Kantenerkennung

Kantenerkennung bezeichnet in der Bildverarbeitung den Prozess der Identifikation von Randstellen in digitalen Bildern, an denen sich die Helligkeit signifikant ändert. Kanten heben Objektgrenzen, Texturen oder Materialwechsel hervor und liefern relevante Geometrie-Informationen für weitere Schritte wie Segmentierung, Merkmalsextraktion oder Objekterkennung. In der Praxis wird häufig ein Graustufenbild verwendet oder Farbinformationen durch eine Helligkeits- oder Grauwertdarstellung kombiniert.

Zu den verbreitetsten Verfahren gehören gradientenbasierte Ansätze wie Sobel, Prewitt, Roberts und Scharr, die aus dem Bild einen Gradientenvektor berechnen und anschließend den Betrag des Gradienten als Kantendetektor verwenden. Andere robuste Verfahren nutzen zweite Ableitungen, wie den Laplace-Operator oder den Laplacian-of-Gaussian. Der Canny-Edge-Detector ist eines der bekanntesten Verfahren: Er glättet das Bild mit einer Gauß-Funktion, berechnet den Gradienten, wählt nicht-maximale Suppression und führt eine hysteretische Schwellenwertsetzung durch, um stabile Kanten zu erzeugen. Oft werden Kanten auch auf mehreren Skalen oder in Farbräumen analysiert, oder der Gradientenbetrag in mehreren Farbkanälen kombiniert.

Anwendungen umfassen Bildsegmentierung, Objekterkennung, Robotik, medizinische Bildgebung, Dokumentenanalyse und Satellitenbildverarbeitung. Typische Herausforderungen sind Rauschen, Beleuchtungsunterschiede, feine oder verdeckte Kanten, Texturanteile und Skalierung. Gegenmaßnahmen umfassen Vorverarbeitung (Rauschunterdrückung), mehrskalige Analysen, adaptives Thresholding oder die Kombination mehrerer Detektoren sowie Integration in nachfolgende Modelle (z. B. Graphen, Segmentierungsnetzwerke).