מהו אלגוריתם קני?
אלגוריתם קני (Canny Edge Detection Algorithm) הוא אחת השיטות הפופולריות ביותר לאיתור גבולות (Edges)
בתמונות דיגיטליות.
פותח לראשונה על ידי ג’ון קני בשנת 1986, האלגוריתם נועד לזהות את הגבולות החדים והברורים ביותר בתמונה
בצורה מדויקת ויעילה, תוך מזעור הפרעות ורעש בתמונה.
במאמר זה, נבחן את מטרת האלגוריתם, שלבי הביצוע, תכונותיו הייחודיות,
ומדוע הוא נחשב לאחת השיטות האמינות בתחום עיבוד התמונה.
חשיבות זיהוי גבולות בתמונות דיגיטליות
בזיהוי גבולות אנו מבצעים תהליך של הפרדת האזורים השונים בתמונה על סמך שינויי עוצמת צבע מהירים.
זיהוי גבולות חשוב במיוחד במערכות עיבוד תמונה ממוחשבות, בתחום הראייה הממוחשבת,
וביישומים נוספים כמו זיהוי פנים, ניתוח תמונות רפואיות, וזיהוי אובייקטים.
אלגוריתם קני מנסה לענות על שלושה קריטריונים מרכזיים:
דיוק גבוה: זיהוי גבולות במיקום המדויק ביותר.
הפרדת רעש יעילה: מזעור השפעת רעשים בתמונה אשר עלולים לגרום לזיהוי גבולות שגויים.
תגובה ברורה אחת לכל גבול: הימנעות מזיהוי כפול של גבולות.
מבנה אלגוריתם קני ושלבי הביצוע
כדי לממש את הקריטריונים, האלגוריתם מחולק למספר שלבים ברורים.
לכל שלב יש מטרה ייחודית, ויחדיו הם מובילים לתוצאה האופטימלית.
שלב 1: הפחתת רעש באמצעות מסנן גאוסי
השלב הראשון באלגוריתם קני הוא הפחתת רעש בתמונה כדי למנוע זיהוי גבולות שגויים.
רעש יכול להופיע בתמונה כתוצאה ממקורות חיצוניים או פנימיים, והשפעתו ניכרת במיוחד בשינויי צבע חדים.
לשם כך, האלגוריתם משתמש במסנן גאוסי (Gaussian Filter) שמבצע טשטוש עדין של התמונה ומחליק את המעברים
בין אזורי צבע שונים.
המסנן הגאוסי מטפל ברעש על ידי החלת קונבולוציה על התמונה באמצעות מטריצה גאוסית.
ככל שהסטייה התקנית (σ) גבוהה יותר, כך הטשטוש יהיה חזק יותר.
שלב 2: חישוב גרדיאנט התמונה (Gradient)
לאחר שהרעש הופחת, האלגוריתם מחשב את גרדיאנט התמונה באמצעות נגזרות חלקיות במרחב ה־x וה־y.
הגרדיאנט הוא וקטור שמצביע לכיוון השינוי המהיר ביותר של עוצמת האור, והאורך שלו מייצג את עוצמת השינוי.
שתי נגזרות אלו משולבות בעזרת נוסחת פיתגורס לחישוב הערך המוחלט של השינוי,
ובאמצעות טנגנס ניתן לקבוע את זווית הכיוון.
הערך של עוצמת השינוי והזווית של הגרדיאנט מהווים חלק קריטי בזיהוי הגבולות: כיוונון מדויק מאפשר לאלגוריתם למצוא
את הגבולות החדים והברורים ביותר.
שלב 3: דיכוי מקסימלי שאינו מקומי (Non-Maximum Suppression)
כעת, יש לאתר את הגבולות המדויקים. שלב זה מדכא את כל הפיקסלים שאינם מייצגים שינוי חד בעוצמת האור,
כלומר גבולות.
האלגוריתם משווה כל פיקסל לסביבתו בכיוון הגרדיאנט שלו ומשאיר רק את הפיקסלים שבהם
יש עוצמת שינוי מקסימלית.
תהליך זה מבטיח שהגבולות שזוהו יהיו חדים וברורים, ללא עיבוי יתר של קווים.
שלב 4: סף כפול וחיבור גבולות (Double Thresholding & Edge Tracking by Hysteresis)
השלב האחרון באלגוריתם מבוצע כדי לסנן גבולות חלשים ולטפל בבעיית חוסר הוודאות.
בשלב זה מיישמים שני ערכי סף:
סף עליון: פיקסלים בעלי עוצמת גרדיאנט מעל ערך זה נחשבים לגבולות חזקים.
סף תחתון: פיקסלים בעלי עוצמת גרדיאנט מתחת לערך זה נחשבים לאי־גבולות.
פיקסלים הנמצאים בין שני ערכי הסף מסווגים כגבולות חלשים, והם נכללים רק אם הם מקושרים לגבולות חזקים.
יתרונות של אלגוריתם קני
אלגוריתם קני מציע יתרונות רבים:
דיוק גבוה:
האלגוריתם ממוקד בזיהוי גבולות מדויקים ומפחית את השפעת הרעש,
מה שמאפשר דיוק במערכות הדורשות רזולוציה גבוהה.
התמודדות עם רעש:
האלגוריתם מפחית רעש בשלב הראשון כך שהגבולות מזוהים באופן מדויק יותר גם בתמונות “מלוכלכות” ברעש.
שיטה רבת שלבים:
השימוש במספר שלבים מאפשר טיפול במרכיבים שונים בתמונה, כגון רעש, חדות גבולות, וזיהוי מדויק.
יישומים פרקטיים של אלגוריתם קני
האלגוריתם נמצא בשימוש רחב במגוון תחומים, בהם:
ראיית מחשב:
זיהוי צורות אובייקטים בתמונות.
מערכות אבטחה:
מעקב וזיהוי תנועה במצלמות.
תחום הרפואה:
עיבוד והבנה של תמונות רפואיות לאבחון מצבים רפואיים.
חסרונות ואתגרים של אלגוריתם קני
למרות יתרונותיו הרבים, ישנם מספר חסרונות לאלגוריתם:
רגישות לפרמטרים:
תוצאה מיטבית תלויה בבחירה נכונה של פרמטרים כגון גודל המסנן הגאוסי וערכי הסף.
עומס חישובי:
האלגוריתם דורש חישובים מרובים, מה שעלול להאט את זמן העיבוד,
במיוחד עבור תמונות גדולות.
קשיים בזיהוי קווים מטושטשים:
קווים עם גבולות לא ברורים יזוהו פחות טוב.
