آشکارسازی لبه به صورت چند جهته و چند مقیاسی با استفاده از مدل بینایی اولیه و ادغام منقبض شوندۀ پاسخ های گرادیان

مسئله آشکارسازی لبه به عنوان یکی از اساسی ترین و مهم ترین مسائل در پردازش و تحلیل تصویر مطرح بوده است، اهمیّت این مسئله ناشی از آن است که خروجی خیلی از الگوریتم های تحلیل تصویر، به الگوریتم تشخیص لبۀ صحیح و دقیق وابسته است. امّا یک روش جامع و کامل که بتواند کار تشخیص لبه در تصویر را با درنظر گرفتن همۀ الگوهای لبه و عوامل موثر در تشخیص لبه انجام دهد، تاکنون ارائه نشده است. در این تحقیق، در ابتدا با الهام از مدل محاسباتی سلول های شبکیۀ چشم و سلول سادۀ غشاء اولیۀ بینایی در مغز، عملگر گرادیان مناسب به صورت توابع گابور در جهت ها و مقیاس های مختلف و با پارامترهای تطبیقی مناسب، پیشنهاد می شود. سپس برای ادغام پاسخ های گرادیان یکسوشده، الگوریتمی بر اساس انقباض قطعات لبه از مقیاس های بزرگتر به سوی مقیاس های کوچکتر ارائه می شود. این پژوهش سعی دارد سه معیار معرفی شده توسط کنی را به طور مطلوب برآورده سازد. با اجرای تحلیل چند جهته و چند مقیاسی و ادغام منقبض شوندۀ پاسخ های گرادیان، آشکارسازی بهتر و مکان یابی دقیق تر لبه حاصل شده است. نتایج استفاده از این روش در تصاویر طبیعی و ساختگی بیانگر کارآیی بهتر این روش نسبت به روش های مرسوم (مانند روش کنی) است.

Multi Scale and Multi Directional Edge Detection by using the Primary Vision Model and Contractive Fusion of Image Gradients

Edge detection is one of the most important and basic problems in image processing and image analysis and machine vision. The importance of this issue is that the output of many image analysis algorithms are dependent on accurately and correctly edge detection algorithm. However a comprehensive and perfect solution that be able to do edge detection with considering all of the edge patterns and factors affecting it, so far not provided. In this paper, firstly, inspired by computational model of retina and primary visual cortex cells in the brain, we propose an appropriate Gabor function as a gradient operation different directions and scales with adaptive parameters. Then, for fusion of rectified gradient responses, we introduce an algorithm based on edge segments contraction from largescales toward smallscales. This research is trying to satisfy three criteria introduced by Canny properly. With the implementation of multiscale and multidirectional analysis and contractive fusion of image gradients, better detection and more precise positioning of edges has been obtained. The experimental results indicate that the effective ness of this method on natural and artificial images is better than the conventional methods (e.g. Canny).