Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

Canny Edge

No description
by

Jeong Eun Ha

on 11 December 2013

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of Canny Edge

Canny Edge
Canny Edge Detection 은 1986년. John F. Canny 에 의해 개발된
알고리즘
Image by Tom Mooring
Canny Edge
1. Smoothing
노이즈 제거를 위한 스무딩 작업.
2. Finding Gradients
경사(미분)값을 통하여 Edge를찾는 단계
장점

윤곽을 가장 잘 찾아내
면서도
원래 영상의
회색물질과 관련된
모든 에지(Edge)
들을
제거
할 수 있는 유일한 방법
END
단점
구현이
복잡
하고
실행 시간이 훨씬
길다
.


모든 에지가 검출되어야 하며
의사반응(Spurious Response)이
없어야 한다.
즉 검출된 에지가 참이어야 한다.
1.낮은 에러율
2.에지 점들의 위치가
정확히 측정 되어야 함.
(Well Localized)
찾아진 에지가 참 에지와
가능한 가까워야 한다.
검출기에 의해 에지라고 표시된 점과
진짜 에지의 중심 간의 거리가
최소여야 한다.
3.단일 에지 점 응답
검출기가 각 참 에지 점에 대해서
한 점만 반환을 해야 한다.
참 에지 주위의 지역 최대들의 수가
최소여야 한다.
알고리즘
1. Smoothing
2. Finding Gradients
3. Non-maximum suppression
4. Double thresholding
5. Edge tracking by hysteresis
3. Non-Maximum
suppression
4. Double thresholding
5. Edge tracking
by hysteresis
미분을 하게 되면 잡음에 의하여
noise가 많이 생기는 것을 볼 수 가있다.
이러한 잡음을 제거해 줄 필요가 있다.
가우시안(Gaussian) 필터를 이용.
위와 같은 마스크 필터를 이용하여
컨볼루션(Convolution)을 통하여 회선 값을
업데이트 하게 된다.
원본
가우시안
2차원그래프
미분
두개의
극값이 edge
Image의 강도(Intensity)가
급격하게 변하는 부분.
Extrema - Maximum
- Minimum
Extrema를 찾기 위해서는 그림과 같이
기본적인 Sobel Mask를 이용하여
컨볼루션 한다.
이렇게 X 축과 Y축에 대해서 미분을 하면 각각 영상을 얻을 수 있다.
아래 그림은 Gradient magnitudes의 그림이다.
즉 소벨 마스크를 통하여 얻은 이미지 이다.
가우시안
소벨마스크
Local maxima 선택하는 단계이다
극 값을 선택하는데 있어서 잘못된 영역이 나올 수 있는데
이들(Maximum)을 제거 해야 한다.
- 잘못된 영역 : 진짜 Edge가 아닌데 검출이 된 영역
(스무딩을 통하여 흐려진 Edge에서 잘못된 검출이 발생한다는 것.)
그래서 다시
Sharp
한 edge로 다시 변환해야 함.
그래서 local Maxima는 남기고 나머지는
모두 제거
하는 작업을 진행하는 것이다.
예를 들면 아래 그림과 같이
현재 픽셀의 에지 강도가 가장 크다면
그 값을
보존
하고 아니면
삭제
하는 것이다.
그러면
Local Maxima 만 하얀색
으로 설정 됨을
알 수 가 있다

이렇게 Local Maxima 를 선택하게 되면 아래와 같은 결과를 얻을 수 있다.
오른쪽 그림이 Non-Maximum Suppression을 진행한 이미지
위에서 non-maximum suppression을 거친 이미지에 나타나는 에지들 중에는 실제 에지(Edge)와
약간의 노이즈(Noise) 등 잡음에 의해 검출된 것들이 존재
한다.
그래서 이들을 구별해 내어야 한다.
임계 값 사용
여기서 임계 값은 2개를 이용
그림과 같이 low와 high를 기준으로
파랑색
영역은
제거
하고
주황색
영역과
빨간색
영역을 각각 구분하게 된다.
이렇게 나누게 되면
강한에지
영역은 진짜 Edge가 되고
약한에지
영역은 이제 연관성을 판별해야 한다.
그림은 임계 값 20과 80을 설정한 경우.
왼쪽 이미지는
Non-Maxinum Suppression
오른쪽 이미지는 이를 토대로
2개의 임계값에 대하여
진한 하얀 영역은

빨간색 영역 (High 이상 값)=강한에지

옅은 회색 영역은

주황색 영역 (Low 와 High 사이 값)=약한에지
연관성의 판별 단계
High 보다 더 큰 강한 에지
는 최종 에지 영상에 추가.
Low 와 High 사이의 약한 에지
는 강한 에지들과 연결될 경우에만 추가
왜냐하면 노이즈나 다른 작은 변화량들은
강한 에지들과 연관성이 떨어지기 때문
첫번째 이미지는 회색영역만 판별

그래서 이를 토대로
약한 에지를 판별
해본 결과
두번째 이미지에서
파랑색
은 강한 에지와 연관성을 가지고 있는
약한 에지
빨간색
은 강한 에지와 연관성을 가지고 있지 않는 약한 에지

마지막 이미지는 강한 에지와 연관성있는 약한 에지만 합친 영상
20110747 하정은
Full transcript