ڪنارا ڪاڍ

Wikipedia طرفان

ڪنارا ڪاڍ جو مقصد ڪنھن عددي عڪس اندر موجود ڪن بھ ٻن شين يا وٿن درميان دنگ ليڪڻ ھوندو آھي؛ مطلب تھ انھن نڪتن يا عڪسلُن جي نشاندھي ڪرڻ ھوندو آھي، جن تي ڪا ھڪ شَي ختم ٿي ٿِي ۽ ٻي شَي شروع ٿي ٿِي. اھڙين عڪسلُن تي عڪس جي رنگ يا روشنائيءَ ۾ ھڪ نمايان تبديلي رونما ٿيل ھوندي آھي. عڪس اندر روشنائي، رنگ يا ڪنھن ٻي خاصيت ۾ نمايان تبديلي ڪنھن اھم واقعي يا تبديليءَ ڏانھن اشارو سمجھي ويندي آھي. ڪنارا ڪاڍ، عڪس پراسيسڪاري ۽ نقش ڪاڍ اندر ھڪ تحقيقي کيتر آھي.

Contents 1 ڪنارن جون خصوصيات 2 ڪنارا ڪڍڻ 3 پھريون مشتق لھڻ 3.1 ٻيون مشتق لھڻ 4 حد ٻڌڻ 4.1 ڪنارا ڪاڍ عملگر

[edit] ڪنارن جون خصوصيات

ڪنارا نقطھ نظر تي آڌاريل ٿِي سگھن ٿا - اھي اھڙا ڪنارا آھن جيڪي نقطھ نظر بدلجڻ سان بدلجي وڃن ٿا ۽ نوعاً منظر جي ڀونماپ جي نمائندگي ڪن ٿا، اھو ظاھر ڪن ٿا تھ ڪا ھڪ شي ٻي شي سان ڍڪي پئي (لڪل) آھي وغيرھ وغيرھ، يا وري ڪنارا .

[edit] ڪنارا ڪڍڻ

ڪنارن کي ڪيترين ئي عڪسلُن اندر روشنائيءَ جِي تبديلي ڄاڻندي ڪنارا ڪاڍ الخوارضميون روشنائيءَ جي اھڙي تبديليءَ جو مشتق لھنديون آھن.

ھ اگر یک لبه را به عنوان تغییر در شدت روشنایی که در طول چند پیکسل دیده می‌شود در نظر بگیریم، الگوریتم‌های آشکارسازی لبه به طور کلی مشتقی از این تغییر شدت روشنایی را محاسبه می‌کنند. برای ساده‌سازی، به آشکارسازی لبه در یک بعد می‌پردازیم. در این نمونه، داده‌های ما می‌تواند یک تک‌خط از شدت روشنایی پیکسل‌ها باشد. برای نمونه بین پیکسل‌های چهارم و پنجم در داده‌های 1-بعدی زیر به روشنی می‌توان لبه‌ای را آشکار کرد

5

7

6

4

152

148

149

[edit] پھريون مشتق لھڻ

تعداد زیادی از عملگرهای آشکارسازی لبه بر پایه مشتق اول شدت روشنایی کار می‌کنند، یعنی با گرادیان شدت روشنایی داده‌های اصلی سروکار داریم. با این اطلاعات می‌توانیم تصویری را برای قله‌های گرادیان روشنایی جستجو کنیم.

اگر I(x) نماینده شدت روشنایی پیکسل x، و I′(x) نماینده مشتق اول(گرادیان شدت روشنایی) در پیکسل x باشد، بنابراین داریم:

برای پردازش تصویر با عملکرد بهتر، مشتق اول را می‌توان(در یک بعد) با پیچش دادن دادن با ماسک زیر بدست آورد:

−1

0

1

[edit] ٻيون مشتق لھڻ

برخی دیگر از الگوریتم‌های آشکارسازی لبه بر اساس مشتق دوم شدت روشنایی کار می‌کنند که در واقع نرخ تغییرات گرادیان شدت روشنایی است و برای آشکارسازی خط‌ها بهترین است، زیرا بدانگونه که در بالا گفتیم هر خط یک لبه دوگانه است، بنابراین در یک سوی خط یک گرادیان روشنایی و در سوی دیگر گرادیان مخالف آن دیده می‌شود. پس می‌توانیم منتظر تغییر بسیار زیاد در گرادیان شدت روشنایی در محل یک خط باشیم. برای یافتن خط‌ها می‌توانیم گذر از صفرهای تغییر گرادیان را در نتایج جستجو کنیم.

اگر I(x) نمایشگر شدت نور در نقطه x و I′′(x) مشتق دوم در نقطه x باشد:

اینجا نیز بیشتر الگوریتم‌ها از یک ماسک پیچش برای پردازش سریع داده‌های تصویر سود می‌برند:

+1

−2

+1

[edit] حد ٻڌڻ

هنگامی که مشتق را حساب کردیم، گام بعدی اعمال یک آستانه برای کشف نقاطی که بخشی از یک لبه هستند است. هر چه آستانه کمتر باشد، خط‌های بیشتری آشکارسازی می‌گردند و نتایج بیشتر نسبت به نویز، و ویژگی‌های نامرتبط تصویر حساس می‌شوند، از سوی دیگر یک آستانه زیاد ممکن است خط‌های ضعیف یا بخش‌هایی از خط‌ها را از دست بدهد.

یک مصالحه معمول آستانه‌گیری با پسماند است. این روش از چندین آستانه برای جستن لبه‌ها سود می‌جوید. با آستانه بالایی جستجو را برای پیدا کردن ابتدای خط‌ها آغاز می‌کنیم. هنگامی که یک نقطه آغاز داریم، مسیر لبه را درون تصویر پیکسل به پیکسل با نشانه‌گذاری پیکسل‌هایی که از آستانه پایینی بالاترند پی می‌گیریم و تنها هنگامی که مقدار از آستانه پایینی پایین‌تر رود آن را پایان می‌دهیم. این رهیافت بر اساس این گمان است که لبه‌ها به احتمال زیاد در مسیرهای پیوسته قرار دارند و دنبال کردن بخش ضعیفی از لبه‌ای که از پیش دیده‌ایم ممکن می‌کند، بدون آنکه پیکسل‌های نویزی را به عنوان لبه نشانه‌گذاری کنیم.

[edit] ڪنارا ڪاڍ عملگر

• مرتبه نخست: چلیپای رابرتز، پرویت، سوبل، کنی، اسپیسک
• مرتبه دوم: لاپلاسی، مار-هیلدرث

اکنون، عملگر کنی و پس از آن مار-هیلدرث بیشترین کاربرد را دارد. عملگرهای زیادی تاکنون منتشر شده‌اند اما هیچیک برتری قابل ملاحظه‌ای بر عملگر کنی در شرایط کلی نداشته‌اند. کار بر روش‌های چندمقیاسی هنوز بیشتر در آزمایشگاه‌هاست.

اخیراً عملگر جدیدی منتشر شده که اجازه جداسازی لبه‌ها را با دقت زیرپیکسل می‌دهد، چیزی که آن را از عملگر کنی نیز بهتر می‌سازد. برای اطلاعات بیشتر مقاله زیر را ببینید:

(استجر, 1998)An Unbiased Detector of Curvilinear Structure