Kenar Algılama Algoritmaları Arasında Nesnel Performans Karşılaştırması

Year 2022, Volume: 9 Issue: 4, 1290 - 1302, 31.12.2022

Ramazan Emre Oduncuoglu Ozge Oztimur Karadag

https://doi.org/10.31202/ecjse.1133560

Abstract

Kenar algılama operatörlerinin başarısı bilgisayarlı görü algoritmaları için çok önemli bir aşamadır. İyi çıkarılmış bir kenar haritası kendisinden sonra gelen bütün işlemlerin performansında hayati bir rol oynayacaktır. Bu çalışmada çeşitli şehir fotoğrafları alınarak standart bir dizi işleme sürecinden geçirilmiştir. Elde edilen bu görüntüler seçilen Canny, Sobel ve Prewitt kenar algılama algoritmalarınca işlenmiş ve gerçek referans değer veriler kullanılarak performansları yönünden karşılaştırılmıştır. Bu karşılaştırmalarda kenar algılama operatörleri sınıflandırma algoritması kabul edilerek sınıflandırma algoritmalarının başarısı için kullanılan kesinlik, duyarlılık ve f skoru hesaplamaları yöntemleriyle değerlendirilmiştir. Yaptığımız literatür taramasında bu yöntem ilk defa kullanılmıştır. Bu çalışma içerisine görüntü işleme ve algoritmaların karşılaştırılması için kullanılan programlar ve kod parçaları eklenmiştir. Elde edilen sonuçlara göre kullanılan veri seti üzerinde Canny, Sobel, ya da Prewitt kenar algılama operatörleri arasında gerçek referans değere karşı anlamlı üstünlük tespit edilememiş ancak karşılaştırma işleminin nesnel bir çıktıya dönüştürülebileceği ispatlanmıştır. Bu çalışmanın ikinci kısmında diğer algoritmalar da karşılaştırmaya eklenerek çalışma genişletilecek ve eksiksiz bir performans testi elde edilmiş olacaktır.

Keywords

Kenar algılama operatörleri, Sayısal görüntü işleme, Sobel operatörü, Canny operatörü, Prewitt operatörü

Objective Performance Comparison Between Edge Detection Algorithms

Abstract

The success of edge detection operators is very important for computer vision algorithms. A well-drawn edge map will play a vital role in the performance of all subsequent operations. In this study, various city photographs were taken, and a standard set of preprocessing was performed. These obtained images were processed by selected Canny, Sobel and Prewitt edge detection algorithms and compared in terms of performance using real reference value data. In these comparisons, the success of the edge detection algorithms was evaluated by the methods of precision, sensitivity, and f-score calculations. In our literature review, we did not encounter any studies using these criteria in evaluating the performance of edge detection operators. In this study, we evaluated the performances of the Canny, Sobel and Prewitt edge detection operators with these three criteria. Programs and code fragments used for image processing and comparison of algorithms are included in this study. According to the results obtained, no significant superiority could be detected between the Canny, Sobel, or Prewitt edge detection operators on the data set used against the real reference value, but it has been proven that the comparison process can be converted into an objective output. In the second part of this study, other algorithms will be added to the comparison and the study will be expanded and a complete performance test will be obtained.

Keywords

Edge detection, Digital image processing, Sobel operator, Canny operator, Prewitt Operator

References

• Datta, S. Comparative Study and Analysis of Various Edge Detection Algorithms in Digital Image Processing.
• Peli, T., Malah, D. A study of edge detection algorithms. Computergraphics and image processing, 20(1), 1-21, 1982.
• M. Sharifi, M. Fathy and M. T. Mahmoudi, "A classified and comparative study of edge detection algorithms," Proceedings. International Conference on Information Technology: Coding and Computing, 2002.
• Prewitt, J., “Object Enhancemet and Extraction”, Picture Processing and Psychopictorics ( B. Lipkin ve A. Rosenfeld), NY, Academic Pres, 1970.
• Sobel, I., “Camera Models and Perception”, Ph.D. thesis, Stanford University, CA, 1970.
• Canny, J., “A Computational Approach to Edge Detection”, IEEE Transactions on Pattern Analysis and Machine Intelligence, 8, 679-700, 1986.
• Hildreth, E. C., “Edge Detection”„ A. I. Memo No. 858, Artificial Intelligence Laboratory, Massachusetts Institute of Tecnology, September,1985.
• Soria X, Riba E, Sappa A., “Dense Extreme Inception Network: Towards a Robust CNN Model for Edge Detection”, The IEEE Winter Conference on Applications of Computer Vision (WACV ’20), 2020.