UNIVERZITET U TUZLI

FILOZOFSKI FAKULTET
Odsjek: 2. Ciklus - Tehniki odgoj i Informatika
Predmet: Obrada digitalne slike
k. God : 2013/2014

Seminarski rad
Detekcija ivica u slici

Student: Petar Koba

Mentor:

Tuzla, Mart, 2014.g

dr.sc.Amira erifovi - Trbali,doc

1

SADRAJ
1.

Uvod....................................................................................................................................4

2.

Detekcija ivica.....................................................................................................................5
2.1.

Diferenciranje slika......................................................................................................9

2.2.

Niskopropusno filtriranje...........................................................................................14

2.3.

Odreivanje lokalnih ekstrema...................................................................................21

2.4.

Pregled najeih operatora za detekciju ivica...........................................................24

2.4.1.

Roberts operator..................................................................................................24

2.4.2

Laplace operator..................................................................................................24

2.4.3

Prewitt operator...................................................................................................25

2.4.4

Sobel operator.....................................................................................................25

2.4.5

Robinson operator...............................................................................................26

2.4.6

Kirsh operator.....................................................................................................26

2.4.7

Prolazak kroz nulu drugog izvoda......................................................................26

2.4.8

Canny detektor ivice...........................................................................................28

2.5.
3.

Primjer:.......................................................................................................................30

Literatura...........................................................................................................................32

Popis slika:
Slika 1. Najei modeli idealnih ivica: a) odskona, b) rampa i c) krov...................................6
Slika 2. Realna slika u kojoj su zastupljena sva tri modela ivica: odskona ivica irine 2
piksela, rampa ivica irine 9 piksela i krov ivice ija osnova ima irinu 3 piksela ...................8
Slika 3. Dva regiona razdvojena ivicom tipa rampe, horizontalni profil u oblasti ivice injegov
prvi i drugi izvod.........................................................................................................................9
Slika 4. Pravac ivice i gradijent u posmatranoj taki. Kvadratii predstavljaju piksele. Pravac
gradijenta za dati piksel je normalan na pravac ivice 1............................................................10
Slika 5. Maske za izraunavanje: a) prvog izvoda na osnovu izraza (7), b) prvog izvoda na
osnovu izraza (11) i c) Laplasovog operatora na osnovu izraza (9).........................................12
Slika 6. (a) Rampa ivica i profil intenziteta sive du jedne horizontalne linije........................13
Slika 7. Postupak regularizacije. Od vrha slika ka dnu: Signal (SNR 30 dB), rezultat
diferenciranja originalnog signala, Gausov filtar, konvolucija signala i filtra, diferenciranje
filtriranog signala......................................................................................................................15
Slika 8. Konvolucija signala sa izvodima filtra........................................................................16
Slika 9. Rampa ivice irine 3, 12 i 48 piksela i konvolucija sa prvim izvodom Gausovog filtra
razliite standardne devijacije 1, 4 i 16 piksela........................................................................17
Slika 10. Signal koji simulira nekoliko objekata. Granice objekata odreene su uzlaznim i
silaznim rampa ivicama. Rezultat primjene konvolucije sa prvim izvodom Gausovog filtra.. 18
Slika 11. Uticaj skale niskopropusnog filtra na veliinu objekta koji detektuje.......................19
Slika 12. Mapa ivica b) dobijena direktnom primenom praga nad slikom gradijenta a)..........21
Slika 13. a) Ivica i odgovarajui pravac gradijenta. b) Mogui pravci gradijenta ...................22
Slika 14. Binarne slike dobijene od gradijentne: a) bez praga, b) previsoka vrijednost praga, c)
preniska vrijednost praga, d) prag sa histerezisom...................................................................23
Slika 15. Odreivanje prolaska kroz nulu funkcije f: a) bez uslova praga i b) uz uslov praga.
...................................................................................................................................................23

1. Uvod
Detekcija ivica (rubova) jedan je od osnovnih problema u digitalnoj obradi slike, ali i
jedna od najkorisnijih i najee koritenih operacija na slici. Ivice su podruja slike sa
velikim razlikama u intenzitetu taaka, i predstavljaju granice objekata. To se moe iskoristiti
za prepoznavanje objekata, detekciju poloaja objekta u slici i detekciju orijentacije objekta.
Detekcija ivica u slici smanjuje (u mnogo primjena) koliinu podataka koja se mora
koristiti i filtrira sve nepotrebne ili nebitne informacije, tako to ostavlja samo ivice.
Iako postoji mnogo metoda detekcije ivica veina se moe podeliti na gradijentne i
Laplasove (Laplaceove). Gradijentne metode rade tako da trae maksimume i minimume u
prvom izvodu slike, dok Laplaceove metode trae nule u drugom izvodu slike.

2. Detekcija ivica
Interpretacija sadraja slike predstavlja krajnji cilj kompjuterske vizije i jedna je od
najznaajnijih i najeih zadataka obrade slike. Slika posjeduje veliki broj informacija o
snimljenoj sceni kao to su broj i oblik objekata, njihova veliina, orijentacija, tekstura i
drugo, tako da izdvajanje tih objekata iz pozadine predstavlja primarni zadatak koji se mora
izvriti prije bilo kakve interpretacije. U cilju izdvajanja konture objekta neophodno je
odrediti ivice koje definiu taj objekat, i ta injenica potvruje da detekcija ivica ima kljunu
ulogu u kompjuterskoj viziji, to rezultuje objavljivanjem nekoliko novih detektora ivica
godinje.
Predstavljanje slike pomou ivica objekata prisutnih u sceni drastino smanjuje koliinu
podataka koje je potrebno obraditi, pri emu su informacije o obliku objekta i dalje zadrane.
Dobijene ivice objekata se mogu iskoristi u algoritmima za prepoznavanje i klasifikaciju
objekata. Najvanija karakteristika detektora ivica je izdvajanje ivice tamo gdje ona zaista
postoji sa ispravnom orijentacijom i dobrom lokalizacijom. Meutim, i pored velikog broja
postojeih detektora, ne postoji opte prihvaen parametar koji opisuje kvalitet ivica i esto se
poreenje vri subjektivno i na osnovu aplikacije u kojoj se detektor ivica primenjuje.
Subjektivno odreivanje kvaliteta ivica je opravdano kada se uzme u obzir i injenica da je
detekcija ivica problem koji zavisi od oblika signala, i da performanse detektora zavise od
ciljnog tipa slika u kojima je i potrebno izvriti detekciju ivica, ali koritenje objektivne
metode daje rezultat u koji se moe imati mnogo vie poverenja.
Detekcija ivica se sastoji od tri koraka. U prvom koraku je potrebno minimizirati um u
slici, kako bi se ostvarile to bolje performanse detektora, odnosno sprijeila lana detekcija
nepostojeih ivica, izostanak detekcije pravih ivica i delokalizacija pozicije ivica objekata.
Redukcija uma se najee vri niskopropusnim (engl. low-pass) filtriranjem, jer um
predstavlja visoko frekvencijski signal. Meutim, kako i sama ivica sadri vie frekvencije
uklanjanjem uma gubi se i dio informacije o ivici objekta, pa e prijelaz izmeu objekta i
pozadine biti manje izraen nakon filtriranja. Neophodan je kompromis izmeu koliine uma
koji se uklanja niskopropusnim filtriranjem i zadranog kvaliteta ivica.
Drugi korak u detekciji ivica je visokopropusno filtriranje, najee realizovano pomou
diferenciranja, pri emu dio uma koji nije uklonjen niskopropusnim filtriranjem predstavlja
potencijalnu lanu ivicu.
5

U treem koraku je potrebno lokalizovati ivicu i ukloniti piksele koji su lano detektovani
kao ivini, jer proizvode slian izlaz iz visokopropusnog filtra kao i ivini pikseli.
Sama ivica predstavlja dio slike u kome se javlja znaajna varijacija intenziteta sive. U
tezi se razmatraju crno-bijele slike, pri emu se pod crno-bijelim slikama podrazumjeva da
postoji ili 28 ili 216 nivoa intenziteta sive.
Detektori ivica su bazirani na pronalaenju i mjerenju nagle promene intenziteta sive, to
je posljedica promjene refleksivnosti u sceni usljed drugaijih karakteristika materijala
pozadine i objekta, ili vie objekata. Takoe, intenzitet sive se moe promjeniti i usljed
neuniformnog osvetljenja kao i zbog samih karakteristika soiva.

Slika 1. Najei modeli idealnih ivica: a) odskona, b) rampa i c) krov.

Za opisivanje i analizu detektora ivica neophodno je modelirati profil ivice. U

najveem broju sluajeva posmatra se 1D model, a zatim se rezultati primenjuju na 2D
objekat. Modeli ivica se klasifikuju na osnovu profila intenziteta sive. Odskoni model (engl.
step) ivice predstavlja idealan prelaz izmeu dva nivoa sive na rastojanju od jednog piksela,
slika 1a. Odskoni model ivica se rijetko javlja u slikama (osim u kompjuterski generisanim),
a moe nastati kada jedan objekat zaklanja drugi. Povrina ovih objekata je uniformno
obojena, pri emu je mogue zanemariti difrakcioni limit soiva usljed dovoljno velike
dimenzije piksela na ipu kamere. U tom sluaju odskona ivica se detektuje kao maksimum
apsolutne vrijednosti prvog izvoda profila ivice, ili kao prolazak kroz nulu (engl. zero
crossing) drugog izvoda profila ivice. Odskoni model ivica se esto koristi pri razvoju
detektora ivica.
U realnim slikama, zbog karakteristika soiva i dimenzija piksela CCD-a, odskone
ivice su zamuene (engl. blur) i potrebno je primjeniti model u kome se linearno mjenja
6

intenzitet profila izmeu dvije uniformne oblasti, odnosno rampa model, slika 1b. Nagib
rampe obrnuto je proporcionalan zamuenosti. Zamuenost ivica nastaje i usljed
neprilagoenog rastojanja objekta od soiva, odnosno kada se objekat ne nalazi unutar dubina
polja (engl. depth of field) kamere. U kompjuterskoj viziji se rijetko javlja zamuenost jer
se akvizicija vri u kontrolisanim uslovima i pri konstrukciji sistema vodi se rauna da objekti
od interesa budu u fokusu. Ivica oblika rampe nastaje i zbog samih karakteristika scene koja
se snima. Predmeti se mogu nalaziti u sjenci drugih objekata, to rezultuje linearnom prelazu
intenziteta sive u slici. U sluaju kartona, sama granica izmeu defekta i ostatka kartona moe
pokazivati linearni prelaz u intenzitetu sive (npr. neistoa u premazu se razlila po povrini
kartona), to takoe rezultuje rampa ivicom. irina rampa ivice je vea od 1 piksela, a za
poziciju ivice obino se uzima sredina rampe.
Trei najei model ivica je takozvana krov (engl. roof) ivica, iji je oblik prikazan na
slici 1c. Krov ivica nastaje kada postoji linija u homogenoj oblasti, pri emu je izgled krova
(irina i visina) definisan irinom linije i razlikom intenziteta sive izmeu linije i okolne
oblasti. Krov ivice se moe uoiti kao putevi i rijeke u satelitskim slikama.
U realnim slikama je mogue pronai sva tri navedena tipa ivica u istoj slici, slika 2.
Rampa ivica koja ima jako strm prelaz sa jednog nivoa sive na drugi, esto se tretira kao
odskona ivica radi razlikovanja od ostalih rampa ivica u istoj slici. Iako zamuenost i um
dovode do odstupanja od idealnih modela ivica, u veini sluajeva degradacije slike u
oekivanim okvirima, ivice se mogu opisati modelima prikazanim na slikama 1 i 2. Time je
omogueno matematiko opisivanje profila ivica u cilju realizacije algoritma za detekciju
ivica. Performanse algoritma zavise od razlike izmeu stvarnih ivica i modela koritenog u
razvoju algoritma.

Slika 2. Realna slika u kojoj su zastupljena sva tri modela ivica: odskona ivica irine 2 piksela, rampa
ivica irine 9 piksela i krov ivice ija osnova ima irinu 3 piksela .

Sa stanovita realizacije detektora ivica, najoptija podjela se moe izvriti na

detektore zasnovane na prvom izvodu slike i detektore zasnovane na drugom izvodu slike, pri
emu se slika posmatra kao funkcija dvije promenljiva. Detektori bazirani na prvom izvodu
najprije vre provjeru da li u posmatranoj taki intenzitet gradijenta predstavlja lokalni
maksimum, a zatim se ivica odreuje na osnovu intenziteta gradijenta na lokacijama lokalnih
maksimuma. Detektori zasnovani na drugom izvodu odreuju ivine piksele na osnovu
promjene znaka drugog izvoda funkcije u pravcu gradijenta. Zbog jednostavnijeg raunanja,
umjesto izraunavanja drugog izvoda, u pravcu gradijenta se aproksimira Laplasianom, koji je
i linearni operator. Princip rada opisane dvije grupe detektora na rampa modelu ivica prikazan
je na slici 3. Lokalni maksimum apsolutne vrijednosti prvog izvoda profila predstavlja
lokaciju ivice. Neophodno je koritenje apsolutne vrednosti, jer u sluaju inverznog profila
(intenzitet opada sa lijeva na desno), ivica bi predstavljala lokalni minimum. Pri ispitivanju
lokalnog maksimuma, potrebno je da intenzitet gradijenta u posmatranoj taki bude vei od
intenziteta gradijenta jednog od svoja dva susjedna piksela, i vei ili jednak od drugog. Moe
se uoiti i da prolazak kroz nulu drugog izvoda odreuje tanu poziciju ivice.
8

Slika 3. Dva regiona razdvojena ivicom tipa rampe, horizontalni profil u oblasti ivice injegov prvi i drugi
izvod.

Sa konceptualnog stanovita, detektori ivica se dijele na nekontekstualne i

kontekstualne. Nekontekstualni detektori ne koriste prethodno saznanje o objektima u sceni i
ivicama koje se mogu sresti u slici. Ovi detektori su fleksibilni jer nisu ogranieni primjenom
na specifian skup slika, ali se procesiranje vri samo nad susjednim pikselima. Drugu grupu
ine kontekstualni detektori ivica, iji se rad zasniva na koritenju prethodnog znanja o
ivicama i sceni. Daju dobre rezultate samo kada se primjene na isti skup slika i tada mogu
nadmaiti nekontekstualne detektore. Kontekstualni detektori nisu primjenljivi kada nije
unaprijed poznat taan oblik ivice, jer su oblici defekata i njihove karakteristike razliite.

2.1. Diferenciranje slika

Ivica predstavlja naglu promjenu intenziteta sive du profila normalnog na pravac ivice,
zbog ega diferenciranje ima fundamentalnu ulogu u detekciji ivica. Kako je slika f funkcija
dvije promenljive (x,y), prvi izvod slike u odreenom pravcu r se moe odrediti na osnovu
parcijalnih izvoda u x i y pravcu:
f f x f y f
f
=
+
=
cos +
sin =fx cos + fy sin
r x r y r x
y
(Slika 1)

gdje je ugao izmeu pozitivnog pravca x ose i pravca r, slika 4, a fx i fy su prvi izvodi
funkcije f po x, odnosno y koordinati. Gradijent f predstavlja izvod u pravcu r za koji
vrijednost izraza (1) dostie maksimum:
f
f
=0 =arc tan y
r
fx

( )

(Slika 2)
gde je ugao izmeu pravca gradijenta i x ose. Intenzitet gradijenta odreuje se kao kvadratni
korijen zbira kvadrata izvoda funkcije f u pravcu x i y ose:

f = f 2x + f 2y

(Slika 3)
Na osnovu prethodnog moe se zakljuiti da se ivini piksel odreuje kao poloaj
lokalnog maksimuma intenziteta gradijenta u pravcu gradijenta.

Slika 4. Pravac ivice i gradijent u posmatranoj taki. Kvadratii predstavljaju piksele. Pravac gradijenta
za dati piksel je normalan na pravac ivice 1.

Detekcija ivica na osnovu drugog izvoda bazirana je na primjeni dva operatora:

drugog izvoda u pravcu gradijenta i Laplasovog operatora. Drugi izvod u pravcu gradijenta
moe se odrediti sljedeim izrazom:

10

2
2
2
f f x f xx +2 f x f y f xy +f y f yy
=
r2
f 2x + f 2y

(Slika 4)
Gdje je
2

f xx =

f
f
f
f yy = 2 i f xy =
2
xy
x
y
(Slika 5)
Sa druge strane, Laplasov operator (Laplasian) dat izrazom (6), predstavlja dosta

dobru aproksimaciju drugog izvoda u pravcu gradijenta kada se primjeni na detekciju ivica,
osim za detekciju otrih uglova, gdje je zakrivljenost linije velika.
2

f = f =f xx +f yy
(Slika 6)
Ukoliko se Laplasov operator primjeni nakon niskopropusnog filtriranja originalne
slike, razlika izmeu rezultata primene i drugog izvoda u pravcu gradijenta postaje
zanemarljiva. Glavne prednosti Laplasovog operatora su linearnost i znaajno bre
izvravanje.
Slika predstavlja diskretnu funkciju diskretnih promenljivih (x,y), a parcijalni izvodi
se izraunavaju kao razlika vrednosti susednih piksela:
f x=

f x=

f (x, y)
=f ( x +1, y )f ( x , y )
x

f (x, y)
=f ( x +1, y )f (x , y )
y
(Slika 7)

Slino vai i za drugi izvod:

11

f xx =

2 f ( x , y )
=f ( x +1, y )2 f ( x , y ) + f ( x1, y)
x2

f xx =

2 f ( x , y )
=f ( x +1, y )2 f ( x , y ) + f ( x , y 1)
y2
(Slika 8)
Na osnovu jednaina (6) i (8), Laplasov operator u diskretnoj formi ima sljedei oblik:
f =f ( x+1, y ) +f ( x , y +1 ) 4 ( x , y )+ f ( x1, y )+ f ( x , y1)

(Slika 9)
Izraunavanje izvoda na osnovu izraza (7)(9) moe se izvriti pomou konvolucije:
h ( x , y )= g ( i , j ) f (xi , y j)
i

(Slika 10)
gde h(x,y) traeni izvod, a g(i,j) je odgovarajua maska, odnosno filtar (slika 5), iji su
koeficijenti dati izrazima (7)(9).

Slika 5. Maske za izraunavanje: a) prvog izvoda na osnovu izraza (7), b) prvog izvoda na osnovu izraza
(11) i c) Laplasovog operatora na osnovu izraza (9)

12

Poeljno je da maske budu simetrine u odnosu na piksel (x,y) u kome se rauna

izvod, jer se, u suprotnom, unosi fazni pomak, zbog ega se za raunanje prvih izvoda koriste
modifikovani izrazi (odgovarajue maske prikazane su na slici 5b):

f x=

f (x , y)
=f ( x +1, y )f (x1, y)
x

f y=

f (x , y)
=f ( x , y+1 )f ( x , y1)
y
(Slika 11)

Prisustvo uma u slikama negativno utie na proces detekcije ivica, to se moe uoiti
na slici 6. Slika 6a prikazuje model krov ivice irine 64 piksela na koju je superponiran um,
tako da odgovarajui odnos signal-um (SNR) iznosi priblino 50 dB, 40 dB i 30 dB redom
od vrha ka dnu slike. Ispod svake slike prikazan je i horizontalni profil kako bi se jasnije
sagledao uticaj uma. Na slici 6b i 6c predstavljeni su prvi i drugi izvod u horizontalnom
pravcu (pravac y ose) realizovani pomou jednaina (11) i (7), za odgovarajui intenzitet
uma. Moe se zakljuiti da je prvi izvod manje osetljiv na um u odnosu na drugi izvod, jer
se u drugom izvodu za SNR 40 dB ne moe odrediti poetak i kraj rampe, dok je u sluaju
prvog izvoda to ipak djelimino mogue. To znai da, iako je i najvei intenzitet uma u slici
6a vizuelno zanemarljiv i posmatra moe lokalizovati poetak i kraj rampe, um ipak ima
izuzetno veliki uticaj na algoritam za detekciju ivica. Rjeenje je niskopropusno filtriranje
prije diferenciranja kojim bi se znaajno redukovao uticaj uma.

13

Slika 6. (a) Rampa ivica i profil intenziteta sive du jedne horizontalne linije.

Na vrhu je idealna ivica (SNR--->), zatim intenzitet superponiranog uma raste ka

dnu slike, pa odgovarajui SNR iznosi priblino 50 dB, 40 dB i 30 dB redom. (b) Prvi i (c)
drugi izvod za slike iz 6a, kao i odgovarajui profili sive du jedne horizontalne linije.

2.2. Niskopropusno filtriranje

Usljed prisustva uma u digitalnim slikama, neophodno je prethodno modifikovati

sliku pre diferenciranja. U suprotnom, rezultat diferenciranja moe biti potpuno neupotrebljiv
za detekciju ivica. Neka signal f(x) sadri um male amplitude oblika sin(x). Razlika
signala f(x) i f(x) + sin(x) moe biti proizvoljno mala, meutim, razlika njihovih izvoda
srazmjerna je , i za visokofrekvencijski um vrijednost cos(x) postaje znaajna, pa
detekciju ivica vie nije mogue realizovati. To pokazuje da mala promjena u signalu moe
biti veoma izraena u njegovom izvodu, jer diferenciranje pojaava visokofrekvencijski
sadraj uma. Rjeenje prethodnog problema naziva se regularizacija. Regularizacija
numerikog diferenciranja najee se ostvaruje aproksimacijom polaznog signala analitikim
funkcijama, odnosno konvolucijom polaznog signala sa filtrom definisanim kubnim splajnom
(specijalna funkcija definisana dio po dio pomou polinoma, (u ovom sluaju treeg reda)
slinog oblika kao Gausova funkcija. Na slici 7, ukratko je prikazan postupak regularizacije2.
14

Slika 7. Postupak regularizacije. Od vrha slika ka dnu: Signal (SNR 30 dB), rezultat diferenciranja
originalnog signala, Gausov filtar, konvolucija signala i filtra, diferenciranje filtriranog signala.

Sa slike 7 moe se uoiti da konvolucija smanjuje uticaj uma i da rezultat

diferenciranja filtrirane slike nedvosmisleno odreuje poloaj i broj ivica. Kako je
konvolucija linearni operator, vae sljedee relacije:
(
f h 2 (
f 2 h
fh )=
i 2 fh )=
x
x x
x2
(Slika 12)
Izraunavanje se moe pojednostaviti direktnom konvolucijom sa prvim, odnosno sa
drugim izvodom filtra, slika 8. Ivica se odreuje kao lokalni maksimum apsolutne vrednosti
prvog izvoda, ili kao prolazak kroz nulu drugog izvoda. Zbog prisustva uma, lokalni
maksimum se proglaava za ivini piksel ako je apsolutna vrijednost maksimuma vea od
definisanog praga.
Niskopropusno filtriranje zahtjeva konstrukciju optimalnog filtra koji predstavlja
kompromis izmeu eliminacije uma i ouvanja strukture ivice, jer i sama ivica sadri
15

visokofrekvencijske komponente koje se uklanjaju filtriranjem. Podeavanje parametara filtra

predstavlja najznaajniji korak u dizajnu optimalnog filtra. Uobiajeno je da filtar sadri
parametar koji odreuje njegovu skalu.

Slika 8. Konvolucija signala sa izvodima filtra.

Sa stanovita ivice skala priblino odgovara irini ivice, odnosno rastojanju u kome se
javlja prijelaz izmeu dva uniforma regiona (slika 1b). U sluaju Gausovog filtra skala
odgovara standardnoj devijaciji . Ukoliko irina ivice u pikselima priblino odgovara
parametru Gausovog filtra, poloaj ivice dobija se kao lokalni maksimum apsolutne
vrijednosti konvolucije signala sa prvim izvodom Gausovog filtra, slika 9.

16

Slika 9. Rampa ivice irine 3, 12 i 48 piksela i konvolucija sa prvim izvodom Gausovog filtra razliite
standardne devijacije 1, 4 i 16 piksela.

Uoava se da se poloaj svake od 3 rampa ivice moe odrediti kao lokalni maksimum
apsolutne vrijednosti konvolucije sa prvim izvodom Gausovog filtra. Za svaku od rampa ivica
filtar odreene standardne devijacije daje najbolju lokalizaciju i samo jedan lokalni
maksimum. Kada je irina rampa ivice znaajno vea od 3, mogua je detekcija i dva
lokalna maksimuma, pri emu je lokalizacija ivica neispravna jer se detektuje ili poetak ili
kraj rampe ili oba, a ne sredina rampe. Lokalni maksimum apsolutne vrijednosti konvolucije
signala sa prvim izvodom Gausovog filtra odreuje se na osnovu jednog od sljedea tri
uslova, to zavisi od implementacije detektora:
A=( y ( x ) y ( x1 ) y ( x ) > y ( x+ 1 ))
B=( y ( x ) > y ( x 1 ) y ( x ) y ( x +1 ) )

1. A B y ( x )

je lokalni maksimum

2. A y ( x) je lokalni maksimum,B se ne testira

3. B y (x ) je lokalni maksimum,A se ne testira

gdje je

y ( x )=f ( x )h(x )

(Slika 13)

17

Postavlja se pitanje zato se ne koristi samo filtar sa najveom standardnom

devijacijom, budui da on detektuje i lokalizuje sve tri rampa ivice. Meutim, problem nastaje
zbog injenice da nisu svi objekti dovoljno udaljeni, pa se dvije ili vie ivica mogu nai unutar
irine filtra i rezultat konvolucije signala sa prvim izvodom Gausovog filtra ne sadri sve
lokalne maksimume koji bi ukazali na prisustvo svih ivica, to je ilustrovano na slici 10.

Slika 10. Signal koji simulira nekoliko objekata. Granice objekata odreene su uzlaznim i silaznim rampa
ivicama. Rezultat primjene konvolucije sa prvim izvodom Gausovog filtra.

Signal na slici 10 simulira horizontalni profil u slici koja sadri 5 manjih objekata
postavljenih jedan blizu drugog. Uzlazna i silazna rampa ivica predstavljaju granice objekata,
a konstantan intenzitet izmeu uzlazne i silazne rampe odgovara uniformnom regionu objekta
izmeu ivica. U sluaju filtra sa malom standarnom devijacijom ( = 1) detektovae se svaka
uzlazna i svaka silazna ivica i svi objekti e biti pronaeni. Meutim, ako se koristi filtar sa
velikom standardnom devijacijom ( = 16), detektovae se samo jedna uzlazna i jedna silazna
ivica, pa ispravnu detekciju svih objekata nije mogue izvriti. Na prethodna dva primjera
pokazano je da, skala ivice uslovljava i skalu filtra koji daje optimalne rezultate pri detekciji
posmatrane ivice.
Veina slika sadri objekte razliitih veliina i oblika ivica, pri emu neki od predmeta
mogu biti i van fokusa kamere, zbog ega je nemogue na samo jednoj skali detektovati sve
prisutne ivice, slika 11. Za svaku skalu detektovana je mapa ivica kao lokalni maksimum u
pravcu gradijenta, uz uslov da je apsolutna vrednost lokalnog maksimuma vea od
definisanog praga. Ivice detektovane na najnioj skali potiu uglavnom od uma ili od
teksture objekata. Nakon niskopropusnog filtriranja Gausovim filtrom na drugoj skali tasteri
na telefonu su dominantni, a na treoj skali su dominantni tasteri na kalkulatoru. Na etvrtoj
18

skali objekti na slici su jo uvek prepoznatljivi ali znaajno zamueni, dok su tasteri na
telefonu sjedinjeni u jedan objekat. Rezultat diferenciranja na najveoj skali je detekcija tri
objekta koji predstavljaju najdominantnije tamne djelove slike (slualica i tastatura telefona,
kalkulator i kabl). Kuite telefona, iako predstavlja dominantnu strukturu, nije detektovano,
jer je sline osvetljenosti kao i pozadina. Ivice kuita telefona imaju malu irinu i
detektovane su na niim skalama. Zbog veliine Gausovog filtra objekti na najvioj skali su
znaajno deformisani, a predmeti na malom meusobnom rastojanju mogu biti povezani u
jedinstven objekat to je sluaj sa slualicom telefona i tastaturom. Prethodni primjer
nedvosmisleno pokazuje potrebu da se ivice objekata detektuju na razliitim skalama.

Slika 11. Uticaj skale niskopropusnog filtra na veliinu objekta koji detektuje.

Izbor skale detektora odreuje nivo uklanjanja uma. Vea skala vie potiskuje um,
ali je za detekciju veoma finih detalja neophodno izabrati to manju skalu. Takoe, sa
poveanjem standardne devijacije Gausovog filtra poveava se i greka lokalizacije prave
pozicije ivice, tj. izbor samo jedne skale esto ne daje dovoljno dobre rezultate. Rjeenje
predstavlja detekcija ivica na razliitim skalama. U sluaju Gausovog filtra, nekoliko filtra
razliitih standardnih devijacija se primenjuje na slici, odreuje se mapa ivica za svaki od
filtara i rezultat se kombinuje. Osnovna ideja je da dijelovi slike sadre razliite tipove ivica i
drugaiji odnos signal-um, zbog ega je potrebno primjeniti razliite niskopropusne filtre, to
19

je prikazano na slici 11. Ostaju otvorena pitanja o broju filtara koji je potrebno primjeniti,
kako odrediti skale filtara i kako kombinovati odziv svakog filtra da bi se dobijala jedinstvena
mapa ivica. Poseban problem moe predstavljati izvravanje u realnom vremenu zbog veeg
broja filtara koji je potrebno primjeniti, pa se u sluaju vremenski kritinih aplikacija mora
koristi minimalan broj skala.
Osim linearnih, za niskopropusno filtriranje je mogue koristi i nelinearne filtre, koji u
sluaju odreenih tipova uma (npr. median filtar u sluaju impulsnog uma) daju bolje
rezultate prije svega u ouvanju ivica. Meutim, zbog jednostavnosti i brzine izvravanja
uobiajena je upotreba linearnih filtara.
Najee koriteni filtar je Gausov, prije svega zbog injenice da je ljudski vid
zasnovan na upotrebi ove familije filtara u cilju detekcije ivica i linija. Pokazano je i da za
jednodimenzione signale jedino Gausov filtar ne stvara nove ivice prilikom prelaska sa nie
na viu skalu, tj. ne nastaju novi objekti prilikom pojednostavljanja scene, jer postojei lokalni
ekstremi mogu samo da ieznu. Sa druge strane, i neki drugi pristupi obrade signala na
razliitim skalama, kao to je multirezolucijski pristup (npr. wavelet analiza), ispoljavaju
sline karakteristike. Jo jedna bitna karakteristika Gausovih filtara je da je to jedini operator
koji zadovoljava relaciju neodreenosti (vai znak jednakosti) u vremensko(prostorno)frekvencijskom domenu.

1
x , gdje je x=
2

x f (x) dx
2

i =

f (x) dx
2

2f ()2 d

f ( )2 d

(Slika 14)
Vrednost x predstavlja irinu Gausovog filtra f(x) , a propusni opseg
odgovarajue Furijeove transformacije f():
2

1
f ( x )=
e 2 i f ( )=e
2
2

x
2

(Slika 15)

20

Ova osobina omoguava najbolje ispunjavanje inae konfliktnih zahtjeva za

lokalizacijom u prostornom i u frekvencijskom domenu istovremeno. Takoe, Gausov filtar je
jedini rotaciono simetrian filtar, koji je separabilan u Dekartovom koordinatnom sistemu, to
omoguava bru i jednostavniju implementaciju u odnosu na druge filtre.

2.3. Odreivanje lokalnih ekstrema

Apsolutna vrijednost prvog izvoda ili prolazak kroz nulu drugog izvoda se mogu
upotrijebiti za detekciju ivice, to je prikazano na slici 8. Zbog prisustva uma, u zavisnosti od
primenjenog operatora, potrebno je ukloniti lano detektovane ivine piksele, odnosno
zadrati samo one lokalne ekstreme koji potiu od postojanja ivica. Nain na koje to mogue
izvriti zavisi od izvoda koji se upotrebljava za pronalaenje ivica objekata u slici.
Nakon primjene gradijentnog operatora, ukoliko je vrijednost gradijenta u posmatranoj
taki vea od zadatog praga, on se proglaava za ivini. U sluaju da je irina ivice vea od
jednog piksela, slika 12, uslov tane lokalizacije nije ispunjen.

Slika 12. Mapa ivica b) dobijena direktnom primenom praga nad slikom gradijenta a).

U cilju dobijanja ivice irine jednog piksela, nakon odreivanja izvoda u x i y pravcu,
potrebno je utvrditi da li gradijent u posmatranoj taki dostie lokalni maksimum. Ako je to
ispunjeno, vrijednost gradijenta se zadrava, a u suprotnom se zamjenjuje nulom. Pomenuti
postupak naziva se potiskivanje ne-maksimuma (engl. non-maximum suppression) i moe
opisati sledeim koracima:
21

Pomou izraza (2) odreuje se ugao pravca (x, y) gradijenta u posmatranoj taki
(x,y). Ivica je uvijek normalna na pravac gradijenta, slika 13a.

Slika 13. a) Ivica i odgovarajui pravac gradijenta. b) Mogui pravci gradijenta .

Ugao (x, y) definie pravac u kome je potrebno vriti poreenje vrednosti gradijenta
u taki (x,y) sa vrijednostima gradijenta u susjednim takama, slika 13b. Na primjer,
ukoliko je vrijednost (x,y)-157.5,-112.5]U822.5,67.5], Vrijednost gradijenta u
taki (x,y) e biti zadrana u sluaju da je vea od barem jedne vrednosti gradijenta u
takama (x1,y1) i (x+1,y+1).
Opisanim postupkom zadrani su mogui ivini pikseli za koje gradijent dostie

lokalni maksimum. Meutim, ukoliko bi se svi ti pikseli proglasili ivinim, bili bi zadrani i
pikseli u kojima se lokalni maksimum gradijenta javlja kao posljedica uma, slika 14a.
Previsoka vrijednost praga onemoguila bi detekciju svih ivinih piksela, slika 14b, dok bi
preniska vrijednost detektovala i neivine piksele, slika 14c. Problem se moe rijeiti
primenom praga sa histerezisom (engl. hysteresis threshold). Neka su thLow (donji prag) i thHigh
(gornji prag) dvije vrednosti praga sa histerezisom, pri emu je zadovoljena sljedea relacija:
thHigh > thLow. Svi pikseli za koje vai f(x,y)>=th High proglaavaju se za ivine. Pikseli koji
ispunjavaju relaciju thLow<=f(x,y)<thHigh proglaavaju se za potencijalne ivine piksele. Zatim
se ispituje svaki potencijalni ivini piksel i ukoliko postoji veza izmeu njega i ivinog
piksela, potencijalni ivini piksel se proglaava ivinim, a u suprotnom se odbacuje. Pod
vezom se podrazumjeva neprekidna putanja sastavljena od ivinih piksela. Realizacija praga
sa histerezisom mogua je rekurzivno i to postupkom opisanim u, to nije praktino u sluaju
kada je potrebno algoritam izvriti u realnom vremenu. Znaajno bra implementacija se

22

ostvaruje modifikacijom postupka dodeljivanja zajednike labele svim povezanim pikselima u

binarnoj slici.

Slika 14. Binarne slike dobijene od gradijentne: a) bez praga, b) previsoka vrijednost praga, c) preniska
vrijednost praga, d) prag sa histerezisom.

Da bi se odredila ivica primjenom Laplasovog operatora potrebno je detektovati

prolazak kroz nulu rezultata diferenciranja f .Na osnovu slike 8 se zakljuuje da se lokacija
prolaska kroz nulu funkcije f moe odrediti i kao pozicija promjene znaka funkcije f:
f ( x , y )< 0 f (x ' , y ' )>0
gdje su x i y, koordinate jednog od etiri normalna susjedna piksela za koje je prethodna
jednaina zadovoljena. Tada se piksel sa koordinatama (x,y) se proglaava za ivini. Ukoliko
se dogodi da je rezultat diferenciranja u taki (x,y) jednak nuli (rijetka pojava usljed
diskretnog izraunavanja), prethodni uslov potrebno je dopuniti sa:

{ f ( x , y ) <0 f (x ' , y ' )> 0 } { f ( x , y )=0 f (x' , y ' ) f ( x ' ' , y ' ' )<0 }
gdje su (x,y) i (x,y) koordinate jednog od vertikalnih ili horizontalnih susjeda pikselu (x,y).
Rezultat primjene Laplasovog operatora i odreivanja prolaska kroz nulu prikazani su na slici
15a.

23

Slika 15. Odreivanje prolaska kroz nulu funkcije f: a) bez uslova praga i b) uz uslov praga.

Na slici 15a se uoava da je, usljed uma, veliki broj ivinih piksela lano detektovan.
Rjeenje je uvoenje praga, tako da apsolutna razlika funkcije f u takama u kojima se javlja
promjena znaka mora biti vea od definisanog praga:
f ( x , y )< 0 f (x ' , y ' )>0 | f ( x , y ) f ( x ' , y ' )|>th

ili
f ( x , y )=0 f ( x ' , y ' ) f ( x ' ' , y ' ' )< 0 | f ( x ' , y ' ) f (x ' ' , y '' )|>2th

2.4. Pregled najeih operatora za detekciju ivica

2.4.1.Roberts operator

Roberts operator je jedan od starijih operatora. Veoma je jednostavan za izraunavanje

jer koristi samo 2x2 susjedstvo neke take. Njegove konvolucijske maske su:
1 0
h1

0 1

h2
1

Tako da se intenzitet ivica izraunava

g(i,j)g(i1,j1)g(i,j1)g(i1,j)

Primjerni nedostatak ovog operatora je velika osjetljivost na um, zbog malog broja taaka
koje se koriste za aproksimaciju gradijenta.
2.4.2 Laplace operator

Laplace oprator 2 je veoma polularan operator aproksimacije drugog izvoda koji daje
samo amplitudu gradijenta. Laplacian jednaina je aproksimirana u digitalnoj slici
konvolucijskom sumom. esto se koristi maska h sa 3x3. Za 4 susjedne i 8 susjednih taaka:

0 1
h 1
4

0
1

1 1
h 1
8

1
1

24

0 1

1 1

Ponekad se koristi Laplacian operator sa naglaavanjem centralne take ili njenog susjedstva.
U ovoj aproksimaciji se gubi invarijatnost na rotaciju.

2 1 2
1
4
1

h
1

1 2

1
4

2 2

1 2

Laplace operator ima nedostatak jer njegov odziv udvostuuje neke ivice u slici.
2.4.3 Prewitt operator

Prewitt operator slino Sobel, Kirsh, Robinson i neki drugi operatori aproksimira prvi
izvod. Gradijent se estimira u osam (3x3 konvolucijska maska) moguih smjerova i rezultat
konvolucije vea amplitude indicira smjer gradijenta. Mogue su i vee maske. Operatori
aproksimacije prvog izvoda funkcije slike ponekad se nazivaju kompas operatori zbog njihove
sposobnosti da dorede smjer gradienta. Ovde su prikazana samo tri ostali se mogu dobiti
rotacijom.
1

10 1

0 0

h21 0

h31 0 1

1
h
1

0 1
Smjer gradijenta je odreen maskom koja daje maksimalni odziv. Ovo je isto vai i za sledee
1

11

10

operatore aproksimacije prvog izvoda.

2.4.4 Sobel operator

h
1

2
0 0

1
0

h
2

1
1 0

2
1

1 0 1
h 2 0 2
3

1 0 1
Sobel operator se koristi kao jednostavan detektor horizontalnih i vertikalnih ivica, u
1

21

10

tom sluaju samo maske h1 i h3 se koriste. Ako je h1 odziv y i h3 odziv x, tada moemo
izvesti amplitudu ivice i smjer:
25

x2y2ilixy
ili
y
tan1 x

2.4.5 Robinson operator

h11 2

h21 21

1 1

1 1

h31 21
1

2.4.6 Kirsh operator

5 3 3

h13

h25 0

h35 03

5 3

3 3

2.4.7 Prolazak kroz nulu drugog izvoda

Ranije tehnike detekcije ivice bile su bazirane na konvoluciji veoma malog broja
susjednih taaka i davali su dobre rezultate samo za pojedine vrste ivica i odreene slike.
Glavni nedostatak ovih detektora ivica je njihova ovisnost od veliine objekta i osjetljivosti na
um.
Detekcija ivica bazirana na prolasku kroz nulu drugog izvoda i na injenici da korak
ivice odgovara gruboj promjeni u funkciji slike. Prvi izvod ima ekstremum na poziciji koja
odgovara ivici tako da drugi izvod treba biti nula na istoj poziciji. Meutim, jednostavnije je i
preciznije nai nulu nego ekstremum. Na slici nie ovaj prncip je zbog jednostavnosti
prikazan za 1D funkciju.

26

Krucijalno je pitanje kako izraunati drugi izvod robusno. Jedna mogunost je prvo
izgladiti sliku (zbog reduciranja uma) i onda izraunati drugi izvod. Kod izbora izglaivanja
postoje dva kriterija koja trebaju biti zadovoljena. Prvo filter bi trebao biti gladak i grubo
ogranien na frekventnom domenu da se reducira broj frekvencija kod kojih se funkcija
mijenja. Drugo, ogranienje prostorne lokalizacije zahtijeva odziv filtera da bude od bliih
taaka u slici. Ova dva kriterija su u konfliktu, ali se mogu optimizirati simultano koristei
Gauss-ovu raspodjelu.
Gauss-ov 2D operator izglaivanja G(x,y) (takoe se naziva Gauss-ov filter) dat je sa
2

G ( x , y )=e

x y
2 2

gdje su x i y koordinate slike i je standardna devijacija odgovarajue distribucije

vjerovatnoe. Cilj je dobiti drugi izvod izglaene 2D funkcije f(x,y). Laplace operator 2 daje
drugi izvod i nije usmjeren. Primjena Laplace-ovog operatora na sliku f(x,y) izglaenu Gauss
filterom (LoG Laplacian of Gaussian) izraava se sa:
2

[ G ( x , y , )f ( x , y )]
Konvolucijska maska ovakve operacije dobije se kao
Ca
gdje c normalizira sumu elemenata maske na nulu. Zbog oblika, invertovani LoG uobiajeno
se naziva meksiki eir.

27

Nalaenje izvoda na ovaj nain je veoma robusno. Izglaivanje Gauss filterom

efektivno uklanja utjecaj taaka koje su udaljene do 3 od trenutne take, a Laplace operator
je dovolja i stabilna mjera promjene u slici.
2.4.8 Canny detektor ivice

Canny je predloio novi pristup detekciji ivice koji je optimalan sa step ivicama
korumpiranih umom. Optimalnost detektora se odnosi na tri kriterija:

Kriterij detekcije izraava injenicu da vane ivice nee biti izgubljene da nee

postojati ne superioran odziv.

Kriterij lokalizacije govori da ce distance izmeu stvarne i locirane ivice biti

minimalna.
Jedan odziv kriterij minimizira viestruke odzive na jednu ivicu. Ovo je djelimino
pokriveno prvim kriterijumom , budui da kada postoje dva odziva na jednu ivicu
jedan e biti smatran pogrenim.
Ovaj trei kriterij rjeava problem oteenja umom i radi protiv neglatkih operatora

ivica. Canny izvod novog detektora baziran je na nekoliko ideja.

1. Detektor ivice je izraen za 1D signal i prva dva optimalna kriterija. Rjeenje
zatvorene forme nalazi se koristei raunanje varijanse.
2. Trei kriterij (viestruki odzivi je dodat), najbolje rjeenje se mora nai numerikom
optimizacijom. Rezultirajui filter moe se efektivno aproksimirati sa grekom
manjom od 20% prvim izvodom gauss glatkog filtera sa standardnom devijacijom .
3. Detektor se postavlja u dvije dimenzije. Step ivica je data njenom pozicijom,
orjentacijom i po mogunosti smplitudom (jainom). Ovo moe biti pokazano
konvolucijom slike sa simetrinim 2D Gaussian i onda diferencirano u smjeru
gradienta (okomito na smjer ivice) formirajui formirajui jednostavan i efektivan
usmjereni operator.
Pretpostavimo da je G 2D Gaussian i pretpostavimo da elimo konvoluciju slike sa
operatorom Gn koji je prvi izvod od G u smjeru n.
G n=

G
=n G
n

28

Smjer n e biti orijentisan okomito na ivicu. Takoe ovaj se smjer nezna unaprijed, ali
dostupna je robusna procjena bazirana na glatkom gradientnom smjeru. Ako je f slika,
normala na ivicu n se estimira kao
(Gf )
|(Gf )|

n=

Lokacija ivice je onda u lokalnom maksimumu slike f kovoluiran sa operatorom Gn u smjeru

n.

=Gnf =0
n
Zamjenjujui predhodnoj jednaini Gn dobijemo
2
Gf =0
n 2
Ova jednaina pokazuje kako pronai lokalni minimum u smjeru okomito na ivicu. Ova
operacija se esto naziva non-maximal suppresion (potiskivanje nemaksimuma).
Kako su konvolucija i izvod asocijativne operacije u jednaini moemo prvo izvesti
konvoluciju slike f sa simetrinim Gaussian G i onda izraunati usmjereni drugi izvod
koristei estimaciju smjera n.

|Gnf |= (Gf )

29

2.5. Primjer:
Matlab Image processing toolbox gore navedene detektore ivica implementira kroz matlab
funkciju edge. Za detaljnu upotrebu funkcije edge vidi dokumentaciju. Sledei primjer uitava
sliku iz matlab repositorija slika i izdvaja ivice sa prewitt i canny detektorom.
I = imread('rice.tif');
BW1 = edge(I,'prewitt');
BW2 = edge(I,'canny');
BW3 = edge(I,'roberts');
BW4 = edge(I,'sobel');
BW5 = edge(I,'laplace');
Imshow(BW1)
Figure, imshow(BW2)
Figure, imshow(BW3)
Figure, imshow(BW4)
Figure, imshow(BW5)

Roberts detekor

Sobel detektor
30

Laplace detektor

31

3. Literatura
-

Internet
Predavanja ODS

32