Tìm hiểu về phát hiện cạnh trong xử lý ảnh

Là con người, chúng ta tự nhiên nhận ra các cạnh của vật thể, theo dõi các đường cong của chúng và nhận thấy các họa tiết trên bề mặt của chúng khi nhìn vào một hình ảnh. Tuy nhiên, đối với máy tính, sự hiểu biết bắt đầu ở cấp độ của từng pixel.

Pixel, đơn vị nhỏ nhất của một 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 pixel này trên một hình ảnh, máy tính có thể phát hiện ra các mẫu tiết lộ các chi tiết quan trọng.

Đặc biệt, xử lý ảnh sử dụng dữ liệu pixel để nhấn mạnh các tính năng thiết yếu và loại bỏ các yếu tố gây xao nhãng. Một kỹ thuật xử lý ảnh phổ biến là phát hiện cạnh, kỹ thuật này xác định các điểm mà độ sáng hoặc màu sắc thay đổi đột ngột để phác thảo các đối tượng, 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 phần của một cảnh kết nối với nhau. Dò cạnh thường là bước đầu tiên trong phân tích ảnh nâng cao.

‍

Trong bài viết này, chúng ta sẽ xem xét edge detection (phát hiện cạnh) là gì, cách nó hoạt động và các ứng dụng thực tế của nó. Hãy cùng bắt đầu!

Các khái niệm về dò tìm cạnh (Edge detection).

Dò tìm cạnh tập trung vào việc tìm kiếm những vị trí trong ảnh mà độ sáng hoặc màu sắc thay đổi đáng kể từ điểm này sang điểm khác. Nếu sự thay đổi nhỏ, vùng đó trông mịn. Nếu sự thay đổi lớn, nó thường đánh dấu ranh giới giữa hai vùng khác nhau.

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

• Gián đoạn pháp tuyến bề mặt: Khi hai bề mặt gặp nhau ở một góc, như góc tường hoặc cạnh hộp, sự thay đổi đột ngột về hướng này tạo ra một ranh giới rõ ràng trong hình ảnh.
  ‍
• Độ gián đoạn độ sâu: Chúng xuất hiện ở những nơi các vật thể ở các khoảng cách khác nhau so với máy ảnh, tạo ra một sự phân tách có thể nhìn thấy giúp hệ thống phân biệt chúng.
  ‍
• Thay đổi màu sắc hoặc kết cấu bề mặt: Điều này xảy ra khi một vùng có màu sắc hoặc kết cấu khác với vùng lân cận, tạo ra sự phân tách rõ ràng.
  ‍
• Thay đổi độ rọi: Nó phát sinh từ những thay đổi về ánh sáng, bao gồm bóng hoặc vùng sáng trên bề mặt, tạo ra sự phân tách có thể nhìn thấy ngay cả khi bản thân các bề mặt nhẵn hoặc liên tục.

‍

Nhận dạng phát hiện cạnh hoạt động như thế nào

Dò tìm cạnh thường bắt đầu bằng cách chuyển đổi một hình ảnh màu thành hình ảnh thang độ xám, do đó mỗi điểm chỉ hiển thị độ sáng. Điều này giúp thuật toán dễ dàng tập trung vào sự khác biệt giữa ánh sáng và bóng tối thay vì màu sắc.

Tiếp theo, các bộ lọc đặc biệt có thể quét ảnh để tìm những vị trí có sự thay đổi độ sáng đột ngột. Các bộ lọc này tính toán độ dốc của sự thay đổi độ sáng, được gọi là gradient. Gradient cao hơn là do sự khác biệt lớn hơn giữa các điểm lân cận, 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 các 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 để phân tích thêm.

Sự phát triển của công nghệ dò cạnh và xử lý ảnh

Trước khi chúng ta đi sâu vào phát hiện cạnh một cách chi tiết hơn, hãy thảo luận về cách nó phát triển theo thời gian.

Xử lý ảnh bắt đầu với các phương pháp đơn giản, dựa trên quy tắc như phân ngưỡng và lọc để làm sạch và cải thiện hình ảnh. Trong kỷ nguyên analog, điều này có nghĩa là làm việc với ảnh hoặc phim bằng cách sử dụng 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 ràng hơn và làm nổi bật các hình dạng và kết cấu. Trong những năm 1960 và 70, sự chuyển đổi từ xử lý analog 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.

Vào những năm 1980 và 90, máy tính nhanh hơn đã giúp giải quyết các tác vụ phức tạp hơn như trích xuất đặc trưng, phát hiện hình dạng và nhận dạng đối tượng 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 tìm thấy các 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 thị giác máy tính trong thế kỷ 21

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

Trong khi xử lý ảnh truyền thống, như double thresholding (giúp 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, computer vision sử dụng các mô hình hướng dữ liệu có thể học hỏi từ các ví dụ và thích ứng với các tình huống mới. 

Ngày nay, các hệ thống hình ảnh vượt xa việc chỉ nâng cao hình ảnh hoặc phát hiện các cạnh. Chúng có thể nhận dạng các đối tượng, theo dõi chuyển động và hiểu ngữ cảnh của toàn bộ cảnh. 

Một trong những kỹ thuật quan trọng giúp điều này trở nên khả thi là phép tích chập. Phép tích chập là một quy trình trong đó các bộ lọc nhỏ (còn được gọi là kernel) quét một hình ảnh để tìm các mẫu quan trọng như cạnh, góc và kết cấu. Các mẫu này trở thành các khối xây dựng 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 đặc trưng dựa trên tích chập này để thực hiện các tác vụ nâng cao như phân đoạn thể hiện. Điều này liên quan chặt chẽ đến phát hiện cạnh vì phân đoạn thể hiện đòi hỏi phải phác thảo chính xác ranh giới của từng đối tượng trong một hình ảnh. 

Trong khi phát hiện cạnh tập trung vào việc tìm kiếm các thay đổi cường độ trong các pixel cạnh để đánh dấu các cạnh đối tượng, thì phân đoạn thể hiện (instance segmentation) xây dựng dựa trên ý tưởng đó để phát hiện các cạnh, phân loại và tách từng đối tượng vào vùng riêng của nó.

‍

Các thuật toán & phương pháp phát hiện cạnh

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

Trước khi phát hiện đối tượng hoặc hiểu một cảnh, các hệ thống thường làm sạch hình ảnh, giảm nhiễu và tìm cạnh để làm nổi bật các chi tiết chính. Các bước này làm cho các mô hình tiên tiến trở nên chính xác và hiệu quả hơn.

Tiếp theo, hãy khám phá một số thuật toán xử lý ảnh phổ biến nhất được sử dụng để phát hiện 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 đối tượng trong một hình ảnh. Thay vì phân tích mọi chi tiết cùng một lúc, nó tập trung vào các khu vực nơi độ sáng thay đổi đột ngột từ pixel này sang pixel kế bên. 

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

Bạn có thể xem phát hiện cạnh Sobel như một công cụ dò gradient đo lường sự thay đổi cường độ trên một hình ảnh. Về cốt lõi, điều này hoạt động thông qua một phép toán tích chập: trượt các ma trận nhỏ, được gọi là kernel, trên hình ảnh và tính toán các tổng có trọng số của các giá trị pixel lân cận. 

Các kernel này được thiết kế để nhấn mạnh những thay đổi về độ sáng theo hướng ngang và dọc. Không giống như các mô hình học sâu, nơi các kernel được học từ dữ liệu, Sobel sử dụng các kernel cố định để làm nổi bật các cạnh một cách hiệu quả mà không cần huấn luyện.

Đây là cái nhìn cận cảnh hơn về cách phương pháp phát hiện cạnh Sobel hoạt động:

• Sử dụng hai bộ lọc 3×3: Phương pháp này sử dụng hai lưới 3×3 nhỏ, được gọi là bộ lọc. Hãy nghĩ về chúng như những tấm stencil trượt trên hình ảnh theo hướng ngang (hướng x) và hướng dọc (hướng y). Một lưới được thiết kế để tìm các cạnh ngang và lưới kia dành cho các cạnh dọc.
  
  
• Tính toán gradient: Mỗi bộ lọc tìm ra độ thay đổi nhanh của độ sáng và hướng gradient. Một thay đổi lớn có nghĩa là có thể có một cạnh.
  
  
• Kết hợp kết quả: Các kết quả theo chiều ngang và chiều dọc được kết hợp để xác định cường độ và hướng cạnh tổng thể tại mỗi pixel.
  
  
• Phát hiện cạnh: Các pixel có độ lớn gradient cao được đánh dấu là các cạnh mạnh.
  
  
• Vẽ đường bao: Các cạnh này giúp xác định hình dạng đối tượng và phân tách các vùng khác nhau trong ảnh.

‍

Phát hiện cạnh Canny

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

Đây là tổng quan nhanh về cách hoạt động của bộ dò cạnh Canny:

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

‍

Vì nó mang lại kết quả chính xác đồng thời loại bỏ nhiễu, nên tính năng phát hiện cạnh Canny được sử dụng rộng rãi trong các lĩnh vực mà độ chính xác rất quan trọng. Ví dụ: nó được sử dụng trong các ngành như chẩn đoán 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 nhằm mục đích tìm cạnh, nhưng chúng tiếp cận vấn đề theo những cách 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 hình ảnh và đánh dấu những nơi có sự thay đổi mạnh nhất này. Các phương pháp này đơn giản, nhanh chóng và hoạt động tốt khi hình ảnh rõ ràng. 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 of Gaussian) thêm một bước bổ sung để xử lý vấn đề này: làm mờ ảnh trước. Việc làm mịn này, thường được thực hiện bằng bộ lọc Gaussian, làm giảm các biến thể nhỏ có thể tạo ra các cạnh sai. Sau khi làm mịn, các phương pháp này vẫn tìm kiếm những thay đổi độ sáng резко, nhưng kết quả sạch hơn và chính xác hơn cho hình ảnh bị nhiễu hoặc chất lượng thấp.

‍

Ứng dụng thực tế của phát hiện cạnh

Sau khi hiểu rõ hơn về cách thức hoạt động của tính năng dò biên (edge detection), hãy cùng khám phá cách nó được ứng dụng 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 các tòa nhà cao tầng, thường là một nhiệm vụ đầy thách thức và nguy hiểm. Các công trình này có thể trải dài trên một khoảng cách dài hoặc đạt đến độ cao lớn, khiến cho các cuộc kiểm tra truyền thống trở nên chậm chạp, tốn kém và rủi ro. Các cuộc kiểm tra này cũng thường yêu cầu giàn giáo, tiếp cận bằng dây thừng, đo lường thủ công cận cảnh hoặc chụp ảnh.

Một cách tiếp cận thú vị đã được khám phá vào năm 2019, khi các nhà nghiên cứu thử nghiệm một phương pháp an toàn hơn 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 về bề mặt bê tông. Những hình ảnh này sau đó được xử lý bằng các kỹ thuật dò cạnh khác nhau để tự động xác định các vết nứt.

Nghiên cứu cho thấy rằng phương pháp này đã 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, việc xem xét của con người vẫn cần thiết để loại bỏ các false positive (dương tính giả).

Ứng dụng dò biên (edge detection) trong chẩn đoán hình ảnh y tế

Ảnh chụp X-quang và MRI thường chứa các nhiễu ảnh, còn gọi là noise, gây khó khăn trong việc nhận diện các chi tiết nhỏ. Điều này gây trở ngại cho 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 tế gần đây đã kiểm tra mức độ hiệu quả của các phương pháp phát hiện cạnh phổ biến, như Sobel, Canny, Prewitt và Laplacian, trong việc xử lý hình ảnh nhiễu. 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 rõ ràng nhất, ngay cả khi nhiễu lớn, nhưng nó không phải là tốt nhất trong mọi trường hợp. Một số phương pháp hoạt động tốt hơn với các kiểu nhiễu nhất định, vì vậy không có một giải pháp hoàn hảo duy nhất.

‍

Điều này làm nổi bật lý do tại sao các công nghệ như thị giác máy tính lại quan trọng đến vậy. Bằng cách kết hợp các thuật toán tiên tiến và mô hình Vision AI, các giải pháp này có thể vượt xa khả năng dò cạnh cơ bản để mang lại kết quả chính xác và đáng tin cậy hơn ngay cả trong các điều kiện khó khăn.

Ưu điểm của phát hiện cạnh (edge detection)

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

• Nén dữ liệu tốt hơn: Phát hiện cạnh cho phép hình ảnh được biểu diễn chỉ bằng các đặc trưng chính, giảm kích thước tệp đồng thời vẫn giữ lại thông tin cần thiết. Điều này làm cho việc lưu trữ và truyền tải hiệu quả hơn.
  
  
• Định vị đối tượng chính xác hơn: Bằng cách xác định chính xác ranh giới đối tượng, phát hiện cạnh cải thiện khả năng định vị và theo dõi đối tượng của hệ thống, mang lại lợi ích cho các ứng dụng như AI thị giác trong robot và xe tự hành.
  
  
• Phát hiện đặc trưng đa tỷ lệ (Multi-scale feature detection): Các kỹ thuật phát hiện cạnh có thể phân tích hình ảnh ở các tỷ lệ khác nhau, nắm bắt cả các chi tiết nhỏ và hình dạng lớn hơn. Tính linh hoạt này rất hữu ích trong nhiều nhiệm vụ khác nhau, từ phân tích kết cấu đến hiểu cảnh.

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

Mặc dù có nhiều lợi ích đối với edge detection (phát hiện cạnh) trong xử lý ảnh, nhưng nó cũng đi kèm với một vài thách thức. Dưới đây là một số hạn chế chính cần xem xét:

• Các vấn đề với kết cấu phức tạp: Trong hình ảnh có các mẫu phức tạp hoặc lặp lại, phát hiện cạnh thường tạo ra nhiều cạnh sai hoặc không liên quan, điều này làm phức tạp thêm quá trình phân tích và giảm độ tin cậy.
  
  
• Dễ bị ảnh hưởng bởi ánh sáng: Sự thay đổi về độ sáng, bóng đổ và phản xạ có thể khiến bộ dò cạnh hiểu sai các thay đổi về ánh sáng thành ranh giới đối tượng, dẫn đến kết quả không nhất quán.
  
  
• Không nhận dạng đối tượng: Mặc dù các cạnh làm nổi bật nơi các đối tượng bắt đầu và kết thúc, nhưng chúng không hiển thị các đối tượng là gì. Cần xử lý thêm để gán ý nghĩa hoặc nhãn cho các cạnh được phát hiện.

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

Dò tìm cạnh được lấy cảm hứng từ cách mắt và não của chúng ta phối hợp với nhau để hiểu thế giới. Đối với thị giác của con người, các nơ-ron chuyên biệt trong vỏ não thị giác rất nhạy cảm với các cạnh, đường và ranh giới. 

Những tín hiệu trực quan này giúp chúng ta nhanh chóng xác định nơi một đối tượng kết thúc và một đối tượng khác bắt đầu. Đây là lý do tại sao ngay cả một bản vẽ đường đơn giản cũng có thể được nhận ra ngay lập tức - bộ não của chúng ta dựa rất nhiều vào các cạnh để xác định hình dạng và đối tượng.

Thị giác máy tính hướng đến việc mô phỏng khả năng này nhưng tiến thêm một bước nữa. Các mô hình như Ultralytics YOLO11 không chỉ dừng lại ở việc làm nổi bật các cạnh cơ bản và nâng cao hình ảnh. Chúng có thể phát hiện các đối tượng, phác thảo chúng một cách chính xác và theo dõi chuyển động trong thời gian thực. Mức độ hiểu biết sâu sắc hơn này làm cho chúng trở nên cần thiết trong các tình huống mà việc phát hiện cạnh đơn thuần là không đủ.

Sử dụng Ultralytics YOLO11 để phát hiện cạnh chính xác hơn

Dưới đây là một số tác vụ thị giác máy tính chính được YOLO11 hỗ trợ, xây dựng và vượt xa khả năng phát hiện cạnh:

• Phát hiện đối tượng: Nó xác định và định vị nhiều đối tượng trong một hình ảnh hoặc video bằng cách vẽ các hộp giới hạn xung quanh mỗi đối tượng, cung cấp một cái nhìn rõ ràng về những gì hiện có và vị trí của từng đối tượng.
  
  
• Phân đoạn thể hiện: Điều này liên quan đến việc chia nhỏ các đối tượng xuống cấp độ pixel, tạo ra các đường viền sạch và chính xác ngay cả khi các đối tượng chồng lên nhau hoặc có hình dạng không đều.
  
  
• Ước tính tư thế: Mục tiêu ở đây là xác định vị trí, hướng hoặc tư thế của một đối tượng hoặc người, điều này giúp theo dõi chuyển động hoặc phát hiện các thay đổi 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 và lâu dài.
  
  
• Phân loại ảnh: Nó gán nhãn cho các đối tượng hoặc toàn bộ hình ảnh dựa trên các đặc điểm trực quan của chúng, giúp bạn dễ dàng sắp xếp 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 thị giác máy tính nâng cao một ứng dụng 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 huấn luyện 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 trì 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 điều cần nhớ

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

Trong thị giác máy tính, phát hiện cạnh (edge detection) đóng một vai trò quan trọng trong việc xác định hình dạng, phân tách các đối tượng 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 động và an ninh để cung cấp 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 các tùy chọn cấp phép của chúng tôi. Khám phá thêm về các ứng dụng như AI trong lĩnh vực chăm sóc sức khỏe và Vision AI trong lĩnh vực bán lẻ bằng cách truy cập các trang giải pháp của chúng tôi.

‍