Kenar algılama, dijital bir görüntüde görüntü parlaklığının keskin bir şekilde değiştiği veya daha resmi olarak süreksizliklerin olduğu noktaları tanımlamayı amaçlayan çeşitli yöntemdir. İçerisinde çeşitli matematiksel yöntemleri barındırmakta ve görüntü parlaklığının keskin bir şekilde değiştiği noktalar tipik olarak "kenarlar" adı verilen bir dizi eğri çizgi parçası halinde düzenlenmektedir. Tek boyutlu sinyallerde süreksizlikleri bulmanın aynı problemi, adım tespiti olarak bilinmektedir. Zaman içinde sinyal süreksizliklerini bulma problemi, değişiklik tespiti olarak bilinir. Kenar algılama, görüntü işleme, makine görüşü, bilgisayarla görme ve özellikle özellik algılama ile özellik çıkarma alanlarında temel bir araçtır.
Amaç
Görüntü parlaklığındaki keskin değişiklikleri tespit etmenin amacı, dünyanın özelliklerindeki önemli olayları ve değişiklikleri yakalamaktır. Yani kısaca amaç nesne tespitidir. Bir görüntü oluşturma modeli için oldukça genel varsayımlar ışığında, görüntü parlaklığındaki süreksizliklerin (artıp azalmaların) muhtemelen aşağıdaki maddelere karşılık geldiği gösterilebilir:
- Derinlikteki süreksizlikler,
- yüzey yönelimindeki süreksizlikler,
- malzeme özelliklerindeki değişiklikler ve
- sahne aydınlatmasındaki farklılıklar.
Bir görüntüye bir kenar detektörü uygulamasının sonucunda, nesnelerin sınırlarına, yüzey işaretlerinin sınırlarına ve ayrıca yüzey yönelimindeki süreksizliklere karşılık gelen eğrileri gösteren bir dizi bağlantılı eğriye yol oluşturulmaktadır. Bu nedenle, bir görüntüye bir kenar algılama algoritması uygulamak, işlenecek veri miktarını önemli ölçüde azaltmaktadır. Ayrıca, bir görüntünün önemli yapısal özelliklerini korurken daha az ilgili olarak kabul edilebilecek bilgileri filtrelemektedir. Kenar saptama adımı başarılı olursa, orijinal görüntüdeki bilgi içeriklerini yorumlamanın sonraki görevi bu nedenle büyük ölçüde basitleştirilebilmektedir. Bununla birlikte, orta düzeyde karmaşıklığa sahip gerçek hayat görüntülerden bu tür ideal kenarları elde etmek her zaman mümkün olmamaktadır.
Önemsiz görüntülerden çıkarılan kenarlar genellikle parçalanma nedeniyle engellenir. Kenar eğrileri birbirine bağlı değildir, eksik kenar bölümlemeleri (segmentleri) ve görüntüdeki ilginç olgulara karşılık gelmeyen yanlış kenarların yanı sıra eksik kenar parçalarının olmadığı anlamına gelir. Bu nedenle görüntü verilerinin yorumlanması sonraki görevi karmakarışık bir hal almaktadır.
Kenar özellikleri
Üç boyutlu bir sahnenin iki boyutlu bir görüntüsünden çıkarılan kenarlar, bakış açısına bağlı veya bağımsız olarak sınıflandırılabilir. Bakış açısından bağımsız bir kenar, tipik olarak, üç boyutlu nesnelerin yüzey işaretleri ve yüzey şekli gibi doğal özelliklerini yansıtmaktadır. Bakış açısına bağlı bir kenar, bakış açısı değiştikçe değişmektedir. Ayrıca tipik olarak birbirini kapatan nesneler gibi sahnenin geometrisini yansıtmaktadır.
Tipik bir kenar, örneğin bir kırmızı renk bloğu ile bir sarı blok arasındaki sınır olabilir. Bir çizgi, değişmeyen bir arka plan üzerindeki farklı bir renkteki az sayıda piksel olabilir. Bu nedenle, genellikle çizginin her iki tarafında bir kenar bulunmaktadır.
Basit bir kenar modeli
Bazı araştırmacılar kenarlarının tespitinin ideal basamaklarla olduğunu düşünse de, doğal görüntülerden elde edilen kenarlar genellikle ideal basamak kenarları değildir. Bunun yerine normalde aşağıdaki etkilerden bir veya birkaçından etkilenirler:
- sonlu bir alan derinliği ve sonlu nokta yayılma fonksiyonunun neden olduğu bir odak bulanıklığı,
- sıfır yarıçaplı olmayan ışık kaynakları tarafından oluşturulan gölgelerin neden olduğu yarı gölgeli bir bulanıklık ve
- düzgün bir nesnede gölgeleme.
Birkaç araştırmacı, pratik uygulamalarda kenar bulanıklığının etkilerini modellemek için ideal adım kenar modelinin en basit uzantısı olarak Gauss düzgünleştirilmiş adım kenarını kullanmaktadır. Böylece, x=0'da tam olarak bir kenarı olan tek boyutlu bir f görüntüsü şu şekilde modellenmektedir:
Kenarın sol tarafında, yoğunluk , sağ tarfındaki yoğunluk ise ile ifade edilmektedir. Ölçek parametresine kenarın bulanıklık ölçeği denir. İdeal olarak bu ölçek parametresi, görüntünün gerçek kenarlarını bozmamak için görüntünün kalitesine göre ayarlanmaktadır.
Önemsiz bir görev mi?
Kenar algılamanın önemsiz bir iş olmadığını göstermek için, aşağıdaki tek boyutlu sinyalde kenarları algılama problemi incelendiğinde daha iyi açıklanmaktadır. Burada sezgisel olarak 4. ve 5. pikseller arasında bir kenar olması gerektiği söylenebilir.
5 | 7 | 6 | 4 | 152 | 148 | 149 |
Eğer 4. ve 5. pikseller arasındaki yoğunluk farkı daha küçük olsaydı ve komşu pikseller arasındaki yoğunluk farkları daha yüksek olsaydı, piksellere karşılık gelen bölgede bir kenar olması gerektiği kolayca söylenememekteydi. Ayrıca, bu durumun birkaç kenarın olduğu bir durum olduğu iddia edilmektedir.
5 | 7 | 6 | 41 | 113 | 148 | 149 |
Bu nedenle, iki komşu piksel arasındaki yoğunluk değişiminin ne kadar büyük olması gerektiğine dair belirli bir eşiği kesin olarak belirtmek, bu pikseller arasında bir kenar olması gerektiğini söylemek için her zaman bu kadar rahat olmamaktadır. Aslında, sahnedeki nesneler özellikle basit olmadıkça ve aydınlatma koşulları iyi kontrol edilemedikçe kenar algılamanın önemsiz bir sorun olarak görülmektedir. Örneğin, yandaki kızın görüntüsünden çıkarılan kenarlara bakıldığında sadece istenilen kenarlara ulaşıldığı görülmektedir.
Metodlar
Kenar tespiti için birçok yöntem vardır. Bunların çoğu arama tabanlı ve sıfır geçiş tabanlı olmak üzere iki kategoride gruplandırılabilir. Arama tabanlı yöntemler, önce kenar kuvvetinin bir ölçüsünü hesaplayarak, genellikle gradyan büyüklüğü gibi birinci dereceden türev ifadeyi hesaplamaktadır. Ardından gradyan büyüklüğünün yerel yönlü maksimumunu aramaktadır. Son adımda ise yerel yönelimin hesaplanmış bir tahminini kullanarak kenarları tespit etmektedir. Sıfır geçiş tabanlı yöntemler, genellikle Laplacian filtresinin sıfır geçişlerini veya doğrusal olmayan bir diferansiyel ifadenin sıfır geçişlerini bulmak için görüntüden hesaplanan ikinci dereceden bir türev ifadesinde sıfır geçişlerini aramaktadır. Kenar algılamaya yönelik bir ön işleme adımı olan, Gauss yumuşatma aşaması neredeyse her zaman uygulanmaktadır.
Yayınlanmış olan kenar algılama yöntemleri, esas olarak uygulanan yumuşatma filtrelerinin türleri ve kenar mukavemeti ölçülerinin hesaplanma şekli bakımından farklılık göstermektedir. Birçok kenar algılama yöntemi, görüntü gradyanlarının hesaplanmasına dayandığından, x ve y yönlerinde gradyan tahminlerini hesaplamak için kullanılmaktadır. Bu hesaplamalar filtre türlerinde de farklılık göstermektedir.
Bir dizi farklı kenar algılama yöntemine ilişkin araştırmalar (Ziou ve Tabbone 1998);
- Bilgisayar Bilimi ve Mühendisliği Ansiklopedisi'ndeki kenar algılama ile ilgili makaleler.
- Matematik Ansiklopedisi'ndeki kenar algılamayla ilgili makaleler.
Canny
John Canny, algılama, lokalizasyon ve tek bir kenara uygulanan çoklu tepkileri en aza indirmek için kriterleri verilen optimal bir yumuşatma filtresin uygulamayı düşünmekteydi Eldeki bilgiler verilen optimal filtrenin dört üstel terimin toplamı olduğunu göstermekteydi. Ayrıca, bu filtrenin gauss filtrelerinin birinci dereceden türevleri tarafından iyi bir şekilde tahmin edilebileceğini de gösterdi. Canny, ayrıca maksimum olmayan bastırma kavramını da tanıttı. Bu kavram, ön yumuşatma filtreleri uygulandığında, kenar noktalarının, gradyan büyüklüğünün gradyan yönünde yerel bir maksimum kabul ettiği noktalar olarak tanımlandığını açıklamaktaydı. Gradyan yönü boyunca 2. türevin sıfır geçişini aramak ilk olarak Haralick tarafından önerilmişti. Bu uygulamayı Marr-Hildreth (Laplacian'ın sıfır geçiş filtresine) kenar dedektörüne bağlayan modern bir geometrik varyasyonel anlam bulmak yaklaşık 20 yıl sürdü. Bu gözlem, Ron Kimmel ve Alfred Bruckstein tarafından sunuldu.
Bu çalışmalar bilgisayarlı görmenin ilk zamanlarında yapılmış olmasına rağmen, Canny kenar dedektörü (varyasyonları dahil) hala son teknoloji bir kenar dedektör olarak bilinmektedir. Canny'den daha iyi performans gösteren kenar dedektörleri genellikle daha uzun hesaplama süreleri veya daha fazla sayıda parametre içremesi gerektirmektedir.
Canny-Deriche detektörü, ayrı bir bakış açısından başlayıp daha sonra üstel filtreler veya Gauss filtreleri yerine görüntü yumuşatma için bir dizi özyinelemeli filtreye yol açmasına rağmen, Canny kenar dedektörü ile benzer matematiksel kriterlerden türetilmiştir.
Diğer birinci dereceden yöntemler
Giriş görüntüsünden veya düzleştirilmiş bir versiyonundan görüntü gradyanlarını tahmin etmek için farklı gradyan operatörleri uygulanmaktadır. En basit yaklaşım, merkezi farklılıkları kullanmaktır:
Aşağıdaki ifadeler, filtre maskelerinin görüntü verilerine uygulanmasına karşılık gelmektedir:
İyi bilinen ve daha önceki Sobel operatörü aşağıdaki filtrelere dayanmaktadır:
Birinci dereceden görüntü türevlerinin bu tür tahminleri göz önüne alındığında, gradyan büyüklüğü şu şekilde hesaplanır:
Gradyan yönü ise aşağıdaki ifade ile bulunmaktadır:
Prewitt, Roberts cross, Kayyali 19 Ocak 2019 tarihinde Wayback Machine sitesinde . e Frei-Chen operatörlerinde görüntünün gradyanını tahmin etmek için diğer birinci dereceden fark operatörleri kullanılmaktadır.
Düşük SNR görüntüsünde kenar tanıma sorununu önlemek için filtre boyutunu genişletmek mümkündür. Bu işlemin maliyeti çözüm açısından kayıp yaratmaktadır.
Eşik oluşturma ve bağlama
Kenar kuvvetinin bir ölçüsünü hesapladıktan sonra, bir görüntü noktasında kenarların bulunup bulunmadığına karar vermek için bir eşik uygulanmaktır. Eşik ne kadar düşükse, o kadar fazla kenar algılanmaktadır. Sonuç olarak ise gürültüye ve görüntüdeki ilgisiz özelliklerin kenarlarını tespit etmeye giderek daha duyarlı hale gelmektedir. Tersine, yüksek bir eşik, ince kenarları kaçırabilir veya parçalanmış kenarlara neden olabilmektedir.
Eşik sadece gradyan büyüklük görüntüsüne uygulanırsa, elde edilen kenarların daha kalın olması beklenmektedir. Bir tür kenar inceltme sonrası işlemene gerek duymaktadır. Maksimum olmayanı bastırma ile tespit edilen kenarlar, kenar eğrileri tanımı gereği ince hale gelmektedir. Kenar pikselleri, bir kenar bağlama (kenar izleme) prosedürü ile kenar poligonuna bağlanabilir. Ayrık bir ızgarada, maksimum olmayanı bastırma aşaması, birinci dereceden türevler kullanılarak gradyan yönünü tahmin etmektedir. Ardından gradyan yönünü 45 derecenin katlarına yuvarlamaktedır. Son olarak tahmini gradyandaki büyüklüğünün değerlerini karşılaştırarak uygulanabilmektedir.
Eşikleme için uygun eşik sorununu halletmek için yaygın olarak kullanılan bir yaklaşım, histerezis ile eşikleme kullanmaktır. Bu yöntem, kenarları bulmak için birden çok eşik kullanır. Bir kenarın başlangıcını bulmak için üst eşiği kullanarak başlıyoruz. Bir başlangıç noktamız olduğunda, alt eşiğin üzerine çıktığımızda bir kenarı işaretleyerek, görüntü pikseli boyunca kenarın yolunu piksel piksel izleriz. Sınırımızı işaretlemeyi yalnızca değer alt eşiğimizin altına düştüğünde durdururuz. Bu yaklaşım, kenarların muhtemelen sürekli eğriler halinde olduğu varsayımını yapar ve görüntüdeki her gürültülü pikselin bir kenar olarak işaretlendiği anlamına gelmeden, daha önce gördüğümüz bir kenarın soluk bir bölümünü izlememize izin verir. Ancak yine de uygun eşikleme parametreleri seçme sorunumuz var ve uygun eşik değerleri görüntü üzerinde değişebilir.
İkinci dereceden yaklaşım methodları
Bazı kenar algılama operatörleri yoğunluğun ikinci dereceden türevlerine dayanmaktadır. Bu yoğunluk gradyanındaki değişim oranını yakalamaktadır. Bu nedenle, ideal sürekli durumda, ikinci türevdeki sıfır geçişlerin tespiti, gradyandaki yerel maksimumları yakalakmatadır.
Eski bir uygulama olan Marr-Hildreth filtresi, Gauss düzgünleştirilmiş bir görüntüye uygulanan Laplacian filtresinin sıfır geçişlerinin saptanmasına dayanmaktadır. Bununla birlikte, bu operatörün gradyan büyüklüğünün yerel minimumlarına karşılık gelen yanlış kenarları da döndüreceğini göstermektedir. Ayrıca, bu operatör kavisli kenarlarda zayıf lokalizasyon verecektir. Bu nedenle, bu operatör bugün esas olarak tarihsel ilgi çekmektedir.
Diferansiyel/ Türev Alma
Alt piksel doğruluğu ile kenarları otomatik olarak algılayan daha rafine bir ikinci dereceden kenar algılama yaklaşımı, gradyan yönünde ikinci dereceden yönlü türevin sıfır geçişlerini algılamak için aşağıdaki diferansiyel yaklaşımı kullanmaktadır:
Lindeberg tarafından önerilen maksimum olmayan bastırma gereksinimini ifade etmenin diferansiyel geometrik yolunda, her görüntü noktasına v-yönü gradyan yönüne paralel olan bir yerel koordinat sistemi (u,v) tanıtılmaktadır. Görüntünün Gauss yumuşatma ile önceden yumuşatıldığını ve ölçekte bir ölçek uzayı temsilinin hesaplandığını varsayarsak, birinciye eşit olan ölçek uzayı temsilinin L(x,y;t) gradyan büyüklüğüne ihtiyaç duyulmaktadır. V-yönündeki Lv sert yönlü türev, sıfıra eşit v-yönündeki birinci dereceden yönlü türevine sahip olmalıdır.
v -yönündeki ikinci dereceden Lv yönlü türev negatif olmalıdır, yani:
, cinsinden yazılan yerel kısmi türevler cinsinden açık bir ifade olarak yazılan bu kenar tanımı, diferansiyel değişmezin sıfır geçiş eğrileri olarak ifade edilmektedir.
aşağıdaki diferansiyel değişmezde bir işaret koşulu sağlanmaktadır:
- where
orijinal görüntünün bir Gauss çekirdeği ile yumuşatılmasıyla elde edilen bir ölçek uzayı temsilinden L hesaplanan kısmi türevleri belirtilmektedir. Bu şekilde, kenarlar otomatik olarak alt piksel doğruluğu ile sürekli eğriler olarak elde edilmektedir. Histerezis eşikleme, bu diferansiyel ve alt piksel kenar segmentlerine de uygulanmaktadır.
Uygulamada, birinci dereceden türev yaklaşımları, yukarıda açıklandığı gibi merkezi farklarla hesaplanabilirken, ikinci dereceden türevler, aşağıdaki ifadelere göre ölçek alanı temsili L'den hesaplanabilir:
Aşağıdaki ifadeler, filtre maskelerine karşılık gelmektedir.
Üçüncü mertebeden işaret koşulu için daha yüksek mertebeden türevler benzer bir şekilde elde edilmektedirler.
Faz merkezli taban
Kenar algılama tekniklerindeki yeni bir gelişmeye örnek, kenar konumlarını bulmak için bir frekans alanı yaklaşımını benimsemesi verilebilir. Faz uyumu yöntemleri, bir görüntüde frekans alanındaki tüm sinüzoidlerin fazda olduğu yerleri bulmaya çalışmaktadır. Bu konumlar, kenarın uzamsal alandaki yoğunlukta büyük bir değişiklikle temsil edilip edilmediğine bakılmaksızın, genellikle algılanan bir kenarın konumuna karşılık gelmektedir. Bu tekniğin önemli bir faydası, Mach bantlarına güçlü bir şekilde tepki vermesi ve tipik olarak çatı kenarlarında bulunan yanlış pozitiflerden kaçınmasıdır. Bir çatı kenarı, gri seviyeli bir profilin birinci dereceden türevinde bir süreksizlik sağlamaktadır.
Fizikte kenar algılama
Faz gerdirme dönüşümü veya PST, sinyal ve görüntü işlemeye yönelik fizikten ilham alan bir hesaplama yaklaşımıdır. Yardımcı programlarından biri, özellik algılama ve sınıflandırma için kullanılmaktadır. PST, zaman uzatmalı dağıtmalı Fourier dönüşümü üzerine yapılan araştırmanın bir yan ürünüdür. PST, tasarlanmış 3B dağılım özelliğine (kırılma indeksi) sahip bir kırınım ortamı aracılığıyla yayılmayı taklit ederek görüntüyü dönüştürmektedir. İşlem, dağılım profilinin simetrisine dayanmaktadır. Ayrıca dağılımın öz fonksiyonları veya gerilme modları açısından anlaşılabilmektedir. Ancak dijital görüntülerde PST, faz kontrast mikroskobu ile benzer işlevleri yerine getirmektedir. PST, dijital görüntülerin yanı sıra zamansal, zaman serileri ve verilere de uygulanmaktadır.
Alt Piksel
Kenar algılamanın kesinliğini artırmak için, eğri uydurma, moment tabanlı, yeniden yapılandırma ve kısmi alan etkisi yöntemleri dahil olmak üzere çeşitli alt piksel teknikleri önerilmektedir. Bu yöntemlerin farklı özellikleri mevcuttur. Eğri uydurma yöntemleri hesaplama açısından basittir ancak gürültüden kolayca etkilenmektedir. Moment tabanlı yöntemler, gürültünün etkisini azaltmak için integral tabanlı bir yaklaşım kullanmaktadır. Ancak bazı durumlarda daha fazla hesaplama gerekmektedir. Yeniden yapılandırma yöntemleri, bir eğri oluşturmak ve eğrinin tepe noktasını alt piksel kenarı olarak bulmak için yatay gradyanlar veya dikey gradyanlar kullanmaktadır. Kısmi alan etkisi yöntemleri, her piksel değerinin, o pikselin içindeki kenarın her iki yanındaki alana bağlı olduğu ve her kenar pikseli için doğru bireysel tahmin ürettiği hipotezine dayanmaktadır. Moment tabanlı tekniğin bazı varyantlarının, izole edilmiş kenarlar için en doğru olduğu gösterilmektedir.
Kaynakça
- ^ Aziz, Mochamad Vicky Ghani; Prihatmanto, Ary Setijadi; Hindersah, Hilwadi (1 Ekim 2017). "Implementation of lane detection algorithm for self-driving car on toll road cipularang using Python language". 2017 4th International Conference on Electric Vehicular Technology (ICEVT): 144-148. doi:10.1109/ICEVT.2017.8323550.
- ^ Barrow, H.G.; Tenenbaum, J.M. (1 Ağustos 1981). "Interpreting line drawings as three-dimensional surfaces". Artificial Intelligence. 17 (1-3): 75-116. doi:10.1016/0004-3702(81)90021-7. ISSN 0004-3702.
- ^ . encyclopediaofmath.org. 13 Ocak 2015 tarihinde kaynağından arşivlendi. Erişim tarihi: 28 Mayıs 2021.
- ^ Lindeberg, Tony (1998). "Edge detection and ridge detection with automatic scale selection". International Journal of Computer Vision. 30 (2): 117-154.
- ^ a b c Kaynak hatası: Geçersiz
<ref>
etiketi;lin98
isimli refler için metin sağlanmadı (Bkz: ) - ^ W. Zhang and F. Bergholm (1997) "Multi-scale blur estimation and edge type classification for scene analysis 3 Haziran 2018 tarihinde Wayback Machine sitesinde .", International Journal of Computer Vision, vol 24, issue 3, Pages: 219–250.
- ^ D. Ziou and S. Tabbone (1998) "", International Journal of Pattern Recognition and Image Analysis, 8(4):537–559, 1998
- ^ "J. M. Park and Y. Lu (2008) "Edge detection in grayscale, color, and range images", in B. W. Wah (editor) Encyclopedia of Computer Science and Engineering, doi 10.1002/9780470050118.ecse603". 3 Mart 2010 tarihinde kaynağından . Erişim tarihi: 29 Mayıs 2021.
- ^ Kaynak hatası: Geçersiz
<ref>
etiketi;lin95
isimli refler için metin sağlanmadı (Bkz: ) - ^ J. Canny (1986) "A computational approach to edge detection 27 Şubat 2021 tarihinde Wayback Machine sitesinde .", IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 8, pages 679–714.
- ^ R. Haralick, (1984) "Digital step edges from zero crossing of second directional derivatives 8 Ekim 2019 tarihinde Wayback Machine sitesinde .", IEEE Transactions on Pattern Analysis and Machine Intelligence, 6(1):58–68.
- ^ "R. Kimmel and A.M. Bruckstein (2003) "On regularized Laplacian zero crossings and other optimal edge integrators", International Journal of Computer Vision, 53(3) pages 225–243." (PDF). 8 Mart 2021 tarihinde kaynağından (PDF). Erişim tarihi: 29 Mayıs 2021.
- ^ & Stockman G. C. (2001) Computer Vision. London etc.: Prentice Hall, Page 326.
- ^ R. Deriche (1987) Using Canny's criteria to derive an optimal edge detector recursively implemented, Int. J. Computer Vision, vol 1, pages 167–187.
- ^ Dim, Jules R.; Takamura, Tamio (11 Aralık 2013). . Advances in Meteorology (İngilizce). 21 Haziran 2015 tarihinde kaynağından arşivlendi. Erişim tarihi: 29 Mayıs 2021.
- ^ "T. Lindeberg (1993) "Discrete derivative approximations with scale-space properties: A basis for low-level feature extraction", J. of Mathematical Imaging and Vision, 3(4), pages 349–376". 2 Haziran 2021 tarihinde kaynağından . Erişim tarihi: 29 Mayıs 2021.
- ^ T. Pajdla and V. Hlavac (1993) "Surface discontinuities in range images 16 Haziran 2018 tarihinde Wayback Machine sitesinde .," in Proc IEEE 4th Int. Conf. Comput. Vision, pp. 524–528.
- ^ M. H. Asghari, and B. Jalali, "Edge detection in digital images using dispersive phase stretch," International Journal of Biomedical Imaging, Vol. 2015, Article ID 687819, pp. 1–6 (2015).
- ^ M. H. Asghari, and B. Jalali, "Physics-inspired image edge detection 8 Ekim 2019 tarihinde Wayback Machine sitesinde .," IEEE Global Signal and Information Processing Symposium (GlobalSIP 2014), paper: WdBD-L.1, Atlanta, December 2014.
- ^ B. Jalali and A. Mahjoubfar, "Tailoring Wideband Signals With a Photonic Hardware Accelerator," Proceedings of the IEEE, Vol. 103, No. 7, pp. 1071–1086 (2015).
- ^ Ghosal, S.; Mehrota, R (1 Ocak 1993). "Orthogonal Moment Operators for Subpixel Edge Detection". Pattern Recognition. 26 (2): 295-306. doi:10.1016/0031-3203(93)90038-X.
- ^ a b Christian, John (1 Ocak 2017). "Accurate Planetary Limb Localization for Image-Based Spacecraft Navigation". Journal of Spacecraft and Rockets. 54 (3): 708-730. Bibcode:2017JSpRo..54..708C. doi:10.2514/1.A33692.
- ^ "Accurate subpixel edge location based on partial area effect". Image and Vision Computing (İngilizce). 31 (1): 72-90. 1 Ocak 2013. doi:10.1016/j.imavis.2012.10.005. ISSN 0262-8856. 2 Haziran 2021 tarihinde kaynağından . Erişim tarihi: 29 Mayıs 2021.
wikipedia, wiki, viki, vikipedia, oku, kitap, kütüphane, kütübhane, ara, ara bul, bul, herşey, ne arasanız burada,hikayeler, makale, kitaplar, öğren, wiki, bilgi, tarih, yukle, izle, telefon için, turk, türk, türkçe, turkce, nasıl yapılır, ne demek, nasıl, yapmak, yapılır, indir, ücretsiz, ücretsiz indir, bedava, bedava indir, mp3, video, mp4, 3gp, jpg, jpeg, gif, png, resim, müzik, şarkı, film, film, oyun, oyunlar, mobil, cep telefonu, telefon, android, ios, apple, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, pc, web, computer, bilgisayar
Kenar algilama dijital bir goruntude goruntu parlakliginin keskin bir sekilde degistigi veya daha resmi olarak sureksizliklerin oldugu noktalari tanimlamayi amaclayan cesitli yontemdir Icerisinde cesitli matematiksel yontemleri barindirmakta ve goruntu parlakliginin keskin bir sekilde degistigi noktalar tipik olarak kenarlar adi verilen bir dizi egri cizgi parcasi halinde duzenlenmektedir Tek boyutlu sinyallerde sureksizlikleri bulmanin ayni problemi adim tespiti olarak bilinmektedir Zaman icinde sinyal sureksizliklerini bulma problemi degisiklik tespiti olarak bilinir Kenar algilama goruntu isleme makine gorusu bilgisayarla gorme ve ozellikle ozellik algilama ile ozellik cikarma alanlarinda temel bir aractir AmacGoruntu parlakligindaki keskin degisiklikleri tespit etmenin amaci dunyanin ozelliklerindeki onemli olaylari ve degisiklikleri yakalamaktir Yani kisaca amac nesne tespitidir Bir goruntu olusturma modeli icin oldukca genel varsayimlar isiginda goruntu parlakligindaki sureksizliklerin artip azalmalarin muhtemelen asagidaki maddelere karsilik geldigi gosterilebilir Derinlikteki sureksizlikler yuzey yonelimindeki sureksizlikler malzeme ozelliklerindeki degisiklikler ve sahne aydinlatmasindaki farkliliklar Bir goruntuye bir kenar detektoru uygulamasinin sonucunda nesnelerin sinirlarina yuzey isaretlerinin sinirlarina ve ayrica yuzey yonelimindeki sureksizliklere karsilik gelen egrileri gosteren bir dizi baglantili egriye yol olusturulmaktadir Bu nedenle bir goruntuye bir kenar algilama algoritmasi uygulamak islenecek veri miktarini onemli olcude azaltmaktadir Ayrica bir goruntunun onemli yapisal ozelliklerini korurken daha az ilgili olarak kabul edilebilecek bilgileri filtrelemektedir Kenar saptama adimi basarili olursa orijinal goruntudeki bilgi iceriklerini yorumlamanin sonraki gorevi bu nedenle buyuk olcude basitlestirilebilmektedir Bununla birlikte orta duzeyde karmasikliga sahip gercek hayat goruntulerden bu tur ideal kenarlari elde etmek her zaman mumkun olmamaktadir Onemsiz goruntulerden cikarilan kenarlar genellikle parcalanma nedeniyle engellenir Kenar egrileri birbirine bagli degildir eksik kenar bolumlemeleri segmentleri ve goruntudeki ilginc olgulara karsilik gelmeyen yanlis kenarlarin yani sira eksik kenar parcalarinin olmadigi anlamina gelir Bu nedenle goruntu verilerinin yorumlanmasi sonraki gorevi karmakarisik bir hal almaktadir Kenar ozellikleriUc boyutlu bir sahnenin iki boyutlu bir goruntusunden cikarilan kenarlar bakis acisina bagli veya bagimsiz olarak siniflandirilabilir Bakis acisindan bagimsiz bir kenar tipik olarak uc boyutlu nesnelerin yuzey isaretleri ve yuzey sekli gibi dogal ozelliklerini yansitmaktadir Bakis acisina bagli bir kenar bakis acisi degistikce degismektedir Ayrica tipik olarak birbirini kapatan nesneler gibi sahnenin geometrisini yansitmaktadir Tipik bir kenar ornegin bir kirmizi renk blogu ile bir sari blok arasindaki sinir olabilir Bir cizgi degismeyen bir arka plan uzerindeki farkli bir renkteki az sayida piksel olabilir Bu nedenle genellikle cizginin her iki tarafinda bir kenar bulunmaktadir Basit bir kenar modeliBazi arastirmacilar kenarlarinin tespitinin ideal basamaklarla oldugunu dusunse de dogal goruntulerden elde edilen kenarlar genellikle ideal basamak kenarlari degildir Bunun yerine normalde asagidaki etkilerden bir veya birkacindan etkilenirler sonlu bir alan derinligi ve sonlu nokta yayilma fonksiyonunun neden oldugu bir odak bulanikligi sifir yaricapli olmayan isik kaynaklari tarafindan olusturulan golgelerin neden oldugu yari golgeli bir bulaniklik ve duzgun bir nesnede golgeleme Birkac arastirmaci pratik uygulamalarda kenar bulanikliginin etkilerini modellemek icin ideal adim kenar modelinin en basit uzantisi olarak Gauss duzgunlestirilmis adim kenarini kullanmaktadir Boylece x 0 da tam olarak bir kenari olan tek boyutlu bir f goruntusu su sekilde modellenmektedir f x Ir Iℓ2 erf x2s 1 Iℓ displaystyle f x frac I r I ell 2 left operatorname erf left frac x sqrt 2 sigma right 1 right I ell Kenarin sol tarafinda yogunluk Iℓ limx f x displaystyle I ell lim x rightarrow infty f x sag tarfindaki yogunluk ise Ir limx f x displaystyle I r lim x rightarrow infty f x ile ifade edilmektedir Olcek parametresine kenarin bulaniklik olcegi denir Ideal olarak bu olcek parametresi goruntunun gercek kenarlarini bozmamak icin goruntunun kalitesine gore ayarlanmaktadir Onemsiz bir gorev mi Kenar algilamanin onemsiz bir is olmadigini gostermek icin asagidaki tek boyutlu sinyalde kenarlari algilama problemi incelendiginde daha iyi aciklanmaktadir Burada sezgisel olarak 4 ve 5 pikseller arasinda bir kenar olmasi gerektigi soylenebilir 5 7 6 4 152 148 149 Eger 4 ve 5 pikseller arasindaki yogunluk farki daha kucuk olsaydi ve komsu pikseller arasindaki yogunluk farklari daha yuksek olsaydi piksellere karsilik gelen bolgede bir kenar olmasi gerektigi kolayca soylenememekteydi Ayrica bu durumun birkac kenarin oldugu bir durum oldugu iddia edilmektedir 5 7 6 41 113 148 149Bir fotografa uygulanan Canny Kenar Algilama Bu nedenle iki komsu piksel arasindaki yogunluk degisiminin ne kadar buyuk olmasi gerektigine dair belirli bir esigi kesin olarak belirtmek bu pikseller arasinda bir kenar olmasi gerektigini soylemek icin her zaman bu kadar rahat olmamaktadir Aslinda sahnedeki nesneler ozellikle basit olmadikca ve aydinlatma kosullari iyi kontrol edilemedikce kenar algilamanin onemsiz bir sorun olarak gorulmektedir Ornegin yandaki kizin goruntusunden cikarilan kenarlara bakildiginda sadece istenilen kenarlara ulasildigi gorulmektedir MetodlarKenar tespiti icin bircok yontem vardir Bunlarin cogu arama tabanli ve sifir gecis tabanli olmak uzere iki kategoride gruplandirilabilir Arama tabanli yontemler once kenar kuvvetinin bir olcusunu hesaplayarak genellikle gradyan buyuklugu gibi birinci dereceden turev ifadeyi hesaplamaktadir Ardindan gradyan buyuklugunun yerel yonlu maksimumunu aramaktadir Son adimda ise yerel yonelimin hesaplanmis bir tahminini kullanarak kenarlari tespit etmektedir Sifir gecis tabanli yontemler genellikle Laplacian filtresinin sifir gecislerini veya dogrusal olmayan bir diferansiyel ifadenin sifir gecislerini bulmak icin goruntuden hesaplanan ikinci dereceden bir turev ifadesinde sifir gecislerini aramaktadir Kenar algilamaya yonelik bir on isleme adimi olan Gauss yumusatma asamasi neredeyse her zaman uygulanmaktadir Yayinlanmis olan kenar algilama yontemleri esas olarak uygulanan yumusatma filtrelerinin turleri ve kenar mukavemeti olculerinin hesaplanma sekli bakimindan farklilik gostermektedir Bircok kenar algilama yontemi goruntu gradyanlarinin hesaplanmasina dayandigindan x ve y yonlerinde gradyan tahminlerini hesaplamak icin kullanilmaktadir Bu hesaplamalar filtre turlerinde de farklilik gostermektedir Bir dizi farkli kenar algilama yontemine iliskin arastirmalar Ziou ve Tabbone 1998 Bilgisayar Bilimi ve Muhendisligi Ansiklopedisi ndeki kenar algilama ile ilgili makaleler Matematik Ansiklopedisi ndeki kenar algilamayla ilgili makaleler Canny John Canny algilama lokalizasyon ve tek bir kenara uygulanan coklu tepkileri en aza indirmek icin kriterleri verilen optimal bir yumusatma filtresin uygulamayi dusunmekteydi Eldeki bilgiler verilen optimal filtrenin dort ustel terimin toplami oldugunu gostermekteydi Ayrica bu filtrenin gauss filtrelerinin birinci dereceden turevleri tarafindan iyi bir sekilde tahmin edilebilecegini de gosterdi Canny ayrica maksimum olmayan bastirma kavramini da tanitti Bu kavram on yumusatma filtreleri uygulandiginda kenar noktalarinin gradyan buyuklugunun gradyan yonunde yerel bir maksimum kabul ettigi noktalar olarak tanimlandigini aciklamaktaydi Gradyan yonu boyunca 2 turevin sifir gecisini aramak ilk olarak Haralick tarafindan onerilmisti Bu uygulamayi Marr Hildreth Laplacian in sifir gecis filtresine kenar dedektorune baglayan modern bir geometrik varyasyonel anlam bulmak yaklasik 20 yil surdu Bu gozlem Ron Kimmel ve Alfred Bruckstein tarafindan sunuldu Bu calismalar bilgisayarli gormenin ilk zamanlarinda yapilmis olmasina ragmen Canny kenar dedektoru varyasyonlari dahil hala son teknoloji bir kenar dedektor olarak bilinmektedir Canny den daha iyi performans gosteren kenar dedektorleri genellikle daha uzun hesaplama sureleri veya daha fazla sayida parametre icremesi gerektirmektedir Canny Deriche detektoru ayri bir bakis acisindan baslayip daha sonra ustel filtreler veya Gauss filtreleri yerine goruntu yumusatma icin bir dizi ozyinelemeli filtreye yol acmasina ragmen Canny kenar dedektoru ile benzer matematiksel kriterlerden turetilmistir Diger birinci dereceden yontemler Giris goruntusunden veya duzlestirilmis bir versiyonundan goruntu gradyanlarini tahmin etmek icin farkli gradyan operatorleri uygulanmaktadir En basit yaklasim merkezi farkliliklari kullanmaktir Lx x y 12L x 1 y 0 L x y 12 L x 1 y Ly x y 12L x y 1 0 L x y 12 L x y 1 displaystyle begin aligned L x x y amp frac 1 2 L x 1 y 0 cdot L x y frac 1 2 cdot L x 1 y 8pt L y x y amp frac 1 2 L x y 1 0 cdot L x y frac 1 2 cdot L x y 1 end aligned Asagidaki ifadeler filtre maskelerinin goruntu verilerine uygulanmasina karsilik gelmektedir Lx 1 20 1 2 LandLy 1 20 1 2 L displaystyle L x begin bmatrix 1 2 amp 0 amp 1 2 end bmatrix L quad text and quad L y begin bmatrix 1 2 0 1 2 end bmatrix L Iyi bilinen ve daha onceki Sobel operatoru asagidaki filtrelere dayanmaktadir Lx 10 1 20 2 10 1 LandLy 1 2 1000 1 2 1 L displaystyle L x begin bmatrix 1 amp 0 amp 1 2 amp 0 amp 2 1 amp 0 amp 1 end bmatrix L quad text and quad L y begin bmatrix 1 amp 2 amp 1 0 amp 0 amp 0 1 amp 2 amp 1 end bmatrix L Birinci dereceden goruntu turevlerinin bu tur tahminleri goz onune alindiginda gradyan buyuklugu su sekilde hesaplanir L Lx2 Ly2 displaystyle nabla L sqrt L x 2 L y 2 Gradyan yonu ise asagidaki ifade ile bulunmaktadir 8 atan2 Ly Lx displaystyle theta operatorname atan2 L y L x Prewitt Roberts cross Kayyali 19 Ocak 2019 tarihinde Wayback Machine sitesinde e Frei Chen operatorlerinde goruntunun gradyanini tahmin etmek icin diger birinci dereceden fark operatorleri kullanilmaktadir Dusuk SNR goruntusunde kenar tanima sorununu onlemek icin filtre boyutunu genisletmek mumkundur Bu islemin maliyeti cozum acisindan kayip yaratmaktadir Esik olusturma ve baglama Kenar kuvvetinin bir olcusunu hesapladiktan sonra bir goruntu noktasinda kenarlarin bulunup bulunmadigina karar vermek icin bir esik uygulanmaktir Esik ne kadar dusukse o kadar fazla kenar algilanmaktadir Sonuc olarak ise gurultuye ve goruntudeki ilgisiz ozelliklerin kenarlarini tespit etmeye giderek daha duyarli hale gelmektedir Tersine yuksek bir esik ince kenarlari kacirabilir veya parcalanmis kenarlara neden olabilmektedir Esik sadece gradyan buyukluk goruntusune uygulanirsa elde edilen kenarlarin daha kalin olmasi beklenmektedir Bir tur kenar inceltme sonrasi islemene gerek duymaktadir Maksimum olmayani bastirma ile tespit edilen kenarlar kenar egrileri tanimi geregi ince hale gelmektedir Kenar pikselleri bir kenar baglama kenar izleme proseduru ile kenar poligonuna baglanabilir Ayrik bir izgarada maksimum olmayani bastirma asamasi birinci dereceden turevler kullanilarak gradyan yonunu tahmin etmektedir Ardindan gradyan yonunu 45 derecenin katlarina yuvarlamaktedir Son olarak tahmini gradyandaki buyuklugunun degerlerini karsilastirarak uygulanabilmektedir Esikleme icin uygun esik sorununu halletmek icin yaygin olarak kullanilan bir yaklasim histerezis ile esikleme kullanmaktir Bu yontem kenarlari bulmak icin birden cok esik kullanir Bir kenarin baslangicini bulmak icin ust esigi kullanarak basliyoruz Bir baslangic noktamiz oldugunda alt esigin uzerine ciktigimizda bir kenari isaretleyerek goruntu pikseli boyunca kenarin yolunu piksel piksel izleriz Sinirimizi isaretlemeyi yalnizca deger alt esigimizin altina dustugunde durdururuz Bu yaklasim kenarlarin muhtemelen surekli egriler halinde oldugu varsayimini yapar ve goruntudeki her gurultulu pikselin bir kenar olarak isaretlendigi anlamina gelmeden daha once gordugumuz bir kenarin soluk bir bolumunu izlememize izin verir Ancak yine de uygun esikleme parametreleri secme sorunumuz var ve uygun esik degerleri goruntu uzerinde degisebilir Ikinci dereceden yaklasim methodlari Bazi kenar algilama operatorleri yogunlugun ikinci dereceden turevlerine dayanmaktadir Bu yogunluk gradyanindaki degisim oranini yakalamaktadir Bu nedenle ideal surekli durumda ikinci turevdeki sifir gecislerin tespiti gradyandaki yerel maksimumlari yakalakmatadir Eski bir uygulama olan Marr Hildreth filtresi Gauss duzgunlestirilmis bir goruntuye uygulanan Laplacian filtresinin sifir gecislerinin saptanmasina dayanmaktadir Bununla birlikte bu operatorun gradyan buyuklugunun yerel minimumlarina karsilik gelen yanlis kenarlari da dondurecegini gostermektedir Ayrica bu operator kavisli kenarlarda zayif lokalizasyon verecektir Bu nedenle bu operator bugun esas olarak tarihsel ilgi cekmektedir Diferansiyel Turev Alma Alt piksel dogrulugu ile kenarlari otomatik olarak algilayan daha rafine bir ikinci dereceden kenar algilama yaklasimi gradyan yonunde ikinci dereceden yonlu turevin sifir gecislerini algilamak icin asagidaki diferansiyel yaklasimi kullanmaktadir Lindeberg tarafindan onerilen maksimum olmayan bastirma gereksinimini ifade etmenin diferansiyel geometrik yolunda her goruntu noktasina v yonu gradyan yonune paralel olan bir yerel koordinat sistemi u v tanitilmaktadir Goruntunun Gauss yumusatma ile onceden yumusatildigini ve olcekte bir olcek uzayi temsilinin hesaplandigini varsayarsak birinciye esit olan olcek uzayi temsilinin L x y t gradyan buyuklugune ihtiyac duyulmaktadir V yonundeki Lv sert yonlu turev sifira esit v yonundeki birinci dereceden yonlu turevine sahip olmalidir v Lv 0 displaystyle partial v L v 0 v yonundeki ikinci dereceden Lv yonlu turev negatif olmalidir yani vv Lv 0 displaystyle partial vv L v leq 0 Lx Ly Lyyy displaystyle L x L y ldots L yyy cinsinden yazilan yerel kismi turevler cinsinden acik bir ifade olarak yazilan bu kenar tanimi diferansiyel degismezin sifir gecis egrileri olarak ifade edilmektedir Lv2Lvv Lx2Lxx 2LxLyLxy Ly2Lyy 0 displaystyle L v 2 L vv L x 2 L xx 2 L x L y L xy L y 2 L yy 0 asagidaki diferansiyel degismezde bir isaret kosulu saglanmaktadir Lv3Lvvv Lx3Lxxx 3Lx2LyLxxy 3LxLy2Lxyy Ly3Lyyy 0 displaystyle L v 3 L vvv L x 3 L xxx 3 L x 2 L y L xxy 3 L x L y 2 L xyy L y 3 L yyy leq 0 where Lx Ly Lyyy displaystyle L x L y ldots L yyy orijinal goruntunun bir Gauss cekirdegi ile yumusatilmasiyla elde edilen bir olcek uzayi temsilinden L hesaplanan kismi turevleri belirtilmektedir Bu sekilde kenarlar otomatik olarak alt piksel dogrulugu ile surekli egriler olarak elde edilmektedir Histerezis esikleme bu diferansiyel ve alt piksel kenar segmentlerine de uygulanmaktadir Uygulamada birinci dereceden turev yaklasimlari yukarida aciklandigi gibi merkezi farklarla hesaplanabilirken ikinci dereceden turevler asagidaki ifadelere gore olcek alani temsili L den hesaplanabilir Lxx x y L x 1 y 2L x y L x 1 y Lxy x y 14 L x 1 y 1 L x 1 y 1 L x 1 y 1 L x 1 y 1 Lyy x y L x y 1 2L x y L x y 1 displaystyle begin aligned L xx x y amp L x 1 y 2L x y L x 1 y 6pt L xy x y amp frac 1 4 L x 1 y 1 L x 1 y 1 L x 1 y 1 L x 1 y 1 6pt L yy x y amp L x y 1 2L x y L x y 1 end aligned Asagidaki ifadeler filtre maskelerine karsilik gelmektedir Lxx 1 21 LandLxy 1 401 40001 40 1 4 LandLyy 1 21 L displaystyle L xx begin bmatrix 1 amp 2 amp 1 end bmatrix L quad text and quad L xy begin bmatrix 1 4 amp 0 amp 1 4 0 amp 0 amp 0 1 4 amp 0 amp 1 4 end bmatrix L quad text and quad L yy begin bmatrix 1 2 1 end bmatrix L Ucuncu mertebeden isaret kosulu icin daha yuksek mertebeden turevler benzer bir sekilde elde edilmektedirler Faz merkezli taban Kenar algilama tekniklerindeki yeni bir gelismeye ornek kenar konumlarini bulmak icin bir frekans alani yaklasimini benimsemesi verilebilir Faz uyumu yontemleri bir goruntude frekans alanindaki tum sinuzoidlerin fazda oldugu yerleri bulmaya calismaktadir Bu konumlar kenarin uzamsal alandaki yogunlukta buyuk bir degisiklikle temsil edilip edilmedigine bakilmaksizin genellikle algilanan bir kenarin konumuna karsilik gelmektedir Bu teknigin onemli bir faydasi Mach bantlarina guclu bir sekilde tepki vermesi ve tipik olarak cati kenarlarinda bulunan yanlis pozitiflerden kacinmasidir Bir cati kenari gri seviyeli bir profilin birinci dereceden turevinde bir sureksizlik saglamaktadir Fizikte kenar algilama Faz Uzatma Donusumu PST kullanilarak bir goruntude St Paul Katedrali Londra ozellik gelistirme kenar algilama Sol panel orijinal goruntuyu sag panel ise PST kullanilarak algilanan ozellikleri gostermektedir Faz gerdirme donusumu veya PST sinyal ve goruntu islemeye yonelik fizikten ilham alan bir hesaplama yaklasimidir Yardimci programlarindan biri ozellik algilama ve siniflandirma icin kullanilmaktadir PST zaman uzatmali dagitmali Fourier donusumu uzerine yapilan arastirmanin bir yan urunudur PST tasarlanmis 3B dagilim ozelligine kirilma indeksi sahip bir kirinim ortami araciligiyla yayilmayi taklit ederek goruntuyu donusturmektedir Islem dagilim profilinin simetrisine dayanmaktadir Ayrica dagilimin oz fonksiyonlari veya gerilme modlari acisindan anlasilabilmektedir Ancak dijital goruntulerde PST faz kontrast mikroskobu ile benzer islevleri yerine getirmektedir PST dijital goruntulerin yani sira zamansal zaman serileri ve verilere de uygulanmaktadir Alt Piksel Kenar algilamanin kesinligini artirmak icin egri uydurma moment tabanli yeniden yapilandirma ve kismi alan etkisi yontemleri dahil olmak uzere cesitli alt piksel teknikleri onerilmektedir Bu yontemlerin farkli ozellikleri mevcuttur Egri uydurma yontemleri hesaplama acisindan basittir ancak gurultuden kolayca etkilenmektedir Moment tabanli yontemler gurultunun etkisini azaltmak icin integral tabanli bir yaklasim kullanmaktadir Ancak bazi durumlarda daha fazla hesaplama gerekmektedir Yeniden yapilandirma yontemleri bir egri olusturmak ve egrinin tepe noktasini alt piksel kenari olarak bulmak icin yatay gradyanlar veya dikey gradyanlar kullanmaktadir Kismi alan etkisi yontemleri her piksel degerinin o pikselin icindeki kenarin her iki yanindaki alana bagli oldugu ve her kenar pikseli icin dogru bireysel tahmin urettigi hipotezine dayanmaktadir Moment tabanli teknigin bazi varyantlarinin izole edilmis kenarlar icin en dogru oldugu gosterilmektedir Anjiyografik bir goruntude kenar algilama Sol tarafta piksel seviyesinde kenar tespiti yapilmaktadir Sagda alt piksel kenar algilama pikselin icindeki kenari tam olarak konumlandirmaktadir Kaynakca Aziz Mochamad Vicky Ghani Prihatmanto Ary Setijadi Hindersah Hilwadi 1 Ekim 2017 Implementation of lane detection algorithm for self driving car on toll road cipularang using Python language 2017 4th International Conference on Electric Vehicular Technology ICEVT 144 148 doi 10 1109 ICEVT 2017 8323550 Barrow H G Tenenbaum J M 1 Agustos 1981 Interpreting line drawings as three dimensional surfaces Artificial Intelligence 17 1 3 75 116 doi 10 1016 0004 3702 81 90021 7 ISSN 0004 3702 encyclopediaofmath org 13 Ocak 2015 tarihinde kaynagindan arsivlendi Erisim tarihi 28 Mayis 2021 Lindeberg Tony 1998 Edge detection and ridge detection with automatic scale selection International Journal of Computer Vision 30 2 117 154 a b c Kaynak hatasi Gecersiz lt ref gt etiketi lin98 isimli refler icin metin saglanmadi Bkz Kaynak gosterme W Zhang and F Bergholm 1997 Multi scale blur estimation and edge type classification for scene analysis 3 Haziran 2018 tarihinde Wayback Machine sitesinde International Journal of Computer Vision vol 24 issue 3 Pages 219 250 D Ziou and S Tabbone 1998 International Journal of Pattern Recognition and Image Analysis 8 4 537 559 1998 J M Park and Y Lu 2008 Edge detection in grayscale color and range images in B W Wah editor Encyclopedia of Computer Science and Engineering doi 10 1002 9780470050118 ecse603 3 Mart 2010 tarihinde kaynagindan Erisim tarihi 29 Mayis 2021 Kaynak hatasi Gecersiz lt ref gt etiketi lin95 isimli refler icin metin saglanmadi Bkz Kaynak gosterme J Canny 1986 A computational approach to edge detection 27 Subat 2021 tarihinde Wayback Machine sitesinde IEEE Transactions on Pattern Analysis and Machine Intelligence vol 8 pages 679 714 R Haralick 1984 Digital step edges from zero crossing of second directional derivatives 8 Ekim 2019 tarihinde Wayback Machine sitesinde IEEE Transactions on Pattern Analysis and Machine Intelligence 6 1 58 68 R Kimmel and A M Bruckstein 2003 On regularized Laplacian zero crossings and other optimal edge integrators International Journal of Computer Vision 53 3 pages 225 243 PDF 8 Mart 2021 tarihinde kaynagindan PDF Erisim tarihi 29 Mayis 2021 amp Stockman G C 2001 Computer Vision London etc Prentice Hall Page 326 R Deriche 1987 Using Canny s criteria to derive an optimal edge detector recursively implemented Int J Computer Vision vol 1 pages 167 187 Dim Jules R Takamura Tamio 11 Aralik 2013 Advances in Meteorology Ingilizce 21 Haziran 2015 tarihinde kaynagindan arsivlendi Erisim tarihi 29 Mayis 2021 T Lindeberg 1993 Discrete derivative approximations with scale space properties A basis for low level feature extraction J of Mathematical Imaging and Vision 3 4 pages 349 376 2 Haziran 2021 tarihinde kaynagindan Erisim tarihi 29 Mayis 2021 T Pajdla and V Hlavac 1993 Surface discontinuities in range images 16 Haziran 2018 tarihinde Wayback Machine sitesinde in Proc IEEE 4th Int Conf Comput Vision pp 524 528 M H Asghari and B Jalali Edge detection in digital images using dispersive phase stretch International Journal of Biomedical Imaging Vol 2015 Article ID 687819 pp 1 6 2015 M H Asghari and B Jalali Physics inspired image edge detection 8 Ekim 2019 tarihinde Wayback Machine sitesinde IEEE Global Signal and Information Processing Symposium GlobalSIP 2014 paper WdBD L 1 Atlanta December 2014 B Jalali and A Mahjoubfar Tailoring Wideband Signals With a Photonic Hardware Accelerator Proceedings of the IEEE Vol 103 No 7 pp 1071 1086 2015 Ghosal S Mehrota R 1 Ocak 1993 Orthogonal Moment Operators for Subpixel Edge Detection Pattern Recognition 26 2 295 306 doi 10 1016 0031 3203 93 90038 X a b Christian John 1 Ocak 2017 Accurate Planetary Limb Localization for Image Based Spacecraft Navigation Journal of Spacecraft and Rockets 54 3 708 730 Bibcode 2017JSpRo 54 708C doi 10 2514 1 A33692 Accurate subpixel edge location based on partial area effect Image and Vision Computing Ingilizce 31 1 72 90 1 Ocak 2013 doi 10 1016 j imavis 2012 10 005 ISSN 0262 8856 2 Haziran 2021 tarihinde kaynagindan Erisim tarihi 29 Mayis 2021