Reunantunnistus

Reunantunnistus on joukko erilaisia konenäön ja kuvankäsittelyn alaan kuuluvia menetelmiä, jossa etsitään digitaalisesta kuvasta sellaisia pisteitä, joissa valon intensitetti muuttuu terävästi. Näiden pisteiden voidaan olettaa kuvaavan kuvassa olevien objektien reunoja.

Reunantunnistusmenetelmien tarkempi kuvaus

Reunantunnistusmenetelmät voivat tunnistaa kuvasta

1. Epäjatkuvuutta pintojen syvyydessä
2. Epäjatkuvuutta pintojen suunnassa
3. Epäjatkuvuutta pintamateriaalin ominaisuuksissa
4. Vaihteluja objektien valaistusolosuhteissa

Reunantunnistusmenetelmin on vaikea erottaa kuvasta kohina ja todelliset reunat. Siksi useat menetelmät edellyttävätkin kohinan poistamista kuvasta ennen varsinaista reunanetsintää.

Kuvan informaatiosisällöstä merkittävä osa on ilmaistavissa sen sisältämillä reunoilla. Näin kuvien sisältämä informaatio voidaan myös pakata hyvin pienempään tilaan ja antaa esimerkiksi syötteeksi erilaisille hahmontunnistusalgoritmeille.

Reunantunnistusmenetelmät voidaan karkeasti jakaa kahteen pääluokkaan, joista toinen perustuu gradienttien paikallisten maksimien etsimiseen ja toinen toisen asteen derivaattojen nollakohtien etsimiseen (engl. zero-crossing).

Gradienttimenetelmä

Olkoon koordinaateissa {i,j} sijaitsevan pikselin intensiteetti $I_{i,j}$. Yleisessä muodossa gradientin suuruus voidaan esittää seuraavasti:

$|\nabla I|={\sqrt {{\bigg (}{\frac {\partial I}{\partial x}}{\bigg )}^{2}+{\bigg (}{\frac {\partial I}{\partial y}}{\bigg )}^{2}}}$

Yksinkertainen menetelmä on verrata pikselin molemmilla puolilla sijaitsevia intensiteettiarvoja toisiinsa:

$|\nabla I_{i,j}|={\sqrt {{\bigg (}{\frac {I_{i-1,j}-I_{i+1,j}}{(i-1)-(i+1)}}{\bigg )}^{2}+{\bigg (}{\frac {I_{i,j-1}-I_{i,j+1}}{(j-1)-(j+1)}}{\bigg )}^{2}}}$

Paikallisten maksimien etsimiseen käytetään erilaisia konvoluutiosuodattimia, esimerkiksi Sobelin suodatinta. Lopuksi on valittava kynnysarvo (engl. threshold), jonka avulla päätetään, että mitkä suurimmat gradientit edustavat reunoja ja mitkä eivät.

Toisen asteen derivaattoihin perustuva menetelmä

Tässä menetelmässä pyritään löytämään ne kuvan pisteet, joiden kohdalla intensiteettiarvojen toinen derivaatta saa arvoja läheltä nollaa.

$|\nabla ^{2}I|={{\bigg (}{\frac {\partial ^{2}I}{\partial x^{2}}}{\bigg )}^{2}+{\bigg (}{\frac {\partial ^{2}I}{\partial y^{2}}}{\bigg )}^{2}}=0$

Tässäkin menetelmässä käytetään konvoluutiosuodattimia ja kynnysarvoja reunapikseleiden valitsemisessa.

Tunnetuimpia reunantunnistusalgoritmeja

• Ensimmäisen asteen gradientteihin perustuvat:
  • Roberts Cross
  • Prewitt
  • Sobel
  • Canny
• Toisen asteen gradientteihin perustuvat
  • Marr-Hildreth

Lisätietoja muualta

• Canny, J., A Computational Approach To Edge Detection, IEEE Trans. Pattern Analysis and Machine Intelligence, 8:679-714, 1986.
• Lindeberg, T., "Edge detection and ridge detection with automatic scale selection", International Journal of Computer Vision, 30, 2, pp 117--154, 1998.
• Ziou, D. and Tabbone, S.: Edge Detection Techniques An Overview, International Journal of Pattern Recognition and Image Analysis, 8(4):537--559, 1998