1. Lời mở đầu
Edge Detection hay bài toán phát hiện cạnh được ứng dụng rất nhiều trong các bài toán về thị giác máy tính. Ví dụ như trong các bài toán như extract information, recognize object, …. Cạnh là nơi mã hóa nhiều thông tin ngữ nghĩa(semantics information) và hình dạng(shape) trong một bức ảnh. Sau đây tôi xin giới thiệu hai thuật toán phổ biến được sử dụng trong phát hiện cạnh(edge detection) đó là sobel edge detection và canny edge detection.
2. Thế nào là một good edge detector?
Để dễ so sánh, hình dung khi xem xét giữa nhiều thuận toán khác nhau, ta cần xác định thế nào là một bộ xác định tốt có hiệu quả cao (good edge detector) . Vậy câu hỏi đặt ra thế nào là Good Edge Detector ?. Chúng ta có ba tiêu chí:
- Good Detection: giảm thiểu được xác suất
false positive(phát hiện nhầm cạnh giả do noise tạo ra) vàfalse negatives(xác suất bị thiếu mất một cạnh). - Good Localization: vị trí cạnh dự đoán phải gần nhất với cạnh thật (true edges).
- Single response: Cạnh (true edges) được cấu tạo từ rất nhiều points. single response là tiêu chí đánh giá bao nhiêu point được dự đoán cho một true point. Càng nhiều point được dự đoán cho một true point thì độ tốt của detector sẽ giảm xuống.
3. Sobel Edge Detection
Sobel thường sử dụng một Gaussian filter để loại bớt nhiễu, làm mịn ảnh trước để thuật toán edge detection làm việc tốt hơn. Ta có thể sử dụng luôn hàm cv2.GaussianBlur() do OpenCV cung cấp. Sau đó Sobel sử dụng một kernel có kích thước 3×3 nhân tích chập với ảnh gốc để tính đạo hàm theo hướng ngang (Gx) hoặc dọc (Gy) sao đó tính trung bình độ lớn của gradient(magnitude) . Đạo hàm theo hướng ngang và dọc chính là sự thay đổi của giá trị pixel theo hướng ngang hoặc dọc. Cuối cùng dựa vào cường độ đã được tính làm nổi bật các đường biên (edge) và làm mờ một số pixel. Ta sử dụng skipping_threshold để loại bỏ những điểm ánh sáng yếu này làm cạnh sắc nét hơn.
3.1. Sobel Edge Detection detect một cạnh
Đầu tiên ta chuyển ảnh từ dạng BGR sang Gray để xử lý. Sau đó sử dụng một Gaussian filter để làm mịn ảnh giúp một phần loại bỏ các cạnh giả do nhiễu. Sau đó sử dụng hàm sobel để tính gradient theo hướng x và y. Cuối cùng sử dụng skipping_threshold như đã nói ở trên. Chú ý ở đây ta sử dụng tham số ddepth = cv2.CV_8U trong hàm cv2.Sobel().
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 | def sobel_edge_detection(image_path, blur_ksize=5, sobel_ksize=1, skipping_threshold=30): """ image_path: link to image blur_ksize: kernel size parameter for Gaussian Blurry sobel_ksize: size of the extended Sobel kernel; it must be 1, 3, 5, or 7. skipping_threshold: ignore weakly edge """ img = cv2.imread(image_path) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) img_gaussian = cv2.GaussianBlur(gray,(blur_ksize,blur_ksize),0) #sobel img_sobelx = cv2.Sobel(img_gaussian,cv2.CV_8U,1,0,ksize=sobel_ksize) img_sobely = cv2.Sobel(img_gaussian,cv2.CV_8U,0,1,ksize=sobel_ksize) img_sobel = (img_sobelx + img_sobely)/2 for i in range(img_sobel.shape[0]): for j in range(img_sobel.shape[1]): if img_sobel[i][j] < skipping_threshold: img_sobel[i][j] = 0 else: img_sobel[i][j] = 255 return img_sobel |
Và đây là kết quả của phần thuật toán bên trên:
3.2. Sobel Edge Detection detect hai cạnh
Như ta đã thấy ở ví dụ trên chúng ta chỉ xác định được một cạnh của hạt gạo. Nguyên nhân là do chúng ta sử dụng ddepth = cv2.CV_8U. cv2.CV_8U hay chính là np.unint8 chỉ nhận gía trị dương tương ứng với Black-to-White Transition nên chiều ngược lại White-to-Black do nhận giá trị âm nên với kiểu np.uint8 sẽ nhận giá trị 0 hết nên chúng ta sẽ bị miss mất cạnh
Do đó để detect được cả hai cạnh, chúng ta sử dụng cv2.CV_64F để nhận được cả giá trị âm và dương thay cho cv2.CV_8U.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 | def sobel_edge_detection(image_path, blur_ksize=7, sobel_ksize=1, skipping_threshold=30): """ image_path: link to image blur_ksize: kernel size parameter for Gaussian Blurry sobel_ksize: size of the extended Sobel kernel; it must be 1, 3, 5, or 7. skipping_threshold: ignore weakly edge """ # read image img = cv2.imread(image_path) # convert BGR to gray gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) img_gaussian = cv2.GaussianBlur(gray,(blur_ksize,blur_ksize),0) # sobel algorthm use cv2.CV_64F sobelx64f = cv2.Sobel(img_gaussian,cv2.CV_64F,1,0,ksize=sobel_ksize) abs_sobel64f = np.absolute(sobelx64f) img_sobelx = np.uint8(abs_sobel64f) sobely64f = cv2.Sobel(img_gaussian,cv2.CV_64F,1,0,ksize=sobel_ksize) abs_sobel64f = np.absolute(sobely64f) img_sobely = np.uint8(abs_sobel64f) # calculate magnitude img_sobel = (img_sobelx + img_sobely)/2 # ignore weakly pixel for i in range(img_sobel.shape[0]): for j in range(img_sobel.shape[1]): if img_sobel[i][j] < skipping_threshold: img_sobel[i][j] = 0 else: img_sobel[i][j] = 255 return img_sobel |
Dưới đây là kết quả sử dụng cv2.CV_64F:
Phần 2 của bài là Canny Edge Detetion mình sẽ để sang một bài khác để có thể giải thích cặn kẽ hơn tiếp nối bài dùng opencv để nhận dạng cạnh này. Cảm ơn các bạn đã theo dõi.