Detektor tepi

Tujuan dari detektor tepi adalah untuk meningkatkan gradien terhubung dalam
sebuah gambar, yang dapat mengambil bentuk tepi, kontur, garis, atau beberapa
set terhubung dari tepi. Banyak detektor tepi hanya diimplementasikan sebagai
operasi kernel, atau convolutions, dan kami survei metode umum di sini.
Set Kernel: Sobel, Scharr, Prewitt, Roberts, Kirsch, Robinson, dan Frei-Chen
Operator Sobel mendeteksi besarnya gradien dan arah untuk deteksi tepi. Metode
dasar yang ditampilkan di sini.
1. Lakukan dua filter Sobel directional (sumbu x dan y) menggunakan pendekatan
derivatif kernel dasar seperti 3 x 3 kernel, menggunakan nilai-nilai sebagai
berikut:
2. Hitung gradien total sebagai G

Variasi ada di daerah ukuran dan bentuk dari kernel yang digunakan untuk deteksi tepi Sobel.
Selain kernel Sobel ditunjukkan di atas, set kernel serupa lainnya yang digunakan dalam praktek,
asalkan nilai-nilai kernel membatalkan dan menambahkan hingga nol, seperti yang kernel
diusulkan oleh Scharr, Prewitt, Roberts, Robinson, dan Frei-Chen, serta kernel pendekatan
Laplacian. The Frei-Chen kernel dirancang untuk digunakan bersama-sama di set, sehingga tepi
adalah jumlah tertimbang semua kernel. Lihat Ref. [4] untuk
Informasi lebih lanjut tentang masker deteksi tepi. Beberapa kernel memiliki orientasi kompas,
seperti yang dikembangkan oleh Kirsch, Robinson, dan lain-lain
Canny Detector
Metode Canny mirip dengan Sobel gaya gradien besar dan metode arah, tetapi
menambahkan posting pengolahan untuk membersihkan tepi

1. Lakukan Gaussian blur di atas gambar menggunakan konvolusi kernel yang

dipilih (7 x 7, 5, 5, dll), tergantung pada tingkat low-pass penyaringan yang
diinginkan.
2. Lakukan dua filter Sobel directional (sumbu x dan y) dan menemukan kekuatan
tepi sebagai | G | | Gx | + | Gy | dan arah tepi sebagai theta ATAN (Gy / Gx) dan
putaran arah ke salah satu dari empat arah 0, 90, 180, atau 270.
3. Lakukan penekanan nilai non-maksimal dalam arah gradien untuk mengatur ke
nol (0) piksel tidak pada tepi (nilai minimum).
4. Lakukan hysteresis thresholding dalam band (tinggi, rendah) dari nilai-nilai
sepanjang arah gradien untuk menghilangkan tepi aliasing dan artefak outlier dan
untuk menciptakan tepi terhubung lebih baik.

Transform Filtering, Fourier, and Others

Bagian ini membahas dasar ruang dan citra mengubah dalam konteks filtering
gambar, yang paling umum dan banyak digunakan sebagai Fourier transform.
Sebuah pengobatan yang lebih komprehensif dari dasar ruang dan transformasi
dalam konteks deskripsi fitur disediakan di Chap. 3. Sebuah referensi yang baik
untuk mengubah penyaringan dalam konteks pengolahan citra disediakan oleh Pratt
[9]. Mengapa menggunakan mengubah beralih domain? Untuk membuat
preprocessing citra lebih mudah atau lebih efektif, atau untuk melakukan deskripsi
fitur dan pencocokan lebih efisien. Dalam beberapa kasus, tidak ada cara yang lebih
baik untuk meningkatkan gambar atau menggambarkan fitur daripada dengan
mengubahnya ke contoh domain-untuk yang lain, untuk menghilangkan kebisingan
dan artefak struktural lainnya sebagai komponen frekuensi outlier dari spektrum
Fourier, atau untuk kompak menjelaskan dan encode image fitur menggunakan
basis Haar fitur

Fourier Transform Keluarga

Transformasi Fourier sangat terkenal dan tercakup dalam acuan standar oleh
Bracewell [219], dan membentuk dasar untuk keluarga transformasi terkait.
Beberapa metode untuk melakukan transformasi Fourier cepat (FFT) yang umum di
gambar dan sinyal perpustakaan pengolahan. analisis Fourier telah menyentuh
hampir setiap bidang urusan dunia, melalui ilmu pengetahuan, keuangan, obatobatan, dan industri, dan telah dipuji sebagai "algoritma yang paling penting
numerik dari hidup kita" [282]. Di sini, kita membahas dasar-dasar analisis Fourier,
dan beberapa cabang Fourier transform keluarga dengan aplikasi gambar
preprocessing. Transformasi Fourier dapat dihitung menggunakan optik, dengan
kecepatan cahaya [498]. Namun, kami tertarik untuk metode berlaku untuk
komputer digital.
fundamental
Ide dasar dari analisis Fourier [4, 9, 219] berkaitan dengan membusuk fungsi
periodik menjadi serangkaian sinus dan cosinus gelombang (Gambar. 2.14).
Transformasi Fourier adalah dua arah, antara gelombang periodik dan serangkaian
sesuai fungsi dasar harmonik dalam domain frekuensi, di mana masing-masing
fungsi dasar adalah sinus atau cosinus fungsi, berjarak pada seluruh kelipatan
harmonik dari frekuensi dasar. Hasil FFT maju adalah bilangan kompleks yang terdiri
dari besarnya dan fase data untuk masing-masing komponen sinus dan cosinus
dalam seri, juga disebut data nyata dan data imajiner.
fungsi periodik sewenang-wenang dapat disintesis dengan menjumlahkan
diinginkan set Fourier fungsi dasar, dan fungsi periodik dapat diuraikan
menggunakan Fourier berubah menjadi fungsi dasar sebagai seri Fourier.

Transformasi Fourier dibalik antara domain waktu piksel diskrit dan domain
frekuensi, di mana kedua besarnya dan fase masing-masing fungsi dasar yang
tersedia untuk penyaringan dan analisis, besarnya menjadi komponen yang paling
umum digunakan. Bagaimana FFT diimplementasikan untuk gambar 2D atau
volume 3D? Transformasi Fourier adalah dipisahkan transformasi dan dapat
diimplementasikan sebagai satu set garis sejajar 1D FFT mengubah. Jadi, untuk
gambar 2D dan volume 3D, masing-masing dimensi, seperti x, y, dimensi z, dapat
dihitung di tempat, secara paralel sebagai x garis independen, maka dimensi
berikutnya atau y kolom dapat dihitung di tempat sebagai garis sejajar , maka
dimensi z dapat dihitung sebagai garis paralel di tempat, dan hasil akhir adalah
skala sesuai dengan transformasi. Algoritma FFT 1D baik dapat diatur untuk
memproses gambar 2D atau volume 3D menggunakan paralelisasi.
Untuk keakuratan inverse transformasi untuk pergi dari ruang frekuensi kembali ke
piksel, perhitungan FFT akan memerlukan dua ganda presisi 64-bit floating point
buffer untuk menahan besarnya dan fase data, karena fungsi transendental seperti
sinus dan cosinus membutuhkan floating tinggi titik presisi untuk akurasi;
menggunakan 64-bit presisi ganda floating point untuk data citra memungkinkan
maju transformasi dari gambar yang akan dihitung, diikuti oleh inverse
transformasi, tanpa kehilangan presisi dibandingkan dengan gambar asli-tentu saja,
gambar yang sangat besar akan membutuhkan lebih banyak dari presisi ganda.
Sejak 64-bit floating point biasanya lebih lambat dan kekuasaan yang lebih tinggi,
karena kebutuhan meningkat menghitung dan silikon real estate di ALU, serta
memori beban bandwidth yang lebih berat, metode untuk optimasi FFT telah
dikembangkan menggunakan bilangan bulat mengubah, dan di beberapa kasus titik
tetap, dan ini adalah pilihan yang baik untuk banyak aplikasi.
Catatan pada Gambar. 2.16 bahwa low-pass filter (kanan tengah) diterapkan untuk
melestarikan terutama informasi frekuensi rendah menuju pusat plot dan
mengurangi komponen frekuensi tinggi ke arah tepi, sehingga gambar disaring di
ujung kanan.
Sebuah aplikasi Fourier kunci penyaringan, di mana gambar asli depan berubah
menjadi besar dan fase; komponen besarnya ditampilkan sebagai kekuatan
spektrum Fourier dari data besarnya, yang mengungkapkan struktur dalam gambar
sebagai garis lurus dan blok, atau struktur outlier atau bintik yang biasanya
kebisingan. besarnya dapat disaring oleh berbagai bentuk filter, seperti highpass,
low-pass, band pass, dan filter tempat untuk menghilangkan tempat kebisingan,
untuk mempengaruhi setiap bagian dari spektrum. Pada Gambar. 2.16, simetris
bentuk filter low-pass melingkar ditunjukkan dengan kelancaran distribusi koefisien
filter dari 1 ke 0, dengan multiplicands tinggi di tengah di frekuensi rendah, ramping
turun ke nol menuju frekuensi tinggi di tepi. Bentuk filter dikalikan dalam domain
frekuensi terhadap data besarnya untuk menyaring komponen frekuensi yang lebih
tinggi, yang ke arah luar plot spektrum, diikuti oleh inverse FFT untuk memberikan

gambar disaring. Komponen frekuensi rendah yang menuju pusat; biasanya ini yang
paling menarik dan sebagian besar kekuatan gambar yang terkandung dalam
komponen frekuensi rendah. Apapun bentuk filter dapat digunakan, seperti filter
spot, untuk menghilangkan kebisingan atau struktur di lokasi tertentu dari
spektrum.
Fourier Keluarga Mentransformasi
Transformasi Fourier adalah dasar untuk keluarga transformator [4], beberapa di
antaranya adalah:
1. DFT, FFT. Versi diskrit Fourier transform, sering diimplementasikan sebagai
versi cepat, atau FFT, yang biasa digunakan untuk pengolahan gambar. Ada
banyak metode pelaksanaan FFT [219].
2. Sine transformasi. formulasi Fourier terdiri dari hanya istilah sinus.
3. Cosine Transform. formulasi Fourier terdiri dari hanya istilah cosinus.
4. DCT, DST, MDCT. Transformasi Fourier diskrit diimplementasikan dalam
beberapa formulasi: sinus diskrit transformasi (DST), diskrit cosine transform
(DCT), dan kosinus diskrit diubah transformasi (MDCT). Metode-metode yang
berhubungan beroperasi pada macroblock, seperti 16? 16 atau 8? 8 wilayah
pixel, dan karena itu dapat sangat dioptimalkan untuk penggunaan
komputasi dengan bilangan bulat bukan floating point. Biasanya DCT
diimplementasikan dalam hardware untuk video encode dan decode aplikasi
untuk estimasi gerak dari blok makro dari frame ke frame. MDCT beroperasi
pada tumpang tindih daerah macroblock untuk efisiensi menghitung.
5. Cepat Hartley transform, DHT. Ini dikembangkan sebagai formulasi
alternatif transformasi Fourier untuk analisis transmisi telepon sekitar 1925,
lupa selama bertahun-tahun, kemudian ditemukan kembali dan dipromosikan
lagi oleh Bracewell [219] sebagai alternatif untuk transformasi Fourier. The
Hartley transform adalah formulasi simetris dari Fourier transform,
membusuk sinyal ke dalam dua set fungsi sinusoidal diambil bersama-sama
sebagai fungsi () kosinus-dan-sinus atau cas, di mana cas (v)? cos (v) + sin
(v). Ini termasuk komponen frekuensi positif dan negatif dan beroperasi
sepenuhnya pada bilangan real untuk input dan output. Formulasi Hartley
menghindari bilangan kompleks seperti yang digunakan dalam Fourier exp
eksponensial kompleks (j x). The Hartley transform telah berkembang
menjadi versi dioptimalkan disebut DHT, terbukti hampir sama dalam
kecepatan untuk FFT dioptimalkan
Mentransformasi lainnya
Beberapa transformasi lain dapat digunakan untuk menyaring gambar,
termasuk wavelet, bank penyaring steerable, dan lain-lain yang akan
dijelaskan dalam Bab. 3, dalam konteks deskripsi fitur. Catatan yang
mengubah sering memiliki banyak kegunaan umum dan aplikasi yang
tumpang tindih, seperti deskripsi gambar, coding gambar, kompresi gambar,
dan fitur deskripsi.