Summary  
Explains how to apply convolution-based gradient operators and multi-stage thresholding techniques to detect sudden intensity changes (edges) in grayscale images.

General domain of usage  
Computer vision

## Reunojen tunnistus

Reunat edustavat äkillisiä muutoksia pikselin intensiteetissä, jotka yleensä vastaavat objektien rajoja. Reunojen tunnistaminen auttaa muodon tunnistuksessa ja segmentoinnissa.

### Sobel-reunojen tunnistus

Sobel-operaattori laskee gradientit (intensiteetin muutokset) sekä **X- että Y-suuntaan**, mikä auttaa havaitsemaan vaaka- ja pystysuorat reunat.


### Canny-reunojen tunnistus

Canny-reunantunnistin on monivaiheinen algoritmi, joka **tuottaa tarkemmat reunat** seuraavasti:
1.	Kohinan poistaminen Gaussin sumennuksella.
2.	Intensiteettigradienttien etsiminen Sobel-suodattimilla.
3.	Heikkojen reunojen vaimentaminen.
4.	Kaksoiskynnyksen ja reunojen jäljityksen käyttäminen.

import unittest
import numpy as np
import importlib
import cv2

def _dynamic_test(test_case, condition, success_msg, failure_msg):
    if condition:
        test_case._testMethodName = success_msg
        test_case.assertTrue(True, success_msg)
    else:
        test_case._testMethodName = failure_msg
        test_case.fail(failure_msg)

class TestEdgeDetection(unittest.TestCase):

    @classmethod
    def setUpClass(cls):
        global user_code
        user_code = importlib.import_module("user_code")

    def test_output_types(self):
        gray = getattr(user_code, "gray_image", None)
        sobel = getattr(user_code, "sobel_img", None)
        canny = getattr(user_code, "canny_img", None)
        _dynamic_test(
            self,
            all(isinstance(x, np.ndarray) for x in [gray, sobel, canny]),
            "All edge detection outputs are NumPy arrays.",
            "Grayscale, Sobel, and Canny images should all be NumPy arrays."
        )

    def test_sobel_kernel_parameters(self):
        gray = user_code.gray_image
        sobel_x = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)
        sobel_y = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)
        combined = cv2.magnitude(sobel_x, sobel_y)
        student = user_code.sobel_img

        similarity = np.allclose(student, combined, atol=1e-5)
        _dynamic_test(
            self,
            similarity,
            "Sobel image matches expected output with kernel size of 3 and depth as cv2.CV_64F.",
            "Sobel image does not match expected output using correct parameters (kernel size of 3, depth as cv2.CV_64F)."
        )

    def test_canny_thresholds(self):
        gray = user_code.gray_image
        expected = cv2.Canny(gray, 200, 300)
        student = user_code.canny_img

        similarity = np.array_equal(student, expected)
        _dynamic_test(
            self,
            similarity,
            "Canny edge output matches thresholds 200-300.",
            "Canny edge image should be computed with thresholds 200 and 300."
        )

if __name__ == "__main__":
    unittest.main()


test_code.py

Kattava johdatus konenäköön, keskittyen koneiden kykyyn havaita ja tulkita visuaalista dataa. Kattaa kuvien esikäsittelyn, piirteiden tunnistamisen, objektien havaitsemisen sekä syväoppimistekniikat, joita käytetään nykyaikaisissa näköjärjestelmissä.

Tietokonenäkö mahdollistaa koneiden visuaalisen datan tulkinnan ja analysoinnin ihmisen havainnointia jäljitellen. Tässä osiossa käsitellään kuvan esitystapojen, väritilojen ja matemaattisten perusteiden perusteita, jotka ovat olennaisia kuvankäsittelyn ymmärtämiseksi. Tutustutaan käytännön sovelluksiin, kuten autonomisiin ajoneuvoihin ja lääketieteelliseen kuvantamiseen, sekä siihen, miten tietokonenäkö yhdistyy tekoälyyn ja koneoppimiseen.

OpenCV on tehokas kirjasto kuvankäsittelyyn ja tietokonenäön tehtäviin. Tässä osiossa käsitellään keskeisiä tekniikoita, kuten kuvafiltteröintiä, muunnoksia, reunojen tunnistusta ja segmentointia. Opit suorittamaan kuvan sumentamista, kynnysarvojen asettamista, ääriviivojen tunnistusta ja piirteiden poimintaa kuvien parantamiseksi ja analysoimiseksi tehokkaasti.

CNN:t käsittelevät visuaalista dataa konvoluutio-, poolaus- ja aktivointikerrosten avulla piirteiden erottamiseksi tehtäviin, kuten kuvien luokitteluun ja objektien tunnistukseen. Keskeisiä osia ovat täydennys, konvoluutio piirteiden erottamiseen, poolaus monimutkaisuuden vähentämiseen ja aktivointi epälineaarisuuden tuomiseksi. Suositut arkkitehtuurit, kuten AlexNet, VGG ja ResNet, mahdollistavat tekoälyn käytön terveydenhuollossa, autonomiassa ja turvallisuudessa.

Esineentunnistus on tietokonenäön keskeinen tehtävä, jossa tunnistetaan ja paikannetaan esineitä kuvassa. Toisin kuin kuvien luokittelu, jossa koko kuvalle annetaan yksi luokka, esineentunnistus sekä luokittelee esineet että määrittää niiden sijainnit rajaavien laatikoiden avulla. Tässä osiossa käsitellään esineentunnistuksen keskeisiä tekniikoita ja algoritmeja, perinteisistä menetelmistä syväoppimiseen perustuviin lähestymistapoihin, kuten YOLO ja U-Net.

Konenäkö on kehittynyt merkittävästi vuosien varrella, siirtyen peruskuvankäsittelymenetelmistä monimutkaisiin syväoppimistekniikoihin. Tässä osiossa perehdytään konenäön viimeisimpiin innovaatioihin, keskittyen siirto-oppimiseen, kasvojentunnistukseen ja kuvien generointiin. Tarkastellaan esikoulutettujen mallien vaikutusta suorituskykyyn, kasvojentunnistusteknologian periaatteita sekä tapoja, joilla tekoäly luo kuvia syväoppimisen avulla.

Reunojen Tunnistus

Reunojen tunnistus

Sobel-reunojen tunnistus

Canny-reunojen tunnistus

Reunantunnistusmenetelmien vertailu:

Ratkaisu