एज डिटेक्शन रोबोट विजन सिस्टम में एक मूलभूत प्रक्रिया है, जिससे रोबोट ऑब्जेक्ट सीमाओं की पहचान करने और प्रभावी ढंग से नेविगेट करने में सक्षम हो जाता है। इन तकनीकों के पीछे गणितीय सिद्धांत यह समझने के लिए आवश्यक हैं कि कैसे छवियों को संसाधित और विश्लेषण किया जाता है।

ग्रेडिएंट-आधारित एज डिटेक्शन

ग्रेडिएंट आधारित विधियां छवि तीव्रता में परिवर्तन की दर का विश्लेषण करती हैं। सबसे आम दृष्टिकोण में सोबेल, प्रीविट, या शार जैसे ऑपरेटरों का उपयोग करके ढाल परिमाण और दिशा की गणना शामिल है। ये ऑपरेटर महत्वपूर्ण तीव्रता परिवर्तन वाले क्षेत्रों को उजागर करने के लिए छवि के लिए कॉनवोल्यूशन कर्नेल लागू करते हैं।

ढाल की तीव्रता निम्नानुसार है:

G = √(Gx]2 + G]]y]2]]]]]]

जहां G]x और G]y] क्रमशः क्षैतिज और ऊर्ध्वाधर दिशा में ढाल हैं।

लैपलियन और द्वितीय-आदेश के तरीके

दूसरे क्रम के तरीकों, जैसे लैपलेसियन, उन क्षेत्रों की पहचान करके किनारों का पता लगाता है जहां छवि तीव्रता के दूसरे व्युत्पन्न संकेत बदलता है। लैपलेसियन ऑपरेटर को निम्नानुसार परिभाषित किया गया है:

2I = va2I/lanx2 + va2I/sal2]

लापलेसियन को लागू करने से तेजी से तीव्रता में बदलाव के साथ क्षेत्रों पर जोर दिया जाता है, जिससे यह उन किनारों का पता लगाने के लिए उपयोगी हो सकता है जो ढाल तरीकों से याद किए जा सकते हैं।

थ्रेसहोल्डिंग और एज लोकलाइज़ेशन

ढाल या दूसरे व्युत्पन्न की गणना के बाद, थ्रेसहोल्डिंग तकनीकों का उपयोग शोर से सच्चे किनारों को अलग करने के लिए किया जाता है। अनुकूली थ्रेसहोल्डिंग सटीकता में सुधार के लिए स्थानीय छवि गुणों पर विचार करता है।

एज स्थानीयकरण में किनारों की सटीक स्थिति को इंगित करना शामिल है, अक्सर गैर-अधिकतम दमन के माध्यम से परिष्कृत किया जाता है, जो स्थानीय अधिकतम नहीं होने वाले सभी ढाल मूल्यों को दबाता है।

गणितीय तकनीकों का सारांश

  • Gradient ऑपरेटर (Sobel, Prewitt)
  • लैपलियन और दूसरे डेरिवेटिव
  • थ्रेसहोल्डिंग विधि
  • गैर-अधिकतम दमन