[Computer Vision] 컴퓨터 비전과 딥러닝 4장- 캐니 에지

0. Intro

에지의 방향과 그레이디언트의 방향이 수직인 이유는 에지의 진행 방향과 에지의 경계선 사이의 관계로 설명할 수 있습니다.
에지는 영상에서 픽셀 값의 급격한 변화를 나타내는데, 이러한 변화는 주로 에지의 경계선을 따라 발생합니다. 에지의 진행 방향은 경계선을 따라 변화가 일어나는 방향을 나타냅니다.
그레이디언트는 함수의 변화율을 나타내는 벡터로, 영상에서는 픽셀 값의 변화율을 계산하여 영상의 변화를 측정합니다. 그렇기 때문에 그레이디언트 벡터의 방향은 영상에서 픽셀 값의 변화가 가장 큰 방향을 나타냅니다.
에지의 방향과 그레이디언트의 방향이 수직인 이유는, 에지의 진행 방향과 에지의 경계선 사이의 관계 때문입니다. 에지의 진행 방향은 에지의 경계선을 따라 일어나는 변화를 나타내는 반면, 그레이디언트의 방향은 영상에서 가장 큰 변화를 나타냅니다. 이 두 방향은 서로 수직을 이루는 관계에 있어야만, 에지의 변화와 그레이디언트의 방향을 정확하게 표현할 수 있습니다.
따라서, 에지의 방향과 그레이디언트의 방향이 수직인 이유는 에지의 진행 방향과 에지의 경계선 사이의 관계로 인해 발생하는 것입니다.

 

1. 캐니 에지

1.1 비최대 억제 ( NMS : None-Maximum Suppression)

비최대 억제 방식은 캐니 에지 추출 방식에서 중요한 방식이다. 먼저 에지 화소 기준점에서 에지의 방향과 수직인 두 이웃한 화소를 선택하고 이것을 비교하여서 에지 화소보다 작으면 에지로 살아남고 그렇지 않으면 에지 아닌 화소값 0으로 변환하는 작업이다.

 

1.2 이력 임계값으로 에지 검출

비최대 억제에서 에지의 후보군을 선별했다면 이번에는 직접적인 에지를 검출한다. 먼저 min, max 값을 지정하고 에지 검출을 화서의 최대 임계치 값보다 높은 값을 기준으로 시작하여서 임계치 min값을 넘는 값으로 순서를 진행한다.