Ist es wichtig, welchen Kantenfindungsalgorithmus Sie verwenden?

Ich habe mit einem Aktionsset herumgespielt, das Kantenmasken mit den Algorithmen Roberts, Robinson, Sobel, Prewitt und Kirsh erstellt. Aufgrund der unterschiedlichen Helligkeitsstufen habe ich mich entschlossen zu sehen, was passiert ist, als ich den Befehl "Ausgleichen" für alle verwendet habe, sowie Photoshops "Kanten suchen".

Ich war überrascht, dass alle ausgeglichenen Ergebnisse einander sehr ähnlich waren. Wenn jeder Algorithmus einer bestimmten Kante mehr Gewicht beimisst als den anderen, müssen alle die gleichen Kanten erkennen und ihnen den gleichen Rang in Bezug auf Wichtigkeit / Helligkeit geben.

Gibt es also einen Grund, einen Kantenfindungsalgorithmus gegenüber einem anderen zu verwenden, außer der Bequemlichkeit? Es scheint, als könnten Sie eine Kombination aus Kurven und Entzerrung verwenden, damit die Ergebnisse eines Algorithmus die Ergebnisse der Ergebnisse eines anderen nachahmen.

Abgesehen von den in Fotosoftware üblichen Algorithmen gibt es eine ganze Reihe von Bildverarbeitungsalgorithmen. Jedes soll bestimmte Eigenschaften verbessern. Einige allgemeine Eigenschaften sind beispielsweise:

• Geschwindigkeit
• Lokalisierung (gute Lokalisierung bedeutet, dass die Detektorantwort nur in Randnähe hoch ist)
• Kantengröße (zB nur große Kanten erkennen)
• Kantengeradheit
• Lärm (nimmt er beispielsweise Salz- und Pfeffergeräusche als Kanten auf)
• Eckenantwort (erkennt es Ecken als Kanten)
• Rotationsinvarianz (Kanten geben unabhängig vom Winkel die gleiche Reaktion)
• Beleuchtungsinvarianz (Kanten geben unabhängig von der Helligkeit die gleiche Reaktion)

Kein Kantendetektor kann alles: Beispielsweise erfassen Beleuchtungsinvarianten-Detektoren häufig JPEG-Artefakte als Kanten, und echte rotationsinvariante Detektoren sind häufig langsam.

Ein visuelles Beispiel von http://www.sci.utah.edu/~cscheid/spr05/imageprocessing/project4/ zeigt das Bild und seine "Canny" -Kantenerkennung unter Verwendung eines niedrigen Schwellenwerts. Wir können die JPEG-Artefakte deutlich sehen.

Kantendetektoren in Fotosoftware werden häufig aufgrund ihrer Geschwindigkeit ausgewählt. Dies bedeutet im Allgemeinen kleine Kernel (Nachbarschaftsgröße).

Hier ist ein Beispiel eines Testbildes mit der Reaktion des Kantendetektors und der Reaktion mit Schwellenwertbildung und Skelettierung:

Sobel und Prewitt sind ähnlich, verwenden jedoch nur zwei Kernel (einen x und einen y - weitere Informationen finden Sie im PDF-Link von TFuto in den Kommentaren zur Frage). Sie haben eine schlechtere Lokalisierung als die Roberts-Methode. Die Roberts-Methode verwendet acht Kernel (N, NE, E, SE, S, SW, W, NW) und ist daher auch rotationsinvarianter und scheint besser mit Ecken umzugehen. Der Laplace-Wert von Gauß (LoG) sieht völlig anders aus, da er Nulldurchgänge verwendet, um die Linienkanten zu finden, aber mit Ecken zu kämpfen hat.

Für ein normales Foto sehen viele Methoden, die eine einfache Kantenintensitätsantwort zurückgeben (z. B. Nobel, Prewitt, Roberts, nicht LoG), möglicherweise ähnlich aus. Wenn das Bild einen scharfen Kontrast aufweist, können die Unterschiede deutlicher werden.

Es scheint, als könnten Sie eine Kombination aus Kurven und Entzerrung verwenden, damit die Ergebnisse eines Algorithmus die Ergebnisse der Ergebnisse eines anderen nachahmen.

Wenn die Kernel ziemlich ähnlich sind, ist dies möglich. Die Sobel- und Prewitt-Methoden sind größtenteils nicht zu unterscheiden, obwohl die Sobel-Methode das Zentrum stärker gewichtet.

Ist es wichtig, welchen Kantenfinder Sie verwenden?

• Ja , für die rechnergestützte Bildgebung kann dies einen großen Unterschied für Anwendungen wie die Erkennung von Merkmalen und die Stereobildgebung bedeuten.

• Für die Fotografie hängt es davon ab, mit welcher Methode Sie die besten Ergebnisse erzielen und was Sie erreichen möchten. Beispielsweise kann eine Methode, die einen sehr scharfen Kontrast ergibt, auch viel Rauschen verursachen.

Ich habe mich gerade daran erinnert, dass es eine andere Möglichkeit gibt, "Kanten" -Masken zu erstellen. Das Maskierungsmodul von Picture Window Pro verfügt über eine "Texturmaskierungsfunktion", bei der Sie zwischen drei Methoden und drei Fenstergrößen wählen können. Basierend auf der Hilfedatei denke ich, dass diese Art der Kantenfindung immer einzigartig aussehende Ergebnisse liefert. In den eigenen Worten des PWP-Handbuchs

"Die Einstellung" Max. Unterschied "berechnet die Textur als den größten Unterschied zwischen dem zentralen Pixel und allen anderen Pixeln in seiner Nachbarschaft. Die Einstellung" Durchschnittlicher Unterschied "berechnet die Textur als den größten durchschnittlichen Unterschied zwischen dem zentralen Pixel und allen anderen Pixeln in seiner Nachbarschaft. Der Unterschied von Die durchschnittliche Einstellung berechnet die Textur als Differenz zwischen dem zentralen Pixel und dem Durchschnitt aller anderen Pixel in seiner Nachbarschaft. Diese drei Methoden führen im Allgemeinen zu ähnlichen Ergebnissen, wobei die maximale Differenz die ausgeprägtesten Effekte und die Differenz vom Durchschnitt die subtilsten Effekte erzeugt.

Nachbarschaftsgröße

Die Nachbarschaftsgröße kann als 3x3, 5x5 oder 7x7 ausgewählt werden. Dies wählt aus, wie groß ein Bereich um jedes Pixel als seine Nachbarschaft betrachtet wird. Kleinere Werte können feinere Details besser erfassen, größere Werte funktionieren jedoch möglicherweise besser für unschärfere Bilder. "