تشخیص Edge یک فرآیند اساسی در سیستم های بینایی ربات است که ربات ها را قادر می سازد مرزهای شی را شناسایی کرده و محیط های حرکتی را به طور موثر هدایت کنند. اصول ریاضی پشت این تکنیک ها برای درک چگونگی پردازش و تجزیه و تحلیل تصاویر ضروری است.

تشخیص پیشرفته Edge

روش های مبتنی بر Gradient، میزان تغییر در شدت تصویر را تجزیه و تحلیل می کنند. رایج ترین رویکرد شامل محاسبه اندازه گرادیان و جهت با استفاده از اپراتورهای مانند Sobel، Prewitt یا Scharr است. این اپراتورهای هسته های همجوشی را به تصویر اعمال می کنند تا مناطق را با تغییرات شدت قابل توجه برجسته کنند.

اندازه گرادینت محاسبه می شود به عنوان:

[[ویرایش] [[[ویرایش] [[۱۰]] [۱۰]] [۱۰]]] [۱۰]] [۳] [۳] [۱۰]] [۱۰] [۳] [۳] [۳] [۱۰] [۳] [۱۰] [۱۰] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳]

در جایی که G x و G به ترتیب گرادیان در جهت افقی و عمودی هستند.

روش های Laplacian و II-Order

روش های سفارش دوم، مانند Laplacian، لبه ها را با شناسایی مناطق که مشتق دوم از شدت تصویر نشانه تغییر می کند، تشخیص می دهد. اپراتور Laplacian به عنوان:

[2 ] [2 ] = ⁇ 2I/ ⁇ x2 + ⁇ 2I/ ⁇ y2 [[ ] ]

استفاده از Laplacian بر مناطق با تغییرات سریع شدت تأکید می کند و آن را برای تشخیص لبه هایی که ممکن است توسط روش های گرادینت از دست رفته مفید می کند.

Thresholding و Edge Localization

پس از محاسبه گرادیان یا مشتق دوم، تکنیک های آستانه برای تشخیص لبه های واقعی از سر و صدا استفاده می شود. آستانه انطباق خواص تصویر محلی را برای بهبود دقت در نظر می گیرد.

محلی سازی Edge شامل مشخص کردن موقعیت دقیق لبه ها است که اغلب از طریق سرکوب غیر حداکثری تصفیه می شود که تمام مقادیر گرادی را که به حداکثر محلی نیستند سرکوب می کند.

خلاصه ای از تکنیک های ریاضی

  • اپراتورهای Gradient (Sobel, Prewitt)
  • Laplacian و مشتقات دوم
  • روش های Thresholding
  • سرکوب غیر حداکثری