একটি প্রান্ত সনাক্তকরণ অ্যালগরিদম চয়ন করার জন্য আমার কোন বিষয়গুলি বিবেচনা করা উচিত?


33

সোবেল, ল্যাপ্লেসিয়ান এবং ক্যানির পদ্ধতিগুলির মতো অ্যালগোরিদম সহ আমি বেশ কয়েকটি প্রান্ত সনাক্তকরণ অ্যালগরিদম সম্পর্কে শিখেছি। আমার কাছে মনে হচ্ছে সর্বাধিক জনপ্রিয় এজ ডিটেক্টর একটি ক্যানি এজ ডিটেক্টর, তবে এমন কোনও ক্ষেত্রে রয়েছে যেখানে এটি ব্যবহারের জন্য অনুকূল অ্যালগরিদম নয়? কোন অ্যালগরিদমটি ব্যবহার করব তা আমি কীভাবে সিদ্ধান্ত নিতে পারি? ধন্যবাদ!


7
আপনি কি সনাক্ত করছেন?
এন্ডোলিথ

উত্তর:


29

প্রান্ত সনাক্তকরণের প্রচুর সম্ভাবনা রয়েছে তবে আপনি যে 3 টি উদাহরণ উল্লেখ করেছেন সেগুলি 3 স্বতন্ত্র বিভাগে পড়ে।

সোবেল

এটি প্রথম অর্ডার ডেরিভেটিভের প্রায় কাছাকাছি। গ্রেডিয়েন্ট পজিশনে এক্সট্রামা দেয়, 0 যেখানে কোন গ্রেডিয়েন্ট উপস্থিত নেই। 1 ডি তে, এটি =[-101]

  • মসৃণ প্রান্ত => স্থানীয় সর্বনিম্ন বা সর্বাধিক, সিগন্যালটি উপরে বা নীচে যাওয়ার উপর নির্ভর করে।
  • 1 পিক্সেল লাইন => 0 লাইনটিতে নিজেই এর ঠিক পাশেই স্থানীয় অতিরিক্ত (বিভিন্ন চিহ্নের) সাথে। 1 ডি তে, এটি =[1-21]

সোবেলের অন্যান্য বিকল্প রয়েছে, যাদের +/- একই বৈশিষ্ট্য রয়েছে। উপর রবার্টস ক্রস উইকিপিডিয়ায় আপনি যে পৃষ্ঠাটি তাদের কয়েক একটি তুলনামূলক খুঁজে পেতে পারেন।

Laplace

এটি দ্বিতীয় অর্ডের ডেরিভেটিভের প্রায় কাছাকাছি। গ্রেডিয়েন্ট পজিশনে 0 দেয় এবং 0 যেখানে কোনও গ্রেডিয়েন্ট উপস্থিত নেই। এটি যেখানে (দীর্ঘতর) গ্রেডিয়েন্ট শুরু হয় বা বন্ধ হয় সেখানে এক্সট্রিমাকে দেয়।

  • মসৃণ প্রান্ত => 0 প্রান্তটি বরাবর, প্রান্তের প্রারম্ভের / স্টপতে স্থানীয় অতিরিক্ত।
  • 1 পিক্সেল লাইন => লাইনের একটি "ডাবল" চূড়ান্ত, এর ঠিক পাশের একটি আলাদা চিহ্ন সহ "স্বাভাবিক" এক্সট্রিমার সাথে

বিভিন্ন ধরণের প্রান্তগুলিতে এই 2 এর প্রভাবটি চাক্ষুষভাবে ভালভাবে দেখা যায়:

সোবেল বনাম ল্যাপ্লেসের তুলনা

মিতব্যয়ী

এটি কোনও সাধারণ অপারেটর নয়, এটি একটি বহু-পদক্ষেপের পদ্ধতি, যা সোবেলকে একটি পদক্ষেপ হিসাবে ব্যবহার করে। সোবেল এবং ল্যাপ্লেস যেখানে আপনাকে একটি গ্রেস্কেল / ভাসমান পয়েন্ট ফলাফল দেয়, যা আপনাকে নিজের দোরের দিকে নেওয়া দরকার, ক্যানি অ্যালগরিদমের এর একটি ধাপ হিসাবে স্মার্ট থ্রোসোল্ডিং রয়েছে, সুতরাং আপনি কেবল বাইনারি হ্যাঁ / কোনও ফল পাবেন না। এছাড়াও, একটি মসৃণ প্রান্তে, আপনি গ্রেডিয়েন্টের মাঝখানে কোথাও কেবল 1 লাইন দেখতে পাবেন।


18

সোবেল এবং ল্যাপ্লাসিয়ান কেবলমাত্র ফিল্টার হলেও ক্যানি তার চেয়ে আরও দুটি উপায়ে চলে।

প্রথমত, এটি অ-সর্বাধিক দমন করে যা কোনও চিত্রে সমস্ত ধরণের অবজেক্ট এবং রঙের গ্রেডিয়েন্ট দ্বারা উত্পাদিত শব্দ থেকে মুক্তি পায়। দ্বিতীয়ত, এটিতে এমন একটি পদক্ষেপ অন্তর্ভুক্ত রয়েছে যা আপনাকে বিভিন্ন প্রান্তের দিকের মধ্যে পার্থক্য করতে এবং একটি লাইনের অনুপস্থিত পয়েন্টগুলি পূরণ করতে দেয়।

অন্য কথায়, ক্যানি এজ ডিটেক্টর সোবেল এবং ল্যাপ্লেসিয়ান থেকে সম্পূর্ণ আলাদা ক্লাসে। এটি অনেক বেশি চৌকস যে এতে পোস্ট প্রসেসিংয়ের পুরো গোছা রয়েছে যখন সোবেল এবং ল্যাপ্লাসিয়ান কেবল উচ্চতর পাস ফিল্টার আউটপুটগুলি অনুসরণ করে লিনিয়ার বাইনারি থ্রোহোল্ডিংয়ের পরে।


এই সম্মানের মধ্যে ক্যানির কোনও 1-ডি সংস্করণ রয়েছে? এটি কি কেবলমাত্র 2-ডি সংস্করণটির সরাসরি ফরোয়ার্ড অ্যাপ্লিকেশন হতে পারে?
স্পেসি

9

প্রান্তগুলি সনাক্ত করার চেষ্টা করার সময় দুটি সবচেয়ে গুরুত্বপূর্ণ সিদ্ধান্তগুলি হ'ল, আমার কাছে সাধারণত:

  1. পরিবর্তে আমি কি বস্তুগুলিকে সেগমেন্ট করতে পারি এবং তারপরে বাইনারি (বিভাগযুক্ত) চিত্রটির প্রান্তটি খুঁজে পেতে একটি মোড়োলজিকাল অপারেটর ব্যবহার করতে পারি? শোরগোলের ডেটা সহ, এটি আরও দৃust় হতে থাকে।

  2. চিত্রের গোলমাল কমাতে আমার কোন প্রান্ত-সংরক্ষণের স্মুথিং ফিল্টারটি ব্যবহার করা উচিত? এজ ফিল্টারগুলি পৃথকীকরণের উপর ভিত্তি করে তৈরি হয় যা শোরগোলের ডেটা সহ ভোগ করবে। সবচেয়ে সহজ পছন্দটি হ'ল মিডিয়ান ফিল্টার, তবে অ্যানিসোট্রপিক ডিফিউশন বা ননলোকাল মানে ফিল্টারগুলি আরও বেশি প্যারামিটার নিয়ে ঝাঁকুনির জন্য ব্যয় করে আরও ভাল পারফরম্যান্স দেবে।

প্রান্ত সনাক্তকরণের জন্য, আমি ক্যানি ব্যবহার না করার কোনও ভাল কারণ নিয়ে ভাবতে পারি না।


7

সুসান অ্যাপ্রোচ

প্রান্ত এবং কোণ সনাক্তকরণের জন্য আরেকটি পদ্ধতি হ'ল সুসান পদ্ধতি

এই পদ্ধতির মধ্যে, ডেরাইভেটিভ আনুমানিকতাগুলির পরিবর্তে, একটি অবিচ্ছেদ্য আনুমানিক পদ্ধতির ব্যবহার করা হয়। এটি কেবল প্রান্তগুলি সনাক্ত করতে সক্ষম না হয়ে "দ্বিমাত্রিক বৈশিষ্ট্যগুলি" (অর্থাত্ কোণগুলি) সনাক্ত করতে সক্ষম হওয়ার সুবিধা রয়েছে।

অবিচ্ছেদ্য আনুমানিক পদ্ধতির আরেকটি সুবিধা হ'ল শব্দে ফলাফলের উপর কম প্রভাব পড়ে।


6

ক্যানি একটি বাইনারি চিত্র দেয় এবং বাহ্যিকভাবে দেওয়া থ্রেশহোল্ডগুলির উপর নির্ভরশীল (যা চিত্র / অ্যাপ্লিকেশন নির্ভর)।
কনভলিউশন ভিত্তিক ফিল্টারগুলি একটি "প্রান্তের তীব্রতা" চিত্র দেয়। প্রান্তের ওজন বা শক্তি গুরুত্বপূর্ণ (উদাহরণস্বরূপ ওয়েটেড হাফ ট্রান্সফর্ম) এ এটি কার্যকর।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.