Aprenda Detecção de Bordas | Processamento de Imagens com OpenCV

Detecção de Bordas

Bordas representam mudanças súbitas na intensidade dos pixels, que geralmente correspondem aos limites dos objetos. Detectar bordas auxilia no reconhecimento de formas e na segmentação.

Detecção de Bordas de Sobel

O operador Sobel calcula gradientes (mudanças de intensidade) nas direções X e Y, auxiliando na detecção de bordas horizontais e verticais.

# Convert to grayscale
image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)

# Apply Sobel filter
sobel_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=5)  # Detects vertical edges
sobel_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=5)  # Detects horizontal edges
sobel_combined = cv2.magnitude(sobel_x, sobel_y)  # Combines both directions

Nota

Parâmetros principais:

src: imagem de entrada (deve estar em escala de cinza);
ddepth: profundidade da imagem de saída (por exemplo, cv2.CV_64F);
dx: ordem da derivada na direção X (definir 1 para bordas horizontais);
dy: ordem da derivada na direção Y (definir 1 para bordas verticais);
ksize: tamanho do kernel (deve ser ímpar, por exemplo, 3, 5, 7).

Detecção de Bordas de Canny

O Detector de Bordas de Canny é um algoritmo de múltiplas etapas que fornece bordas mais precisas por meio de:

Aplicação de desfoque Gaussiano para remover ruído.
Cálculo dos gradientes de intensidade usando filtros de Sobel.
Supressão de bordas fracas.
Uso de dupla limiarização e rastreamento de bordas.

# Apply Canny Edge Detector 
canny_image = cv2.Canny(image, threshold1, threshold2, apertureSize, L2gradient)

Nota

image: imagem de entrada em tons de cinza;
threshold1: limite inferior para detecção de bordas (exemplo: 50);
threshold2: limite superior para detecção de bordas (exemplo: 150);
apertureSize (opcional): tamanho do kernel Sobel (padrão: 3, deve ser ímpar);
L2gradient (opcional): utiliza cálculo de gradiente L2 mais preciso (padrão: False).

Uma comparação de métodos de detecção de bordas:

Tarefa

Swipe to start coding

Você recebe uma image:

Converter a imagem para escala de cinza e armazenar em gray_image;
Aplicar o filtro de Sobel nas direções X e Y (profundidade de saída cv2.CV_64F e tamanho do kernel 3) e armazenar em sobel_x e sobel_y, respectivamente;
Combinar as direções filtradas por Sobel em sobel_img;
Aplicar o filtro de Canny com limiar de 200 a 300 e armazenar em canny_img.

Solução

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 2. Capítulo 7

single

Pergunte à IA

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

Awesome!

Completion rate improved to 3.45

Deslize para mostrar o menu

Detecção de Bordas

Bordas representam mudanças súbitas na intensidade dos pixels, que geralmente correspondem aos limites dos objetos. Detectar bordas auxilia no reconhecimento de formas e na segmentação.

Detecção de Bordas de Sobel

O operador Sobel calcula gradientes (mudanças de intensidade) nas direções X e Y, auxiliando na detecção de bordas horizontais e verticais.

# Convert to grayscale
image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)

# Apply Sobel filter
sobel_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=5)  # Detects vertical edges
sobel_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=5)  # Detects horizontal edges
sobel_combined = cv2.magnitude(sobel_x, sobel_y)  # Combines both directions

Nota

Parâmetros principais:

src: imagem de entrada (deve estar em escala de cinza);
ddepth: profundidade da imagem de saída (por exemplo, cv2.CV_64F);
dx: ordem da derivada na direção X (definir 1 para bordas horizontais);
dy: ordem da derivada na direção Y (definir 1 para bordas verticais);
ksize: tamanho do kernel (deve ser ímpar, por exemplo, 3, 5, 7).

Detecção de Bordas de Canny

O Detector de Bordas de Canny é um algoritmo de múltiplas etapas que fornece bordas mais precisas por meio de:

Aplicação de desfoque Gaussiano para remover ruído.
Cálculo dos gradientes de intensidade usando filtros de Sobel.
Supressão de bordas fracas.
Uso de dupla limiarização e rastreamento de bordas.

# Apply Canny Edge Detector 
canny_image = cv2.Canny(image, threshold1, threshold2, apertureSize, L2gradient)

Nota

image: imagem de entrada em tons de cinza;
threshold1: limite inferior para detecção de bordas (exemplo: 50);
threshold2: limite superior para detecção de bordas (exemplo: 150);
apertureSize (opcional): tamanho do kernel Sobel (padrão: 3, deve ser ímpar);
L2gradient (opcional): utiliza cálculo de gradiente L2 mais preciso (padrão: False).

Uma comparação de métodos de detecção de bordas:

Tarefa

Swipe to start coding

Você recebe uma image:

Converter a imagem para escala de cinza e armazenar em gray_image;
Aplicar o filtro de Sobel nas direções X e Y (profundidade de saída cv2.CV_64F e tamanho do kernel 3) e armazenar em sobel_x e sobel_y, respectivamente;
Combinar as direções filtradas por Sobel em sobel_img;
Aplicar o filtro de Canny com limiar de 200 a 300 e armazenar em canny_img.

Solução

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 2. Capítulo 7

single