randdetectie

Randdetectie is een proces uit de beeldverwerking en computer vision dat randen of contouren in een afbeelding identificeert, waar de intensiteit abrupt verandert. Randen markeren vaak grenslijnen tussen objecten en zijn nuttig voor taken zoals segmentatie, herkenning en reconstructie.

Traditioneel wordt randdetectie uitgevoerd met grafiekladers zoals de gradient-gebaseerde operatoren Sobel, Prewitt en Roberts. Een van de meest invloedrijke moderne methoden is de Canny-randdetector, die bestaat uit ruisonderdrukking met een Gaussiaanse filter, het berekenen van de gradiënt, niet-maximale onderdrukking en drempelingshysterese om verbonden randlijnen te verkrijgen. Naast deze lineaire benaderingen bestaan ook blobdetection en Laplacian-of-Gaussian-methoden. In recente jaren hebben deep learning-methoden, waaronder convolutionele netwerken en gevorderde detectoren zoals holistically-nested edge detection (HED), de prestaties aanzienlijk verbeterd bij realistische beelden.

Toepassingen van randdetectie zijn onder meer objectherkenning, beeldsegmentatie, vectorisatie van afbeeldingen, medische beeldvorming, robotnavigatie, kwaliteitscontrole in de industrie en remote sensing. De prestaties zijn afhankelijk van ruis, belichting, schaal en noiseparameters. Randdetectie vereist vaak pre-processing zoals ruisonderdrukking en tuning van drempels of schaalniveau’s.

Evaluatie van randdetectie gebeurt meestal met statistische maatstaven zoals precisie, recall en F1-score, of met specifieke maatstaven zoals de Pratt-figuur voor randpositie. Datasets zoals BSDS dienen als referentie voor vergelijking. Hoewel klassieke methoden snel en lichtgewicht zijn, bieden moderne deep learning-methoden doorgaans betere robuustheid en nauwkeurigheid bij diverse omstandigheden.