção de extremidades produz frequentemente muitas extremidades falsas ou irrelevantes, o que complica a análise posterior e reduz a fiabilidade.
Sensível à iluminação: As variações de brilho, sombras e reflexos podem fazer com que os detectores de bordos interpretem erradamente as alterações na iluminação como limites de objectos, levando a resultados inconsistentes.
Sem identificação de objectos: Embora as arestas realcem onde os objectos começam e acabam, não mostram o que são os objectos. É necessário um processamento adicional para atribuir significado ou etiquetas às arestas detectadas.
Quando é que a visão por computador pode ser utilizada para a deteção de limites
A deteção de arestas é inspirada na forma como os nossos olhos e o nosso cérebro trabalham em conjunto para dar sentido ao mundo. No que diz respeito à visão humana, os neurónios especializados no córtex visual são altamente sensíveis a arestas, linhas e limites.
Estas pistas visuais ajudam-nos a determinar rapidamente onde termina um objeto e começa outro. É por isso que até um simples desenho de linhas pode ser imediatamente reconhecível - o nosso cérebro baseia-se fortemente nas arestas para identificar formas e objectos.
A visão por computador tem como objetivo imitar esta capacidade, mas leva-a um pouco mais longe. Modelos como o Ultralytics YOLO11 vão para além do realce básico das margens e da melhoria da imagem. Conseguem detetar objectos, delineá-los com precisão e seguir o movimento em tempo real. Este nível mais profundo de compreensão torna-os essenciais em cenários em que a deteção de margens não é suficiente.
Utilização do Ultralytics YOLO11 para detetar arestas com maior precisão
Eis algumas das principais tarefas de visão computacional suportadas pelo YOLO11, que se baseiam e vão para além da deteção de bordos:
Deteção de objectos: Identifica e localiza vários objectos numa imagem ou vídeo, desenhando caixas delimitadoras à volta de cada um, dando uma visão clara do que está presente e onde cada objeto está posicionado.
Segmentação de instâncias: Isto envolve a decomposição de objectos ao nível do pixel, produzindo contornos limpos e precisos mesmo quando os objectos se sobrepõem ou têm formas irregulares.
Estimativa da pose: O objetivo aqui é determinar a posição, orientação ou postura de um objeto ou pessoa, o que ajuda a monitorizar o movimento ou a detetar alterações estruturais ao longo do tempo.
Seguimento de objectos: Esta tarefa segue um objeto à medida que este se move através dos fotogramas de vídeo, assegurando uma identificação consistente para uma observação precisa a longo prazo.
Classificação de imagens: Atribui etiquetas a objectos ou imagens inteiras com base nas suas caraterísticas visuais, facilitando a organização e interpretação de grandes conjuntos de dados
Deteção de arestas em infra-estruturas com visão por computador
Um bom exemplo de visão computacional que melhora uma aplicação que tradicionalmente se baseava na deteção de bordas é a deteção de fissuras em infra-estruturas e bens industriais. Modelos de visão computacional como o YOLO11 podem ser treinados para identificar com precisão rachaduras em estradas, pontes e tubulações. A mesma técnica também pode ser aplicada na manutenção de aeronaves, inspecções de edifícios e controlo de qualidade de fabrico, ajudando a acelerar as inspecções e a melhorar a segurança.
Fig. 8. Um exemplo de utilização do YOLO11 para segmentação de fissuras.(Fonte)
Principais conclusões
A deteção de bordos percorreu um longo caminho, desde os primeiros métodos simples até às técnicas avançadas que conseguem detetar até mesmo limites subtis em imagens complexas. Ajuda a realçar detalhes importantes, a destacar áreas-chave e a preparar imagens para uma análise mais profunda, tornando-a uma parte essencial do processamento de imagens.
Na visão por computador, a deteção de limites desempenha um papel importante na definição de formas, na separação de objectos e na extração de informações úteis. É utilizada em muitas áreas, como a imagiologia médica, as inspecções industriais, a condução autónoma e a segurança, para proporcionar uma compreensão visual precisa e fiável.
