Ana içeriğe geç

Canny kenar alglama

Canny Kenar Algılama

Hedefler

  • Canny kenar algılama kavramı
  • Bunun işlem için OpenCV fonksiyonlarından : cv2.Canny()

Teori

Canny kenar algılama algoritması popüler olan bir kenar algılama algoritmasıdır. 1986
yılında John F. Canny tarafından geliştirilmiştir. Bu çok aşamalı bir algoritmadır
ve biz hepsini öğreneceğiz.

Kirlilik Azaltma

Kenar tespiti görüntüdeki kirliliğe karşı hassas olduğu için, ilk adım görüntüdeki
kirliliği 5x5 Gaussian filter ile kaldırmaktır. Bunu daha önceki bölümlerde zaten
gördük.

Görüntünün Yoğunluk Gradyanını Bulma

Düzeltilmiş görüntü yatay yönde

ve dikey yönde

birinci türev elde etmek için yatay ve dikey yönde bir Sobel çekirdeğiyle filtrelenir.
Bu iki resimden, her piksel için kenar eğimini ve yönünü aşağıdaki gibi bulabilirsiniz:

canny-kenar-alglama

Gradyan yönü \( Gradient direction \) her zaman kenarlara diktir. Dikey, yatay ve iki
diyagonal yönde dört açıdan birine yuvarlanır.

Maksimum Olmayan Bastırma \( Non-maximum Suppression \)

Eğim büyüklüğü ve yönünü aldıktan sonra, kenar oluşturmayan istenmeyen pikselleri
kaldırmak için görüntünün tam bir taraması yapılır. Bunun için, her pikselde, pikselin
gradyan yönündeki komşusundan yerel bir maksimum olup olmadığı kontrol edilir. Aşağıdaki
görüntüyü kontrol edin:

A noktası kenarındadır \(dikey yönde\). Gradyan yönü kenarın normalidir. B ve C noktası
gradyan yönündedir. Böylece, nokta A, yerel maksimum oluşturup oluşturmadığını görmek
için B ve noktaları ile kontrol edilir. Eğer öyleyse bir sonraki aşamada kabul edilir,
aksi takdirde baskı yapılır \(sıfıra getirilir\). Kısacası elde ettiğiniz sonuç, “ince
kenarlar” içeren bir ikili görüntüdür.

Histerik Eşik \( Hysteresis Thresholding \)

Bu aşamada tüm kenarların gerçek bir kenar olup olmadığı kontrol edilir. Bunun için, iki
eşik değer olan minVal \( minimum değer \) ve maxVal’ye \( maksimum değer \) ihtiyacımız
var. Yoğunluk gradyantı maxVal \( maksimum değer \) ‘dan daha fazla olan kenarların
kesinlikle kenardır ve minVal \( minimum değer \)‘ın altındaki kenarların ise gerçek
kenar olmayacağından emin olunur, bu işlem bu şekilde geçilir. Bu iki eşik değeri \( maksimum ve minimum \) ile sınıflandırılır. Onlar gerçek kenar piksellerine bağlı ise
kenarların bir parçası olarak kabul edilir ve diğer leri yani kenar olmayanlar atılır.
Aşağıdaki görüntüye bakın.

A kenarı, “kesin kenar” olarak kabul edilen maxVal’ın üstündedir. Kenar C, maxVal’ın
altında olmasına rağmen, kenar A’ya bağlıdır, böylece geçerli kenar olarak da düşünülür
ve bu tam eğri elde edilir. Fakat Kenar B, minVal’ın üstünde ve Kenar C ile aynı bölgede
olmasına rağmen, herhangi bir “kesin-kenara” bağlı değildir, böylece bu çıkartılır.
Dolayısıyla doğru sonuca ulaşmak için minVal ve maxVal değerlerini buna göre seçmemiz
çok önemlidir.

Bu aşama, kenarların uzun çizgiler olduğu varsayımıyla küçük piksel kirliliği çıkartır.

Dolayısıyla nihayetinde elde ettiğimiz, görselde güçlü kenarlar kalır.

OpenCV’de Canny Kenar Algılama

Opencv yukarıda işin teorik kısmında bahsettiğimiz olayları cv2.Canny() fonksiyonu ile
yapar. Şimdi bu fonksiyonun nasıl kullanacağımızı göreceğiz.

  • ilk parametremiz girdi argümanı yani görselimizdir.
  • ikinci ve
  • üçüncü parametreler sırası ile minimum ve maksimum değerlerdir.
  • dördüncü argüman, aperture_size‘dir. Resim gradyanları bulmak için kullanılan
    Sobel çekirdeği boyutudur. Varsayılan olarak 3’tür.
  • Son argüman, gradyan büyüklüğünü bulma denklemini belirten L2gradient‘tir.
    Doğruysa, yukarıda belirtilen doğru denklemi kullanır, aksi takdirde bu işlevi
    kullanır:
Python
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('messi5.jpg',0)
edges = cv2.Canny(img,100,200)
plt.subplot(121),plt.imshow(img,cmap = 'gray')
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(edges,cmap = 'gray')
plt.title('Edge Image'), plt.xticks([]), plt.yticks([])
plt.show()
Sonuç;