Gaussian-based edge-detection methods-a survey

Basu, Mitra

doi:10.1109/tsmcc.2002.804448

Cited by 424 publications

(265 citation statements)

References 40 publications

(59 reference statements)

Supporting

Mentioning

244

Contrasting

Unclassified

Order By: Relevance

“…Slika poseduje veliki broj informacija o snimljenoj sceni kao što su broj i oblik objekata, njihova veličina, orjentacija, tekstura i drugo, tako da izdvajanje tih objekata iz pozadine predstavlja primarni zadatak koji se mora izvršiti pre bilo kakve interpretacije [24]. U cilju izdvajanja konture objekta neophodno je odrediti ivice koje definišu taj objekat, i ta činjenica potvrđuje da detekcija ivica ima ključnu ulogu u kompjuterskoj viziji [25], što rezultuje objavljivanjem nekoliko novih detektora ivica godišnje [26], [27].…”

Section: Detekcija Ivicaunclassified

“…U tom slučaju odskočna ivica se detektuje kao maksimum apsolutne vrednosti prvog izvoda profila ivice, ili kao prolazak kroz nulu (eng. zero-crossing) drugog izvoda profila ivice [24]- [26]. Odskočni model ivica se često koristi pri razvoju detektora ivica [30].…”

Section: Detekcija Ivicaunclassified

“…To znači da, iako je i najveći intenzitet šuma u slici 3.6a vizuelno zanemarljiv i posmatrač može lokalizovati početak i kraj rampe, šum ipak ima izuzetno veliki uticaj na algoritam za detekciju ivica. Rešenje je niskopropusno filtriranje pre diferenciranja kojim bi se značajno redukovao uticaj šuma [24], [26], [27], [33], [34]. je idealna ivica ( SNR   ), zatim intenzitet superponiranog šuma raste ka dnu slike, pa odgovarajući SNR iznosi približno 50 dB, 40 dB i 30 dB redom.…”

Section: Diferenciranje Slikaunclassified

“…Veća skala više potiskuje šum, ali je za detekciju veoma finih detalja neophodno izabrati što manju skalu. Takođe, sa povećanjem standardne devijacije Gausovog filtra povećava se i greška lokalizacije prave pozicije ivice [26], tj. izbor samo jedne skale često ne daje dovoljno dobre rezultate.…”

Section: Niskopropusno Filtriranjeunclassified

“…Takođe, Gausov filtar je jedini rotaciono simetričan filtar, koji je separabilan u Dekartovom koordinatnom sistemu, što omogućava bržu i jednostavniju implementaciju u odnosu na druge filtre [26].…”

Section: Niskopropusno Filtriranjeunclassified

See 4 more Smart Citations

Wavelet based method for edge detection of defect on coated board during production proccess

Barjaktarović¹

View full text Add to dashboard Cite

RezimeDisertacija razmatra problem detekcije ivica defekata u slikama kartona upotrebom wavelet transformacije. Osobine wavelet transformacije, pre svega predstavljanje singulariteta u signalu malim brojem koeficijenata omogućava realizaciju efikasnog detektora ivica.U okviru ove doktorske disertacije dat je detaljan pregled postojećih detektora ivica baziran na diferenciranju i upotrebi Gausovog filtra. Veoma iscrpno su opisani i postupci zasnovani na wavelet transformaciju. Analizirani su načini poređenja predloženih sa drugim detektorima ivica i veoma su retki slučajevi u kojima autori primenjuju objektivne metode poređenja detektora, a i tada su rezultati komparacije zasnovani na sintetičkoj slici, zbog čega se izvedeni zaključci ne mogu generalizovati na realne slike. Ilustrovani su nedostaci klasičnog detektora ivica kada se primene na slike defekata.Predstavljene su najvažnije karakteristike wavelet transformacije i data je teorijska osnova detekcije singulariteta u signalu upotrebom wavelet transformacije.Kako karakteristike signala imaju uticaj na performanse detektora ivica, ispitivanjem slika defekata na kartonu izveden je matematički model ivice defekata. Na osnovu matematičkog modela i karakteristika slika defekata na kartonu ustanovljeno je da se bolji rezultat ostvaruje kada se u proizvod uključe tri skale wavelet transformacije, a ne samo dve kako je prvobitno predložno, jer je, pre svega, izraženije potiskivanje šuma.Zatim, pokazano je da se predloženi algoritam može primeniti na proizvoljan skup slika, pri čemu se na osnovu karakteristika slika može utvrditi početna skala za formiranje proizvoda koeficijenata wavelet transformacije. U nastavku, prikazane su i analizirane dostupne metodologije komparacije detektora ivica. Ustanovljeno je da se mora primeniti objektivna metoda zasnovana na korišćenju istinite mape ivica. Da bi se ostvarilo adekvatno poređenje, realizovana je baza od 50 slika defekata na kartonu sa odgovarajućim istinitim mapama ivica. Komparacija detektora ivica je izvršena i na osnovu postojeće baze svakodnevnih slika i slika iz vazduha (slike iz ptičje perspektive), kao i odgovarajućih mapa ivica. Za poređenje su izabrani klasični i najčešće korišćeni detektori ivica: Sobel, Canny i Marr-Hildreth, zatim dva detektora bazirana na wavelet transformaciji i noviji, često korišćen detektor ivica -SUSAN (eng. Smallest Univalue Segment Assimilating Nucleus) detektor.Komparacija detektora je pokazala da je predložena metoda detekcije ivica na kartonu superiornija u odnosu na sve navedene detektore ivica. Predloženi detektor daje nešto bolje rezultate i pri poređenju pomoću skupa svakodnevnih slika, kao i skupom slika iz vazduha. Metoda komparacije detektora ivica je proširena sa još dva poređenja.Dodat je šum svakodnevnim slikama kao i slikama iz vazduha i ustanovljeno je da predložena metoda ispoljava evidentno bolje rezultate kod slika sa prisutnim šumom, pri čemu razlika u performansama između predloženog i prvog sledećeg detektora raste kako opada odnos signal-šum.Ova doktorska dis...

show abstract

Section: Detekcija Ivicaunclassified

Section: Diferenciranje Slikaunclassified

Section: Niskopropusno Filtriranjeunclassified

See 3 more Smart Citations

Wavelet based method for edge detection of defect on coated board during production proccess

Barjaktarović¹

View full text Add to dashboard Cite

show abstract

Edge Detection in Grayscale, Color, and Range Images

Park

Murphey

2008

Wiley Encyclopedia of Computer Science and Engineering

View full text Add to dashboard Cite

Edges are commonly defined as significant local changes in an image. Edge provides an indication of the physical extent of objects in the image. Edge detection is viewed as an information reduction process that provides boundary information of regions by filtering out unnecessary information for the next steps of processes in a computer vision system. Thus, edge detection is one of the most essential steps for extracting structural features for human and machine perception. The success of high‐level computer vision processes heavily relies on the good output from the lower level processes such as edge detection. Many edge detection algorithms have been proposed in the last 50 years. This article presents the fundamental theories and the important edge detection techniques for grayscale, color, and range images.

show abstract