‫تصویربرداری دیجیتالی‬

‫افروز قاسمی‬
‫‪a f ro o z . g h a s s e m i @ g m a i l . c o m‬‬
‫فیلتر کردن در حوزه مکان‬

Filtering in Spatial
Domain

[email protected] 2
 ‫تشخیص لبه‬
(Edge Detection)

[email protected] 3
 ‫تشخیص لبه‬
‫‪ ‬لبهها از مهمترین ویژگیهای مرتبط با تصاویر هستند و ساختار اصلی تصاویر از طریق لبههای آن‬
‫شناسایی میشود‪.‬‬

‫‪ ‬سیستم بینایی انسان به شدت بر اساس تشخیص لبهها و تفاوتهای شدت نور در تصاویر متکی است‪.‬‬

‫‪ ‬بنابراین‪ ،‬سیستمهای پردازش تصویر‪ ،‬برای شناخت اشیا به طور عمده از روشهای تشخیص لبه‬
‫استفاده میکنند‪.‬‬

‫‪[email protected]‬‬ ‫‪4‬‬
 ‫تشخیص لبه‬
‫‪‬شدت روشنایی در لبههای تصویر تغییر ناگهانی میکند‪.‬‬
‫‪‬نحوه سنجش تغییرات ناگهانی با استفاده از محاسبه مشتق امکانپذیر است‪.‬‬

‫‪[email protected]‬‬ ‫‪5‬‬
 ‫تشخیص لبه‬
‫روش های تشخیص لبه‬
‫‪ .1‬عملگر ‪Roberts‬‬

‫‪ .2‬عملگر ‪Prewitt‬‬
‫‪‬روش های مبتنی بر گرادیان‬
‫‪ .3‬عملگر ‪Sobel‬‬

‫‪ .4‬الگوریتم ‪Canny‬‬

‫‪‬روش های مبتنی بر الپالسین‬

‫‪‬روش های مبتنی بر یادگیری عمیق‬

‫‪[email protected]‬‬ ‫‪6‬‬
 ‫تشخیص لبه ‪-‬گرادیان‬
‫‪‬گرادیان تصویر‪ ،‬جهت و مقدار تغییرات شدت روشنایی در یک تصویر را نشان میدهد‪.‬‬

‫‪ ‬لبهها در تصویر‪ ،‬نقاطی هستند که در آنها گرادیان تصویر مقدار زیادی دارد‪.‬‬

‫چگونه میتوانیم گرادیان یک تصویر را محاسبه کرد؟‬

‫گرادیان یک تصویر بصورت ریاضی بدین صورت تعریف می شود‪.‬‬

‫‪[email protected]‬‬ ‫‪7‬‬
 ‫گرادیان‬- ‫تشخیص لبه‬

[email protected] 8
 ‫گرادیان‬- ‫تشخیص لبه‬

[email protected] 9
 ‫گرادیان‬- ‫تشخیص لبه‬

[email protected] 10
 ‫تشخیص لبه (گرادیان)‬
‫اندازه گرادیان‪ :‬نشاندهنده میزان تغییر در شدت روشنایی است که با فرمول زیر محاسبه‬
‫میشود‪.‬‬

‫جهت گرادیان‪ :‬بیانگر جهت تغییر شدت روشنایی در تصویر است که میتوانیم آن را با فرمول‬
‫زیر محاسبه کنیم‪.‬‬

‫‪[email protected]‬‬ ‫‪11‬‬
 ‫تشخیص لبه‪-‬گرادیان ‪Roberts‬‬
‫فیلتر یا کرنل ‪ ،Roberts‬هنگام اعمال از طریق کانولوشن بر روی تصویر‪ ،‬تفاوت بین پیکسلهایی‬
‫که در موقعیت مجاور و در جهت مورب نسبت به یکدیگر واقع شدهاند را محاسبه میکند‪.‬‬

‫‪[email protected]‬‬ ‫‪12‬‬
 Roberts ‫گرادیان‬-‫تشخیص لبه‬
1 0 :‫مثال‬
0 -1

0 1

-1 0 M  Gx 2  G y 2  652  502 82
Gy 50
  tan 1 ( )  tan 1 ( )  tan 1 (0.769) 37.53
Gx 65
[email protected] 13
Roberts ‫گرادیان‬-‫تشخیص لبه‬
:‫مثال‬

[email protected] 14
 ‫تشخیص لبه‪-‬گرادیان ‪Prewitt‬‬
‫‪‬فیلتر ‪ Prewitt‬حساسیت زیادی به لبههای عمودی و افقی دارد‪.‬‬

‫‪ ‬این فیلتر که دو نوع لبه ‪ -‬عمودی و افقی ‪ -‬را تشخیص میدهد با استفاده از کرنلی اختالفات‬
‫شدت روشنایی پیکسلها در جهتهای مختلف را محاسبه میکند‪.‬‬

‫‪[email protected]‬‬ ‫‪15‬‬
Prewitt ‫گرادیان‬-‫تشخیص لبه‬
:‫مثال‬

Gx=100*(-1)+200*0+100*1+150*(-1)+
35*0+100*1+50*(-1)+100*0+200*1=100

Gy=100*1+200*1+100*1+150*0 +35*0+
100*0+50*(-1) +100*(-1) +200*(-1)=50

M  Gx 2  G y 2  1002  502 112

Gy 50
  tan (1
)  tan 1 ( ) 26.57
Gx 100
[email protected] 16
 ‫تشخیص لبه‪-‬گرادیان ‪Sobel‬‬
‫‪‬فیلتر‪ Sobel‬برای تشخیص لبه افقی و عمودی استفاده می شود‪.‬‬

‫‪[email protected]‬‬ ‫‪17‬‬
 Sobel ‫گرادیان‬-‫تشخیص لبه‬
:‫مثال‬

Gx=100*(-1)+200*0+100*1+150*(-2)+
35*0+100*2+50*(-1)+100*0+200*1=50

Gy=100*1+200*2+100*1+150*0 +35*0+
100*0+50*(-1) +100*(-2) +200*(-1)=150

M  Gx 2  G y 2  502  1502 158

Gy 150
  tan (
1
)  tan 1 ( )  tan 1 (3) 71.57
Gx 50
[email protected] 18
 Sobel ‫گرادیان‬-‫تشخیص لبه‬

f f
x


f
y

[email protected] 19
 Sobel ‫گرادیان‬-‫تشخیص لبه‬
1 0  1 
 2 0  2 d
I
  dx
* 1 0  1  d  d 
2

 I    I 
2

 dx   dy  Edges
Threshold
Image I
1 2 1
* 0  d
0 0 I
  dy
 1  2  1

[email protected] 20
 Sobel ‫گرادیان‬-‫تشخیص لبه‬
2
d  d 
2

  f    f 
 dx   dy 

  Threshold  100

[email protected] 21
 ‫تشخیص لبه‪ -‬مشتق مرتبه دوم (الپالسین)‬
‫‪‬میتوان از مشتقات مرتبه دوم نیز‪ ،‬برای تشخیص لبه در پردازش تصویر استفاده کرد‪.‬‬

‫‪‬نقاط لبه با استفاده از تابع مشتق دوم در نقاطی پیدا میشود که نمودار از صفر عبور میکند‪.‬‬

‫‪‬یکی از عملگرهای بسیار پرکابرد در روشهای مرتبه دوم برای محاسبه لبه مورد استفاده قرار‬
‫میگیرد‪« ،‬الپالسین» یا ‪ Laplacian‬نام دارد‪.‬‬
‫‪‬‬ ‫‪2‬‬
‫‪f‬‬ ‫‪‬‬ ‫‪2‬‬
‫‪f‬‬
‫‪L ( x, y )   2 f ( x, y )  2  2‬‬
‫‪x‬‬ ‫‪y‬‬
‫و برای الپالسین گسسته داریم‪:‬‬
‫) ‪ 2 f ( x, y )  f ( x  1, y )  f ( x  1, y )  f ( x, y  1)  f ( x, y  1)  4 f ( x, y‬‬

‫فیلتر متناظر با رابطه الپالسین در قسمت باال‪:‬‬

‫‪-1‬‬ ‫‪-1‬‬ ‫‪-1‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬
‫‪-1‬‬ ‫‪8‬‬ ‫‪-1‬‬ ‫یا‬ ‫‪1‬‬ ‫‪-4‬‬ ‫‪1‬‬ ‫‪‬‬
‫‪-1‬‬ ‫‪-1‬‬ ‫‪-1‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬

‫‪[email protected]‬‬ ‫‪22‬‬
 ‫تشخیص لبه‪ -‬مشتق مرتبه دوم (الپالسین)‬
‫‪‬الپالسین تغییرات شدت روشنایی را برجسته می کند‪.‬‬
‫‪‬تقویت پیکسل هایی که تغییرات دارند‪ ،‬موجب تیز شدن تصویر می شود‪.‬‬

‫) ‪g ( x, y )  f ( x, y )  c  2 f ( x, y‬‬

‫‪[email protected]‬‬ ‫‪23‬‬