Détection des bords: Explorer les limites de la vision par ordinateur

Détection des contours

Explorer les limites de la vision par ordinateur

Fouad Sabry est l'ancien responsable régional du développement commercial pour les applications chez Hewlett Packard pour l'Europe du Sud, le Moyen-Orient et l'Afrique. Fouad est titulaire d'un baccalauréat ès sciences des systèmes informatiques et du contrôle automatique, d'une double maîtrise, d'une maîtrise en administration des affaires et d'une maîtrise en gestion des technologies de l'information, de l'Université de Melbourne en Australie. Fouad a plus de 25 ans d'expérience dans les technologies de l'information et de la communication, travaillant dans des entreprises locales, régionales et internationales, telles que Vodafone et des machines professionnelles internationales. Actuellement, Fouad est un entrepreneur, auteur, futuriste, axé sur les technologies émergentes et les solutions industrielles, et fondateur de l'initiative One Billion Knowledge.

Un milliard de connaissances

Détection des contours

Explorer les limites de la vision par ordinateur

Fouad Sabry

Copyright

Détection des © contours 2024 par Fouad Sabry. Tous droits réservés.

Aucune partie de ce livre ne peut être reproduite sous quelque forme que ce soit ou par quelque moyen électronique ou mécanique que ce soit, y compris les systèmes de stockage et de récupération d'informations, sans l'autorisation écrite de l'auteur. La seule exception est celle d'un critique, qui peut citer de courts extraits dans une critique.

Couverture dessinée par Fouad Sabry.

Bien que toutes les précautions aient été prises dans la préparation de ce livre, les auteurs et les éditeurs n'assument aucune responsabilité pour les erreurs ou omissions, ou pour les dommages résultant de l'utilisation des informations contenues dans le présent document.

Table des matières

Chapitre 1 : Détection des contours

Chapitre 2 : Traitement numérique de l'image

Chapitre 3 : Opérateur Sobel

Chapitre 4 : Croix de Roberts

Chapitre 5 : Détecteur de bord astucieux

Chapitre 6 : Algorithme de Marr Hildreth

Chapitre 7 : Transformation d'une entité invariante à l'échelle

Chapitre 8 : Opérateur de Laplace discret

Chapitre 9 : Échelle de l'espace

Chapitre 10 : Opérateur Prewitt

Appendice

À propos de l'auteur

Chapitre 1 : Détection des contours

La détection des contours est un ensemble de techniques mathématiques conçues pour trouver des transitions nettes de luminosité dans les images numériques, parfois appelées « bords ». La détection de discontinuités dans des signaux unidimensionnels est appelée détection de pas, tandis que la détection de changements dans des signaux variant dans le temps est appelée détection de changement. Dans les domaines de la vision par ordinateur, de la vision industrielle et du traitement d'images, la détection des contours joue un rôle crucial, en particulier dans les processus d'identification et d'extraction des caractéristiques.

La capture d'événements significatifs et de changements dans les attributs du monde nécessite la détection de changements soudains de luminosité de l'image. Les changements de contraste dans une image peuvent être expliqués par quelques hypothèses standard sur la façon dont les images sont formées :

une discontinuité de profondeur, Des ruptures d'orientation dans les surfaces, des changements dans la structure atomique du matériau et

changements subtils dans l'éclairage de la scène.

L'application d'un détecteur de contours à une image peut potentiellement produire un ensemble de courbes connectées qui représentent les bords des objets, les bords des marques de surface et les bords des ruptures d'orientation de la surface. Afin de préserver les aspects structurels importants d'une image sans trop compliquer le traitement, une méthode de détection des contours peut être appliquée à l'image afin de réduire considérablement la quantité de données à traiter en filtrant les informations qui peuvent être jugées moins pertinentes. Si le processus de détection des contours est efficace, le déchiffrement du contenu informatif de l'image peut être beaucoup moins difficile. Cependant, de telles marges parfaites ne sont pas toujours réalisables à partir de photos du monde réel modérément complexes.

La fragmentation, dans laquelle les courbes d'arête ne sont pas connectées, les segments d'arête manquants et les fausses arêtes ne se rapportant pas à des occurrences pertinentes dans l'image sont autant d'obstacles à l'interprétation des données d'arête dérivées d'images non triviales.

La détection des arêtes est une première étape cruciale dans de nombreux types d'analyse d'images, de reconnaissance de formes et de vision par ordinateur.

Les arêtes dérivées d'une représentation 2D d'une scène 3D peuvent dépendre du point de vue ou du point de vue, selon la façon dont la représentation 2D a été créée. Les bords indépendants de la perspective de l'observateur révèlent souvent des informations sur la forme et la texture des objets tridimensionnels. Un bord qui dépend de la perspective du spectateur peut se déplacer en même temps que sa position dans l'image, reflétant des facteurs tels que l'occlusion des objets.

La ligne où deux blocs de couleur adjacents se rencontrent est un exemple d'arête commune. En revanche, une ligne (qui peut être récupérée par un détecteur de crête) peut n'être constituée que de quelques pixels d'une couleur distincte sur un fond autrement uniforme. Une arête peut donc exister de part et d'autre d'une ligne.

Bien que les bords de marche parfaits aient fait l'objet de certaines recherches, les photographies naturelles donnent rarement des bords de marche vraiment parfaits. Au lieu de cela, ils sont généralement touchés par au moins l'un des éléments suivants :

Flou de mise au point dû à la profondeur de champ et aux limitations de la fonction d'étalement des points.

Flou pénombral dû aux ombres projetées par des sources lumineuses non évanescentes.

projeter des ombres sur une surface plane

Plusieurs chercheurs ont franchi l'étape la plus facile au-delà du modèle d'arête de marche idéale en décrivant les effets du flou de bord à l'aide d'une arête de pas lissée gaussienne (une fonction d'erreur).

Ainsi, une image unidimensionnelle f dont l'arête est placée exactement à un seul niveau x=0 peut être modélisée comme suit :

Vers la marge de gauche, l'intensité est {\displaystyle I_{\ell }=\lim _{x\rightarrow -\infty }f(x)} , et à droite du bord, elle est I_{r}=\lim _{x\rightarrow \infty }f(x) .

Le paramètre  d \sigma 'échelle s'appelle l'échelle de flou de l'arête.

La valeur idéale pour ce paramètre d'échelle est celle qui prend en compte la qualité de l'image afin que les bords authentiques de l'image ne soient pas perdus dans le processus.

Considérez le signal unidimensionnel suivant comme exemple de la raison pour laquelle la détection des bords n'est pas un processus facile. Il semble naturel de supposer que les quatrième et cinquième pixels de cet exemple doivent être séparés par une ligne.

Il serait moins évident qu'il y ait un bord dans la région correspondante si la différence d'intensité entre le quatrième et le cinquième pixel était plus faible et si les différences d'intensité entre les pixels voisins étaient plus grandes. De plus, il est possible de faire valoir que cette affaire présente de multiples avantages.

Par conséquent, il n'est pas toujours facile de définir un seuil précis pour déterminer la différence d'intensité qu'il doit y avoir entre deux pixels adjacents pour que nous puissions déclarer qu'il doit y avoir un bord entre ces pixels. Par conséquent, à moins que les objets de la scène ne soient assez simples et que l'éclairage puisse être soigneusement calibré, la détection des bords peut être une tâche non triviale (voir par exemple, les bords extraits de l'image avec la fille ci-dessus).

Il existe de nombreuses méthodes de détection des bords, mais elles peuvent être décomposées en approches basées sur la recherche ou sur le passage à zéro. Les méthodes basées sur la recherche trouvent les arêtes en estimant d'abord l'orientation locale de l'arête, généralement la direction du gradient, puis en recherchant les maxima directionnels locaux de