ڪنارا ڪاڍ

Wikipedia طرفان
Jump to: navigation, ڳولا

ڪنارا ڪاڍ جو مقصد ڪنهن عددي عڪس اندر موجود ڪن به ٻن شين يا وَٿُن درميان دنگ ليڪڻ هوندو آهي؛ مطلب ته انهن نڪتن يا عڪسلُن جي نشاندهي ڪرڻ هوندو آهي، جن تي ڪا هڪ شَي ختم ٿي ٿِي ۽ ٻي شَي شروع ٿي ٿِي. اهڙين عڪسلُن تي عڪس جي رنگ يا روشنائيءَ ۾ هڪ نمايان تبديلي رونما ٿيل هوندي آهي. عڪس اندر روشنائي، رنگ يا ڪنهن ٻي خاصيت ۾ نمايان تبديلي ڪنهن اهم واقعي يا تبديليءَ ڏانهن اشارو سمجھي ويندي آهي. ڪنارا ڪاڍ، عڪس پردازڪاري ۽ نقش ڪاڍ اندر هڪ تحقيقي کيتر آهي.

ڪنارن جون خصوصيات[سنواريو]

ڪنارا نقطه نظر تي آڌاريل ٿِي سگھن ٿا - اهي اهڙا ڪنارا آهن جيڪي نقطه نظر بدلجڻ سان بدلجي وڃن ٿا ۽ نوعاً منظر جي ڀونماپ جي نمائندگي ڪن ٿا، اهو ظاهر ڪن ٿا ته ڪا هڪ شي ٻي شي سان ڍڪي پئي (لڪل) آهي وغيره وغيره، يا وري ڪنارا .

ڪنارا ڪڍڻ[سنواريو]

ڪنارن کي ڪيترين ئي عڪسلُن اندر روشنائيءَ جِي تبديلي ڄاڻندي، ڪنارا ڪاڍ الخوارزميون روشنائيءَ جي اهڙي تبديليءَ جو مشتق لهنديون آهن.

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 

پهريون مشتق لهڻ[سنواريو]

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:

I'(x)=-1\cdot I(x-1) + 0 \cdot I(x) + 1 \cdot I(x+1).\,

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

ٻيون مشتق لھڻ[سنواريو]

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:

I''(x) = 1\cdot I(x-1) - 2 \cdot I(x) + 1 \cdot I(x+1).\,

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

+1 −2 +1

حد ٻڌڻ[سنواريو]

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.

ڪنارا ڪاڍ عملگر[سنواريو]

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

حوالا[سنواريو]


Noia 64 apps xeyes.png پڻ ڏسندا[سنواريو]