Обнаружение границ при обработке изображений. Изучите алгоритмы Собеля, Канни и другие алгоритмы обнаружения границ для точного обнаружения границ и достижения надежного распознавания границ.
Как люди, мы естественным образом распознаем края объектов, следим за их кривыми и замечаем текстуры на их поверхностях, когда смотрим на изображение. Однако для компьютера понимание начинается на уровне отдельных пикселей.
Пиксель, наименьшая единица цифрового изображения, хранит цвет и яркость в одной точке. Отслеживая изменения этих значений пикселей по изображению, компьютер может обнаруживать закономерности, которые раскрывают ключевые детали.
В частности, обработка изображений использует данные пикселей, чтобы выделить важные признаки и удалить отвлекающие факторы. Одним из распространенных методов обработки изображений является обнаружение краев, которое определяет точки, где яркость или цвет резко меняются, чтобы очертить объекты, отметить границы и добавить структуру.
Это позволяет компьютерам разделять формы, измерять размеры и интерпретировать, как соединяются части сцены. Обнаружение краев часто является первым шагом в расширенном анализе изображений.
В этой статье мы рассмотрим, что такое обнаружение границ, как оно работает и каковы его реальные применения. Начнем!
Обнаружение границ фокусируется на поиске мест на изображении, где яркость или цвет заметно меняются от одной точки к другой. Если изменение небольшое, область кажется гладкой. Если изменение резкое, оно часто отмечает границу между двумя разными областями.
Вот некоторые из причин, по которым происходят эти изменения пикселей:
Обнаружение границ обычно начинается с преобразования цветного изображения в оттенки серого, поэтому каждая точка показывает только яркость. Это упрощает алгоритму задачу сосредоточиться на различиях света и тени, а не на цвете.
Далее специальные фильтры могут сканировать изображение для поиска мест, где яркость резко меняется. Эти фильтры вычисляют, насколько круто меняется яркость, это называется градиентом. Более высокий градиент вызван большей разницей между близлежащими точками, что часто сигнализирует о крае.
Затем алгоритм продолжает уточнять изображение, удаляя мелкие детали и сохраняя только самые важные линии и формы. Результатом является четкий контур и выходное изображение, которое можно использовать для дальнейшего анализа.
Прежде чем мы углубимся в обнаружение границ более подробно, давайте обсудим, как оно развивалось с течением времени.
Обработка изображений началась с простых, основанных на правилах методов, таких как пороговая обработка и фильтрация для очистки и улучшения изображений. В аналоговую эпоху это означало работу с фотографиями или пленкой с использованием оптических фильтров, увеличительных стекол или химической обработки для выявления деталей.
Такие методы, как регулировка контрастности, шумоподавление, регулировка интенсивности изображения и базовое обнаружение краев, помогли сделать входные изображения более четкими и выделить формы и текстуры. В 1960-х и 70-х годах переход от аналоговой к цифровой обработке открыл путь для современного анализа в таких областях, как астрономия, медицинская визуализация и спутниковый мониторинг.
К 1980-м и 90-м годам более быстрые компьютеры позволили решать более сложные задачи, такие как извлечение признаков, обнаружение форм и базовое распознавание объектов. Алгоритмы, такие как оператор Собеля и Канни, предложили более точное обнаружение краев, а распознавание образов нашло применение во всем, от промышленной автоматизации до чтения печатного текста с помощью оптического распознавания символов.
Сегодня устойчивый прогресс в технологиях привел к развитию компьютерного зрения. Vision AI, или компьютерное зрение, — это раздел ИИ, который фокусируется на обучении машин интерпретировать и понимать визуальную информацию.
В то время как традиционная обработка изображений, такая как двойная пороговая обработка (которая делает изображения более четкими, сохраняя сильные края и удаляя слабые) и обнаружение краев, следовала фиксированным правилам и могла справляться только с конкретными задачами, компьютерное зрение использует модели, управляемые данными, которые могут учиться на примерах и адаптироваться к новым ситуациям.
В настоящее время системы обработки изображений выходят далеко за рамки простого улучшения изображений или обнаружения краев. Они могут распознавать объекты, отслеживать движение и понимать контекст всей сцены.
Одним из ключевых методов, который делает это возможным, является свертка. Операция свертки — это процесс, при котором небольшие фильтры (также называемые ядрами) сканируют изображение для поиска важных закономерностей, таких как края, углы и текстуры. Эти закономерности становятся строительными блоками, которые модели компьютерного зрения используют для распознавания и понимания объектов.
Например, модели компьютерного зрения, такие как Ultralytics YOLO11, используют эти функции на основе свертки для выполнения сложных задач, таких как сегментация экземпляров. Это тесно связано с обнаружением границ, поскольку сегментация экземпляров требует точного определения границ каждого объекта на изображении.
В то время как обнаружение границ фокусируется на поиске изменений интенсивности в пикселях границы для обозначения краев объекта, сегментация экземпляров развивает эту идею для обнаружения границ, классификации и разделения каждого объекта в свою собственную область.
Даже с ростом компьютерного зрения обработка изображений по-прежнему является важной частью многих приложений. Это потому, что компьютерное зрение часто строится на основных этапах предварительной обработки изображений.
Прежде чем обнаруживать объекты или понимать сцену, системы обычно очищают изображение, уменьшают шум и находят края, чтобы выделить ключевые детали. Эти шаги делают продвинутые модели более точными и эффективными.
Далее, давайте рассмотрим некоторые из наиболее распространенных алгоритмов обработки изображений, используемых для обнаружения краев, и то, как они работают.
Обнаружение границ методом Собеля — это ключевой метод, используемый для поиска контуров объектов на изображении. Вместо того чтобы анализировать каждую деталь сразу, он фокусируется на областях, где яркость резко меняется от одного пикселя к следующему соседнему пикселю.
Эти внезапные сдвиги обычно отмечают точку, где один объект заканчивается и начинается другой, или где объект встречается с фоном. Изолируя эти края, Sobel преобразует сложное изображение в более чистый контур, который другим системам легче обрабатывать для таких задач, как отслеживание движения, обнаружение форм или распознавание объектов.
Обнаружение границ по методу Собеля можно рассматривать как детектор градиента, который измеряет, как изменяется интенсивность по изображению. По сути, это работает посредством операции свертки: скольжения небольших матриц, называемых ядрами, по изображению и вычисления взвешенных сумм значений соседних пикселей.
Эти ядра предназначены для выделения изменений яркости по горизонтальному и вертикальному направлениям. В отличие от моделей глубокого обучения, где ядра изучаются на основе данных, Sobel использует фиксированные ядра для эффективного выделения краев без необходимости обучения.
Вот более подробный обзор того, как работает метод обнаружения границ Собеля:
Обнаружение границ Канни — еще один популярный метод поиска границ на изображении. Он известен тем, что создает четкие и точные контуры. В отличие от основных методов обнаружения границ, он выполняет ряд тщательно разработанных шагов для фильтрации шума, повышения резкости границ и фокусировки на наиболее важных краях.
Вот краткий обзор того, как работает детектор границ Канни:
Благодаря тому, что алгоритм выделения границ Канни обеспечивает точные результаты, отфильтровывая шум, он широко используется в областях, где важна точность. Например, он используется в таких отраслях, как медицинская визуализация, спутниковое картирование, сканирование документов и машинное зрение.
На данный момент два рассмотренных нами примера обнаружения границ — это Sobel и Canny. Хотя оба направлены на поиск границ, они по-разному подходят к решению этой задачи.
Методы, основанные на градиенте (такие как Собеля, Превитта и Шарра), обнаруживают края, ища резкие изменения яркости, известные как градиент. Они сканируют изображение и отмечают места, где это изменение наиболее сильное. Эти методы просты, быстры и хорошо работают, когда изображения четкие. Однако они чувствительны к шуму — крошечные изменения яркости можно ошибочно принять за края.
Методы на основе гауссианы (такие как Canny или лапласиан гауссианы) добавляют дополнительный шаг для решения этой проблемы: сначала размывают изображение. Это сглаживание, часто выполняемое с помощью фильтра Гаусса, уменьшает небольшие вариации, которые могут создать ложные края. После сглаживания эти методы по-прежнему ищут резкие изменения яркости, но результаты получаются более чистыми и точными для зашумленных или некачественных изображений.
Теперь, когда мы лучше понимаем, как работает обнаружение границ, давайте рассмотрим, как оно применяется в реальных ситуациях.
Инспекция крупных бетонных конструкций, таких как мосты и высотные здания, часто является сложной и опасной задачей. Эти конструкции могут простираться на большие расстояния или достигать большой высоты, что делает традиционные проверки медленными, дорогостоящими и рискованными. Такие проверки обычно требуют использования строительных лесов, канатных дорог, ручных измерений с близкого расстояния или фотосъемки.
Интересный подход был изучен в 2019 году, когда исследователи протестировали более безопасный и быстрый метод с использованием дронов, оснащенных камерами высокого разрешения, для получения подробных входных изображений бетонных поверхностей. Затем эти изображения были обработаны с использованием различных методов обнаружения краев для автоматического выявления трещин.
Исследование показало, что этот метод значительно снизил необходимость прямого доступа людей к опасным зонам и ускорил проверки. Однако его точность по-прежнему зависела от таких факторов, как условия освещения, четкость изображения и стабильная работа дрона. В некоторых случаях все еще требовалась проверка человеком для устранения ложных срабатываний.
Рентгеновские снимки и МРТ часто содержат визуальные помехи, известные как шум, которые могут затруднить разглядывание мелких деталей. Это создает проблему для врачей, пытающихся определить границы опухоли, проследить контур органа или отслеживать незначительные изменения с течением времени.
В недавнем исследовании медицинской визуализации проверялось, насколько хорошо распространенные методы обнаружения краев, такие как Sobel, Canny, Prewitt и Laplacian, справляются с зашумленными изображениями. Исследователи добавляли различные типы и уровни шума к изображениям и проверяли, насколько точно каждый метод может выделить важные особенности.
Канни обычно выдавал самые четкие края, даже при сильном шуме, но он не был лучшим в каждом случае. Некоторые методы работали лучше с определенными типами шума, поэтому не существует единого идеального решения.
Это подчеркивает, почему такие технологии, как компьютерное зрение, так важны. Благодаря сочетанию передовых алгоритмов и моделей Vision AI, такие решения могут выходить за рамки простого обнаружения краев, обеспечивая более точные и надежные результаты даже в сложных условиях.
Вот некоторые преимущества использования обнаружения границ и обработки изображений:
Хотя обнаружение краев имеет много преимуществ при обработке изображений, оно также сопряжено с некоторыми проблемами. Вот некоторые из ключевых ограничений, которые следует учитывать:
Обнаружение границ основано на том, как наши глаза и мозг работают вместе, чтобы осмыслить мир. В человеческом зрении специализированные нейроны в зрительной коре очень чувствительны к краям, линиям и границам.
Эти визуальные подсказки помогают нам быстро определить, где один объект заканчивается и начинается другой. Вот почему даже простой линейный рисунок может быть мгновенно узнаваем — наш мозг в значительной степени полагается на края для идентификации форм и объектов.
Компьютерное зрение стремится имитировать эту способность, но идет еще дальше. Модели, такие как Ultralytics YOLO11, выходят за рамки простого выделения краев и улучшения изображений. Они могут обнаруживать объекты, очерчивать их с высокой точностью и отслеживать движение в режиме реального времени. Этот более глубокий уровень понимания делает их незаменимыми в сценариях, где одного обнаружения краев недостаточно.
Вот некоторые ключевые задачи компьютерного зрения, поддерживаемые YOLO11, которые развивают и выходят за рамки обнаружения границ:
Хорошим примером улучшения компьютерным зрением приложения, которое традиционно полагалось на обнаружение краев, является обнаружение трещин в инфраструктуре и промышленных активах. Модели компьютерного зрения, такие как YOLO11, можно обучить точно идентифицировать трещины на дорогах, мостах и трубопроводах. Этот же метод можно применять при техническом обслуживании самолетов, инспекциях зданий и контроле качества производства, что помогает ускорить инспекции и повысить безопасность.
Обнаружение границ прошло долгий путь, от простых ранних методов до передовых техник, которые могут обнаружить даже тонкие границы в сложных изображениях. Это помогает выявить важные детали, выделить ключевые области и подготовить изображения для более глубокого анализа, что делает его основной частью обработки изображений.
В компьютерном зрении обнаружение границ играет важную роль в определении форм, разделении объектов и извлечении полезной информации. Оно используется во многих областях, таких как медицинская визуализация, промышленные инспекции, автономное вождение и безопасность, для обеспечения точного и надежного визуального понимания.
Присоединяйтесь к нашему сообществу и изучите наш репозиторий GitHub, чтобы узнать больше об ИИ. Если вы хотите начать свой собственный проект Vision AI, ознакомьтесь с нашими вариантами лицензирования. Узнайте больше о таких приложениях, как ИИ в здравоохранении и Vision AI в розничной торговле, посетив страницы наших решений.
