CANNY EDGE

DETECTION
IRMA AMELIA DEWI.,MT
Reduksi Noise (Gaussian Kernel)
20 40 60 30 40 60 80 90 70 50
10 80 70 60 100 70 80 90 30 10
90 80 10 80 80 10 20 30 50 100
30 40 50 50 50 20 40 60 70 60
10
10 90 10 100 30 70 80 10 20
0
80 10 20 30 80 50 90 20 10 20
20 30 10 30 60 80 10 20 50 70
30 10 100 60 70 100 30 60 80 60
50 60 10 20 10 20 70 90 70 90
10 100 20 80 70 80 100 70 100 20

Contoh Matrik Citra Input

Citra asli akan direduksi noise menggunakan Kernel Gaussian dengan standar
deviasi 1.4
Finding Gradien
• Melakukan deteksi tepi dengan salah satu operator deteksi tepi,
seperti sobel/robert/prewitt dengan melakukan pencarian secara
horizontal (Gx) dan secara vertikal (Gy).
 Matrik citra hasil gaussian kernel

0 0 0 0 0 0 0 0 0 0
0 43 45 48 51 48 49 49 42 0
0 43 42 48 48 36 33 39 43 0
0 40 37 43 40 32 32 40 42 0
0 35 31 39 41 43 43 40 28 0
0 28 21 34 45 49 41 31 22 0
0 23 25 36 49 50 36 29 35 0
0 28 33 36 42 44 40 43 52 0
0 35 36 34 38 44 52 59 58 0
0 0 0 0 0 0 0 0 0 0

Hasil matrik citra proses pertama dikonvolusi dengan menggunakan

kernel sobel (sebagai contoh) dan menentukan arah tepi:
Sx(1,1)=(45 x 2) + (42 x 1) = 132
Sy(1,1)= (43 x -2) + (42 x -1) = -128

G(f(1,1))= |132|+|-128|= 260

(1,1)= tan-1= (|128|/|132|) = 44.1
Non-Maximum Suppression
• mengkorversikan tepian yang masih blurr pada gambar hasil
magnitude gradien hingga menghasilkan tepian yang tajam.
• Derajat 0 - 22,5 dan 157,5 - 180 → 00 berwarna biru
• Derajat 22,5 - 67,5 → 450 berwarna kuning
• Derajat 67,5 - 112,5 → 900 berwarna merah
• Derajat 112,5 - 157,5 → 1350 berwarna hijau
Non-maximum suppression
• Mengkorversikan tepian yang masih blurr pada gambar hasil
magnitude gradien hingga menghasilkan tepian yang tajam.

• Algoritma Non-maximum suppression adalah:

1. Putar arah gradien θ ke arah 45 terdekat, kemudian hubungkan

dengan 8 titik tetangga yang terhubung dengannya.
2. Bandingkan nilai piksel tepian saat ini dengan nilai piksel tepian
dalam arah positif dan negatif gradien. Jika arah gradien adalah
utara (θ =90 ◦), bandingkan dengan piksel ke utara dan selatan.
3. Jika nilai piksel tepian saat ini adalah yang terbesar, maka
simpan nilai tepian tersebut, namun jika bukan, hapus nilai
tersebut.
 Ilustrasi penghapusan non-maximum
Hampir semua piksel yang memiliki arah gradien yang menunjukkan arah
utara, oleh karena itu dibandingkan dengan piksel atas dan bawah. Piksel
yang berubah menjadi maksimal dalam perbandingan ini ditandai dengan
warna putih pada perbatasan, sisanya dihapus. (Daniel.C,2010)
 • Pada tahap finding gradient diperoleh arah tepi sebesar 44.1, maka
termasuk ke dalam Derajat 22,5 - 67,5 → 450 berwarna kuning

Contoh finding gradient

Jika gradient (i,j) ≤ dari gradient (i-1,j+1) atau gradient (i,j) ≤ dari gradient
(i+1,j-1) maka gradient (I,j) sama dengan 0, akan tetapi bila gradient (i,j)  dari
gradient (i-1,j+1) atau gradient (i,j)  dari gradient (i+1,j-1) maka gradient (I,j)
sama dengan tepi asli. Pada comtoh diatas 0 ≤ 148  0, maka pixel
merupakan tepi.
Hysteresis threshoding
• Hasil penghapusan piksel non-maksimal akan menyebabkan beberapa
kemungkinan disebabkan oleh noise atau variasi wana karena permukaan
yang kasar
• Sistem thresholding ganda dimana tepian dengan nilai yang lebih besar dari
threshold atas ditandai sebagai titik kuat,
• tepian dengan nilai yang lebih kecil dari threshold bawah akan dihapus, dan
• tepian dengan nilai piksel antara threshold atas dengan threshold bawah
akan ditandai sebagai tepian yang lemah.
• Tepian yang kuat diintepretasikan sebagai " tepian yang pasti " dan dapat
segera dimasukkan sebagai tepian pada gambar akhir.
• Tepi lemah termasuk jika dan hanya jika terhubung ke tepi yang kuat, dengan
logika bahwa noise dan variasi warna tidak mungkin untuk menghasilkan tepi
yang kuat (dengan penyesuaian yang tepat dari thresholding).
maxVal = Nilai Ambang Atas (140)
minVal = Nilai Ambang Bawah (100)
A,B dan C = Garis Tepian
Ket: Threshold 20 dan 80