Canny Kenar Algılayıcısı
Canny Edge Detection Algorithm · Ayrıca şöyle bilinir: Canny operator, Canny edge detector
John Canny tarafından 1986'da tanıtılan Canny kenar algılayıcısı, dijital görüntülerde önemli yoğunluk değişimlerinin meydana geldiği yerlerde kenarları belirlemek için kullanılan çok aşamalı bir algoritmadır. Canny'nin yöntemi, Gauss gürültüsünde adım kenarları için optimaldir ve matematiksel zarafeti ve pratik etkinliği nedeniyle bilgisayarlı görüde kenar algılama için altın standart olmaya devam etmektedir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Canny kenar algılamayı şekil algılama (Hough Dönüşümü), kontur analizi veya görüntü bölümleme için ön işleme adımı olarak kullanın. Canny, yeterli kontrasta ve yönetilebilir gürültüye sahip görüntülerde düz veya pürüzsüz eğrileri algılamak için özellikle etkilidir. Çok dokulu veya gürültülü, kenar netliğinin zayıf olduğu görüntülerle uğraşırken veya hassas alt piksel kenar lokalizasyonunun gerektiği durumlarda Canny'den kaçının; karmaşık sahneler için öğrenilmiş kenar algılayıcılarını düşünün.
Güçlü yönler & sınırlılıklar
- Gauss gürültüsünde adım kenarlarını algılama için matematiksel olarak optimal
- Tek piksellik konturlara sahip ince, iyi tanımlanmış kenar haritaları üretir
- Histerezis eşikleme, gürültüyü etkili bir şekilde bastırırken gerçek kenarları korur
- Anlaması ve uygulaması basittir; verimli hesaplama karmaşıklığı
- Görüntü işleme kütüphanelerinde yaygın olarak bulunur ve iyi kurulmuş bir standarttır
- Eşik seçimine duyarlıdır; eşiklerin yanlış seçilmesi çok fazla yanlış pozitif veya kaçırılan kenara neden olur
- Yumuşatma (Gauss bulanıklığı), ince kenarları veya küçük özellikleri bulanıklaştırabilir
- Kenarların adım benzeri olduğunu varsayar; dokulu sınırlar veya yumuşak geçişler üzerinde kötü performans gösterir
- Gerçek nesne sınırları ile iç doku kenarları arasında ayrım yapmaz
SSS
Maksimum olmayan bastırma (NMS) nedir ve neden gereklidir?
Maksimum olmayan bastırma, gradyan yönü boyunca yerel maksimum olmayan pikselleri bastırarak gradyan büyüklüğü haritasını inceltir. Bu adım kritiktir çünkü Gauss türevleri kenarların yakınında kalın gradyan yanıtları üretir. Yalnızca yerel olarak en güçlü yanıtları (kenar yönüne dik) tutarak, NMS tek piksellik kenar konturları üretir. NMS olmadan, kenar haritaları kalın ve dağınık olurdu.
Histerezis eşiklemedeki iki eşik nasıl çalışır?
Canny iki eşik kullanır: yüksek bir eşik (örneğin, maks gradyanın %0.3'ü) ve düşük bir eşik (örneğin, maks gradyanın %0.1'i). Yüksek eşiğin üzerindeki pikseller hemen kenar olarak sınıflandırılır. Düşük eşiğin altındaki pikseller reddedilir. Eşikler arasındaki pikseller yalnızca yüksek eşiğin üzerindeki piksellere bağlıysa tutulur. Bu histerezis mekanizması, ince, zayıf tanımlanmış kenarları korurken gürültüyü bastırır.
Neden gradyan hesaplamasından önce Gauss bulanıklığı kullanılır?
Gauss bulanıklığı, gradyanları hesaplamadan önce gürültüyü azaltır. Gradyan operatörleri yüksek frekanslı gürültüye duyarlı olduğundan, önce yumuşatma, algılanan kenarların gürültüden ziyade gerçek yoğunluk değişimlerine karşılık gelmesini sağlar. Yumuşatma ölçeği (Gauss sigma), bir ayarlama parametresidir: daha büyük sigma daha fazla gürültüyü giderir ancak kenarları da bulanıklaştırır; daha küçük sigma kenar keskinliğini korur ancak gürültüye duyarlı olabilir.
Eşik değerleri nasıl seçilmelidir?
Eşik seçimi, görüntü kontrastına ve gürültü seviyesine bağlıdır. Yaygın bir sezgisel yöntem, yüksek eşik = maks gradyanın %0.2–%0.3'ü ve düşük eşik = maks gradyanın %0.05–%0.1'i kullanmaktır. Alternatif olarak, Otsu yöntemi veya histogram analizi eşikleri önerebilir. Etkileşimli uygulamalar için, eşikler kaydırıcılar olarak sunulabilir. Toplu işlem için, otomatik eşik seçme yöntemleri (örneğin, görüntü istatistiklerine dayalı) tercih edilir.
Kaynaklar
- Canny, J. (1986). A computational approach to edge detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 8(6), 679–698. DOI: 10.1109/TPAMI.1986.4767851 ↗
- Sobel, I., & Feldman, G. (1968). A 3x3 isotropic gradient operator for image processing. Pattern Recognition and Machine Intelligence, 271–272. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Canny Edge Detection Algorithm. ScholarGate. https://scholargate.app/tr/computer-vision/canny-edge-detection
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Kontur AnaliziBilgisayarlı görü↔ karşılaştır
- Hough DönüşümüBilgisayarlı görü↔ karşılaştır
- Morfolojik Görüntü İşlemleriBilgisayarlı görü↔ karşılaştır
- Şablon EşleştirmeBilgisayarlı görü↔ karşılaştır