Hiểu về phát hiện cạnh trong xử lý hình ảnh

Là con người, chúng ta tự nhiên nhận biết các cạnh của vật thể, theo dõi đường cong của chúng và chú ý đến kết cấu trên bề mặt khi nhìn vào một hình ảnh. Tuy nhiên, đối với máy tính, sự hiểu biết bắt đầu từ cấp độ từng pixel riêng lẻ.

Điểm ảnh, đơn vị nhỏ nhất của hình ảnh kỹ thuật số, lưu trữ màu sắc và độ sáng tại một điểm duy nhất. Bằng cách theo dõi những thay đổi trong các giá trị điểm ảnh này trên toàn bộ hình ảnh, máy tính có thể phát hiện các mẫu hình tiết lộ các chi tiết quan trọng.

Cụ thể, xử lý hình ảnh sử dụng dữ liệu pixel để làm nổi bật các đặc điểm thiết yếu và loại bỏ các yếu tố gây nhiễu. Một kỹ thuật xử lý hình ảnh phổ biến là phát hiện cạnh, xác định các điểm có độ sáng hoặc màu sắc thay đổi đột ngột để phác thảo vật thể, đánh dấu ranh giới và thêm cấu trúc.

Điều này cho phép máy tính phân tách hình dạng, đo kích thước và diễn giải cách các bộ phận của cảnh kết nối với nhau. Phát hiện cạnh thường là bước đầu tiên trong phân tích hình ảnh nâng cao.

‍

Trong bài viết này, chúng ta sẽ tìm hiểu phát hiện cạnh là gì, cách thức hoạt động và các ứng dụng thực tế của nó. Hãy cùng bắt đầu nhé!

Khái niệm phát hiện cạnh

Phát hiện cạnh tập trung vào việc tìm kiếm những vị trí trong ảnh có độ sáng hoặc màu sắc thay đổi đáng kể từ điểm này sang điểm khác. Nếu thay đổi nhỏ, vùng ảnh sẽ trông mịn màng. Nếu thay đổi rõ nét, nó thường đánh dấu ranh giới giữa hai vùng khác nhau.

Sau đây là một số lý do tại sao những thay đổi về pixel này xảy ra:

• Sự gián đoạn pháp tuyến bề mặt : Khi hai bề mặt gặp nhau ở một góc, như góc tường hoặc cạnh hộp, sự thay đổi hướng đột ngột này sẽ tạo ra ranh giới rõ ràng trong hình ảnh.
  ‍
• Sự không liên tục về độ sâu : Chúng xuất hiện ở những nơi vật thể ở các khoảng cách khác nhau so với máy ảnh, tạo ra sự tách biệt có thể nhìn thấy giúp hệ thống phân biệt chúng.
  ‍
• Thay đổi màu sắc hoặc kết cấu bề mặt : Hiện tượng này xảy ra khi một khu vực có màu sắc hoặc kết cấu khác với khu vực liền kề, tạo ra sự tách biệt có thể nhìn thấy được.
  ‍
• Thay đổi ánh sáng : Hiện tượng này phát sinh do sự thay đổi ánh sáng, bao gồm bóng đổ hoặc điểm sáng trên bề mặt, tạo ra sự tách biệt có thể nhìn thấy ngay cả khi bề mặt nhẵn hoặc liên tục.

‍

Nhận dạng phát hiện cạnh hoạt động như thế nào

Phát hiện cạnh thường bắt đầu bằng cách chuyển đổi ảnh màu thành ảnh xám, do đó mỗi điểm chỉ hiển thị độ sáng. Điều này giúp thuật toán dễ dàng tập trung vào sự khác biệt sáng tối thay vì màu sắc.

Tiếp theo, các bộ lọc đặc biệt có thể quét hình ảnh để tìm những vị trí có độ sáng thay đổi đột ngột. Các bộ lọc này tính toán mức độ thay đổi độ sáng, được gọi là gradient. Độ gradient cao hơn là do sự chênh lệch lớn hơn giữa các điểm gần nhau, thường báo hiệu một cạnh.

Sau đó, thuật toán tiếp tục tinh chỉnh hình ảnh, loại bỏ các chi tiết nhỏ và chỉ giữ lại những đường nét và hình dạng quan trọng nhất. Kết quả là một đường viền rõ ràng và hình ảnh đầu ra có thể được sử dụng cho các phân tích sâu hơn.

Sự phát triển của phát hiện cạnh và xử lý hình ảnh

Trước khi đi sâu vào tìm hiểu về phát hiện cạnh, chúng ta hãy thảo luận về sự phát triển của nó theo thời gian.

Xử lý hình ảnh bắt đầu bằng các phương pháp đơn giản, dựa trên quy tắc như ngưỡng và lọc để làm sạch và cải thiện hình ảnh. Trong kỷ nguyên analog, điều này có nghĩa là xử lý ảnh hoặc phim bằng bộ lọc quang học, kính lúp hoặc xử lý hóa học để làm nổi bật các chi tiết. 

Các kỹ thuật như điều chỉnh độ tương phản, giảm nhiễu, điều chỉnh cường độ hình ảnh và phát hiện cạnh cơ bản đã giúp làm cho hình ảnh đầu vào rõ nét hơn, đồng thời làm nổi bật hình dạng và kết cấu. Trong những năm 1960 và 1970, sự chuyển đổi từ xử lý tương tự sang kỹ thuật số đã mở đường cho phân tích hiện đại trong các lĩnh vực như thiên văn học, hình ảnh y tế và giám sát vệ tinh.

Đến những năm 1980 và 1990, máy tính nhanh hơn đã có thể xử lý các tác vụ phức tạp hơn như trích xuất đặc điểm, phát hiện hình dạng và nhận dạng vật thể cơ bản. Các thuật toán như toán tử Sobel và Canny cung cấp khả năng phát hiện cạnh chính xác hơn, trong khi nhận dạng mẫu được ứng dụng trong mọi lĩnh vực, từ tự động hóa công nghiệp đến đọc văn bản in thông qua nhận dạng ký tự quang học .

Phát hiện cạnh và tầm nhìn máy tính trong thế kỷ 21

Ngày nay, những tiến bộ không ngừng của công nghệ đã dẫn đến sự phát triển của thị giác máy tính . Thị giác AI, hay thị giác máy tính, là một nhánh của AI tập trung vào việc dạy máy móc cách diễn giải và hiểu thông tin trực quan. 

Trong khi xử lý hình ảnh truyền thống, như ngưỡng kép (làm cho hình ảnh rõ hơn bằng cách giữ lại các cạnh mạnh và loại bỏ các cạnh yếu) và phát hiện cạnh, tuân theo các quy tắc cố định và chỉ có thể xử lý các tác vụ cụ thể, thì thị giác máy tính sử dụng các mô hình dựa trên dữ liệu có thể học hỏi từ các ví dụ và thích ứng với các tình huống mới. 

Ngày nay, hệ thống hình ảnh không chỉ đơn thuần là cải thiện hình ảnh hay phát hiện các cạnh. Chúng có thể nhận diện vật thể, theo dõi chuyển động và hiểu được bối cảnh của toàn bộ khung cảnh. 

Một trong những kỹ thuật then chốt giúp hiện thực hóa điều này là tích chập. Phép tích chập là một quá trình trong đó các bộ lọc nhỏ (còn gọi là hạt nhân) quét hình ảnh để tìm các mẫu quan trọng như cạnh, góc và kết cấu. Những mẫu này trở thành nền tảng mà các mô hình thị giác máy tính sử dụng để nhận dạng và hiểu các đối tượng.

Ví dụ, các mô hình thị giác máy tính như Ultralytics YOLO11 sử dụng các tính năng dựa trên tích chập này để thực hiện các tác vụ nâng cao như phân đoạn đối tượng. Điều này liên quan chặt chẽ đến phát hiện cạnh vì phân đoạn đối tượng yêu cầu phác thảo chính xác ranh giới của từng đối tượng trong ảnh. 

Trong khi phát hiện cạnh tập trung vào việc tìm kiếm những thay đổi về cường độ trong các điểm ảnh cạnh để đánh dấu các cạnh của đối tượng, phân đoạn thực thể dựa trên ý tưởng đó để phát hiện các cạnh, phân loại và tách từng đối tượng thành vùng riêng của nó.

‍

Thuật toán và phương pháp phát hiện cạnh

Ngay cả với sự phát triển của thị giác máy tính, xử lý hình ảnh vẫn là một phần quan trọng của nhiều ứng dụng. Đó là bởi vì thị giác máy tính thường được xây dựng dựa trên các bước tiền xử lý hình ảnh cơ bản. 

Trước khi phát hiện vật thể hoặc hiểu một cảnh, hệ thống thường làm sạch hình ảnh, giảm nhiễu và tìm các cạnh để làm nổi bật các chi tiết chính. Các bước này giúp các mô hình nâng cao chính xác và hiệu quả hơn.

Tiếp theo, chúng ta hãy cùng khám phá một số thuật toán xử lý hình ảnh phổ biến nhất được sử dụng để phát hiện các cạnh và cách chúng hoạt động. 

Phát hiện cạnh Sobel

Phát hiện cạnh Sobel là một phương pháp quan trọng được sử dụng để tìm đường viền của các vật thể trong ảnh. Thay vì phân tích từng chi tiết cùng một lúc, phương pháp này tập trung vào các khu vực có độ sáng thay đổi mạnh từ điểm ảnh này sang điểm ảnh lân cận tiếp theo. 

Những thay đổi đột ngột này thường đánh dấu điểm kết thúc của một vật thể và điểm bắt đầu của vật thể khác, hoặc điểm giao nhau giữa vật thể và nền. Bằng cách cô lập các cạnh này, Sobel biến đổi một hình ảnh phức tạp thành một đường viền rõ nét hơn, giúp các hệ thống khác dễ dàng xử lý các tác vụ như theo dõi chuyển động, phát hiện hình dạng hoặc nhận dạng vật thể.

Bạn có thể hình dung phát hiện cạnh Sobel như một bộ phát hiện gradient đo lường sự thay đổi cường độ trên toàn bộ ảnh. Về cơ bản, nó hoạt động thông qua một phép toán tích chập: trượt các ma trận nhỏ, gọi là kernel, trên toàn bộ ảnh và tính toán tổng trọng số của các giá trị pixel lân cận. 

Các hạt nhân này được thiết kế để nhấn mạnh sự thay đổi độ sáng theo hướng ngang và dọc. Không giống như các mô hình học sâu, trong đó các hạt nhân được học từ dữ liệu, Sobel sử dụng các hạt nhân cố định để làm nổi bật các cạnh một cách hiệu quả mà không cần đào tạo.

Sau đây là cái nhìn sâu hơn về cách thức hoạt động của phương pháp phát hiện cạnh Sobel:

• Sử dụng hai bộ lọc 3×3: Phương pháp này sử dụng hai lưới 3×3 nhỏ, được gọi là bộ lọc. Hãy tưởng tượng chúng như những khuôn tô trượt trên hình ảnh theo chiều ngang (hướng x) và chiều dọc (hướng y). Một lưới được thiết kế để tìm các cạnh ngang, và lưới còn lại dành cho các cạnh dọc.
  
  
• Tính toán độ dốc: Mỗi bộ lọc sẽ tìm hiểu tốc độ thay đổi độ sáng và hướng của độ dốc. Một thay đổi lớn đồng nghĩa với một cạnh khả thi.
  
  
• Kết hợp kết quả: Kết hợp kết quả theo chiều ngang và chiều dọc để xác định độ mạnh và hướng cạnh tổng thể tại mỗi điểm ảnh.
  
  
• Phát hiện cạnh: Các điểm ảnh có độ dốc lớn được đánh dấu là cạnh mạnh.
  
  
• Phác thảo ranh giới: Các cạnh này giúp xác định hình dạng vật thể và phân tách các vùng khác nhau trong hình ảnh.

‍

Phát hiện cạnh khôn ngoan

Phát hiện cạnh Canny là một phương pháp phổ biến khác để tìm cạnh trong ảnh. Phương pháp này được biết đến với khả năng tạo ra các đường viền rõ ràng và chính xác. Không giống như các kỹ thuật phát hiện cạnh cơ bản, phương pháp này tuân theo một loạt các bước được thiết kế cẩn thận để lọc nhiễu, làm sắc nét các ranh giới và tập trung vào các cạnh quan trọng nhất. 

Sau đây là tổng quan nhanh về cách hoạt động của máy dò cạnh Canny:

• Làm mịn hình ảnh: Đầu tiên, hình ảnh được làm mờ bằng bộ lọc Gaussian, một kỹ thuật làm mịn giúp giảm nhiễu và các chi tiết nhỏ có thể bị nhầm là cạnh.
  ‍
• Phát hiện những thay đổi về độ sáng: Thuật toán sau đó sẽ quét những thay đổi đột ngột về độ sáng bằng cách sử dụng phép tính độ dốc để đo cường độ và hướng của những thay đổi đó.
  
  
• Làm mỏng các cạnh: Chỉ giữ lại những điểm mạnh nhất dọc theo mỗi đường được phát hiện, trong khi loại bỏ những điểm yếu hơn, tạo ra các cạnh sắc nét và sạch sẽ.
  
  
• Phân loại cạnh: Mỗi điểm ảnh được gắn nhãn là mạnh, yếu hoặc không phải là cạnh, dựa trên giá trị ngưỡng của sự thay đổi độ sáng.
  
  
• Dọn dẹp cuối cùng: Các cạnh yếu được kết nối với các cạnh mạnh sẽ được giữ lại; tất cả các cạnh khác sẽ bị loại bỏ, chỉ để lại các ranh giới rõ ràng và được kết nối.

‍

Nhờ khả năng lọc nhiễu và mang lại kết quả chính xác, phát hiện cạnh Canny được sử dụng rộng rãi trong các lĩnh vực đòi hỏi độ chính xác cao. Ví dụ, nó được sử dụng trong các ngành công nghiệp như hình ảnh y tế , lập bản đồ vệ tinh, quét tài liệu và thị giác robot.

Phát hiện cạnh dựa trên gradient so với dựa trên Gaussian

Cho đến nay, hai ví dụ về phát hiện cạnh mà chúng ta đã xem xét là Sobel và Canny. Mặc dù cả hai đều hướng đến việc tìm kiếm các cạnh, nhưng cách tiếp cận vấn đề của chúng lại khác nhau.

Các phương pháp dựa trên gradient (như Sobel, Prewitt và Scharr) phát hiện các cạnh bằng cách tìm kiếm những thay đổi đột ngột về độ sáng, được gọi là gradient. Chúng quét ảnh và đánh dấu những vị trí có sự thay đổi này mạnh nhất. Các phương pháp này đơn giản, nhanh chóng và hoạt động tốt khi ảnh rõ nét. Tuy nhiên, chúng nhạy cảm với nhiễu - những thay đổi nhỏ về độ sáng có thể bị nhầm lẫn với các cạnh.

Các phương pháp dựa trên Gaussian (như Canny hoặc Laplacian hoặc Gaussian) bổ sung thêm một bước để xử lý vấn đề này: làm mờ ảnh trước. Việc làm mịn này, thường được thực hiện bằng bộ lọc Gaussian, giúp giảm các biến thiên nhỏ có thể tạo ra các cạnh sai. Sau khi làm mịn, các phương pháp này vẫn tìm kiếm các thay đổi độ sáng rõ nét, nhưng kết quả sẽ sạch hơn và chính xác hơn đối với ảnh nhiễu hoặc chất lượng thấp.

‍

Ứng dụng thực tế của phát hiện cạnh

Để hiểu rõ hơn về cách thức hoạt động của phát hiện cạnh, chúng ta hãy khám phá cách áp dụng nó trong các tình huống thực tế.

Sử dụng phát hiện cạnh để xác định vết nứt

Kiểm tra các công trình bê tông lớn, chẳng hạn như cầu và nhà cao tầng, thường là một nhiệm vụ đầy thách thức và nguy hiểm. Những công trình này có thể trải dài trên những khoảng cách lớn hoặc ở độ cao lớn, khiến việc kiểm tra truyền thống trở nên chậm chạp, tốn kém và rủi ro. Những cuộc kiểm tra này cũng thường yêu cầu giàn giáo, dây thừng, đo đạc cận cảnh thủ công hoặc chụp ảnh.

Một phương pháp tiếp cận thú vị đã được khám phá vào năm 2019, khi các nhà nghiên cứu thử nghiệm một phương pháp an toàn và nhanh hơn bằng cách sử dụng máy bay không người lái được trang bị camera độ phân giải cao để chụp ảnh đầu vào chi tiết của bề mặt bê tông. Những hình ảnh này sau đó được xử lý bằng nhiều kỹ thuật phát hiện cạnh khác nhau để tự động xác định các vết nứt.

Nghiên cứu cho thấy phương pháp này giúp giảm đáng kể nhu cầu tiếp cận trực tiếp của con người vào các khu vực nguy hiểm và đẩy nhanh quá trình kiểm tra. Tuy nhiên, độ chính xác của nó vẫn phụ thuộc vào các yếu tố như điều kiện ánh sáng, độ rõ nét của hình ảnh và hoạt động ổn định của máy bay không người lái. Trong một số trường hợp, vẫn cần có sự kiểm tra của con người để loại bỏ các kết quả dương tính giả.

Ứng dụng phát hiện cạnh trong hình ảnh y tế

Chụp X-quang và chụp MRI thường chứa nhiễu, khiến các chi tiết nhỏ khó nhìn thấy hơn. Điều này trở thành thách thức đối với các bác sĩ khi cố gắng xác định ranh giới của khối u, theo dõi đường viền của một cơ quan hoặc theo dõi những thay đổi nhỏ theo thời gian.

Một nghiên cứu hình ảnh y khoa gần đây đã kiểm tra khả năng xử lý hình ảnh nhiễu của các phương pháp phát hiện cạnh phổ biến, như Sobel, Canny, Prewitt và Laplacian. Các nhà nghiên cứu đã thêm các loại và mức độ nhiễu khác nhau vào hình ảnh và kiểm tra độ chính xác của từng phương pháp trong việc phác thảo các đặc điểm quan trọng.

Canny thường tạo ra các cạnh sạch nhất, ngay cả khi nhiễu lớn, nhưng nó không phải là giải pháp tốt nhất trong mọi trường hợp. Một số phương pháp hoạt động tốt hơn với một số kiểu nhiễu nhất định, vì vậy không có giải pháp hoàn hảo duy nhất.

‍

Điều này nhấn mạnh tầm quan trọng của các công nghệ như thị giác máy tính. Bằng cách kết hợp các thuật toán tiên tiến và mô hình Vision AI , các giải pháp này có thể vượt xa khả năng phát hiện cạnh cơ bản để mang lại kết quả chính xác và đáng tin cậy hơn ngay cả trong những điều kiện khó khăn.

Ưu điểm của phát hiện cạnh

Sau đây là một số lợi ích của việc sử dụng phát hiện cạnh và xử lý hình ảnh: 

• Nén dữ liệu tốt hơn: Phát hiện cạnh cho phép biểu diễn hình ảnh chỉ bằng các đặc điểm chính, giảm kích thước tệp nhưng vẫn giữ nguyên thông tin cần thiết. Điều này giúp lưu trữ và truyền tải hiệu quả hơn.
  
  
• Xác định vị trí vật thể chính xác hơn: Bằng cách xác định chính xác ranh giới vật thể, tính năng phát hiện cạnh sẽ cải thiện khả năng định vị và theo dõi vật thể của hệ thống, mang lại lợi ích cho các ứng dụng như Vision AI trong robot và xe tự hành.
  
  
• Phát hiện đặc điểm đa tỷ lệ: Kỹ thuật phát hiện cạnh có thể phân tích hình ảnh ở nhiều tỷ lệ khác nhau, nắm bắt cả chi tiết nhỏ lẫn hình dạng lớn. Tính linh hoạt này hữu ích trong nhiều tác vụ khác nhau, từ phân tích kết cấu đến hiểu cảnh.

Hạn chế của việc sử dụng xử lý hình ảnh để phát hiện cạnh

Mặc dù phát hiện cạnh trong xử lý ảnh có nhiều lợi ích, nhưng nó cũng đi kèm một vài thách thức. Dưới đây là một số hạn chế chính cần cân nhắc:

• Các vấn đề với kết cấu phức tạp: Trong các hình ảnh có hoa văn phức tạp hoặc lặp lại, việc phát hiện cạnh thường tạo ra nhiều cạnh sai hoặc không liên quan, làm phức tạp thêm quá trình phân tích và giảm độ tin cậy.
  
  
• Nhạy cảm với ánh sáng: Sự thay đổi về độ sáng, bóng tối và phản chiếu có thể khiến máy dò cạnh hiểu sai những thay đổi về ánh sáng thành ranh giới vật thể, dẫn đến kết quả không nhất quán.
  
  
• Không nhận dạng được đối tượng: Mặc dù các cạnh làm nổi bật điểm bắt đầu và kết thúc của đối tượng, nhưng chúng không thể hiện được bản chất của đối tượng. Cần xử lý thêm để gán ý nghĩa hoặc nhãn cho các cạnh được phát hiện.

Khi nào thị giác máy tính có thể được sử dụng để phát hiện cạnh

Phát hiện cạnh được lấy cảm hứng từ cách mắt và não bộ của chúng ta phối hợp với nhau để hiểu thế giới. Khi nói đến thị giác của con người, các tế bào thần kinh chuyên biệt trong vỏ não thị giác rất nhạy cảm với các cạnh, đường thẳng và ranh giới. 

Những tín hiệu thị giác này giúp chúng ta nhanh chóng xác định điểm kết thúc của một vật thể và điểm bắt đầu của vật thể khác. Đây là lý do tại sao ngay cả một nét vẽ đơn giản cũng có thể được nhận ra ngay lập tức - não bộ của chúng ta phụ thuộc rất nhiều vào các cạnh để nhận dạng hình dạng và vật thể.

Thị giác máy tính hướng đến việc mô phỏng khả năng này nhưng tiến xa hơn một bước. Các mô hình như Ultralytics YOLO11 vượt xa khả năng làm nổi bật cạnh và cải thiện hình ảnh cơ bản. Chúng có thể phát hiện vật thể, phác thảo chúng một cách chính xác và theo dõi chuyển động theo thời gian thực. Mức độ hiểu biết sâu sắc này khiến chúng trở nên thiết yếu trong các tình huống mà chỉ phát hiện cạnh là không đủ.

Sử dụng Ultralytics YOLO11 để phát hiện các cạnh chính xác hơn

Sau đây là một số tác vụ thị giác máy tính quan trọng được YOLO11 hỗ trợ, dựa trên và vượt xa khả năng phát hiện cạnh:

• Phát hiện đối tượng : Nhận dạng và định vị nhiều đối tượng trong một hình ảnh hoặc video bằng cách vẽ các hộp giới hạn xung quanh mỗi đối tượng, giúp bạn thấy rõ đối tượng hiện diện và vị trí của từng đối tượng.
  
  
• Phân đoạn thực thể : Bao gồm việc chia nhỏ các đối tượng xuống mức pixel, tạo ra các đường viền rõ ràng và chính xác ngay cả khi các đối tượng chồng lên nhau hoặc có hình dạng bất thường.
  
  
• Ước tính tư thế : Mục tiêu ở đây là xác định vị trí, hướng hoặc tư thế của một vật thể hoặc người, giúp theo dõi chuyển động hoặc phát hiện những thay đổi về cấu trúc theo thời gian.
  
  
• Theo dõi đối tượng : Nhiệm vụ này theo dõi một đối tượng khi nó di chuyển qua các khung hình video, đảm bảo nhận dạng nhất quán để quan sát chính xác trong thời gian dài.
  
  
• Phân loại hình ảnh : Nó gán nhãn cho các đối tượng hoặc toàn bộ hình ảnh dựa trên các đặc điểm trực quan của chúng, giúp dễ dàng tổ chức và diễn giải các tập dữ liệu lớn

Phát hiện các cạnh trong cơ sở hạ tầng bằng thị giác máy tính

Một ví dụ điển hình về việc nâng cao khả năng ứng dụng thị giác máy tính vốn dựa vào phát hiện cạnh là phát hiện vết nứt trong cơ sở hạ tầng và tài sản công nghiệp. Các mô hình thị giác máy tính như YOLO11 có thể được đào tạo để xác định chính xác các vết nứt trên đường, cầu và đường ống. Kỹ thuật tương tự cũng có thể được áp dụng trong bảo dưỡng máy bay, kiểm tra tòa nhà và kiểm soát chất lượng sản xuất, giúp tăng tốc độ kiểm tra và cải thiện an toàn.

‍

Những điểm chính

Phát hiện cạnh đã có nhiều tiến bộ, từ những phương pháp đơn giản ban đầu đến các kỹ thuật tiên tiến có thể phát hiện ngay cả những ranh giới tinh tế nhất trong hình ảnh phức tạp. Nó giúp làm nổi bật các chi tiết quan trọng, làm nổi bật các vùng chính và chuẩn bị hình ảnh cho quá trình phân tích sâu hơn, trở thành một phần cốt lõi của xử lý ảnh.

Trong thị giác máy tính, phát hiện cạnh đóng vai trò quan trọng trong việc xác định hình dạng, tách biệt vật thể và trích xuất thông tin hữu ích. Nó được sử dụng trong nhiều lĩnh vực như hình ảnh y tế, kiểm tra công nghiệp, lái xe tự hành và an ninh để mang lại khả năng hiểu hình ảnh chính xác và đáng tin cậy.

Tham gia cộng đồng của chúng tôi và khám phá kho lưu trữ GitHub để tìm hiểu thêm về AI. Nếu bạn đang muốn bắt đầu dự án Vision AI của riêng mình, hãy xem qua các tùy chọn cấp phép của chúng tôi. Khám phá thêm về các ứng dụng như AI trong chăm sóc sức khỏe và Vision AI trong bán lẻ bằng cách truy cập trang giải pháp của chúng tôi.

‍