1
1
<?xml version='1.0' encoding='UTF-8'?>
3
<sect2 id='filters-edges-introduction'>
3
<sect2 id='filters-edges-introduction' lang="en;fr">
4
4
<title lang="en">Edge-detect introduction</title>
5
5
<title lang="fr">Introduction à la détection des bords</title>
9
Edge detect filters search for borders between different colors and so can detect
8
Edge detect filters search for borders between different colors
9
and so can detect contours of objects.
13
12
They are used to make selections and for many artistic purposes.
15
14
<mediaobject lang="en" >
17
<imagedata fileref="../images/filters/filters-edgedetect-fig.png" format="png" />
16
<imagedata fileref="../images/filters/filters-edgedetect-fig.png" format="PNG" />
21
Most of them are based on gradient calculation methods and give thick border lines.
22
Look at fig.1 which represents color intensity variations. On the left is a slow
23
color gradient which is not a border. On the right is a quick variation which is an
24
edge. Now, let us calculate the gradient, the variation speed, of this edge, i.e the
25
first derivative (fig.2). We have to decide that a border is detected when gradient
26
is more than a threshold value (the exact border is at top of the curve, but this
27
top varies according to borders). In most cases, threshold is under top and border
20
Most of them are based on gradient calculation methods and give
21
thick border lines. Look at fig.1 which represents color
22
intensity variations. On the left is a slow color gradient which
23
is not a border. On the right is a quick variation which is an
24
edge. Now, let us calculate the gradient, the variation speed, of
25
this edge, i.e the first derivative (fig.2). We have to decide
26
that a border is detected when gradient is more than a threshold
27
value (the exact border is at top of the curve, but this top
28
varies according to borders). In most cases, threshold is under
29
top and border is thick.
31
The Laplacian edge detection uses the second derivative (fig.3). The top of the curve
32
is now at zero and clearly identified. That's why Laplace filter renders a thin border,
33
only a pixel wide. But this derivative gives several zeros corresponding to small ripples,
34
resulting in false edges.
32
The Laplacian edge detection uses the second derivative (fig.3).
33
The top of the curve is now at zero and clearly identified. That's
34
why Laplace filter renders a thin border, only a pixel wide. But
35
this derivative gives several zeros corresponding to small
36
ripples, resulting in false edges.
38
Some blurring before applying edge filters is often necessary: it flattens small ripples
39
in signal and so prevents false edges.
39
Some blurring before applying edge filters is often necessary: it
40
flattens small ripples in signal and so prevents false edges.
43
Les filtres de détection des bords recherchent les limites entre les couleurs et
44
détectent ainsi le contour des objets.
44
Les filtres de détection des bords recherchent les limites entre
45
les couleurs et détectent ainsi le contour des objets.
47
Ils sont utilisés pour créer des sélections et dans de multiples effets artistiques.
48
Ils sont utilisés pour créer des sélections et dans de
49
multiples effets artistiques.
49
51
<mediaobject lang="fr" >
51
<imagedata fileref="../images/filters/fr/filters-edgedetect-fig-fr.png" format="png" />
53
<imagedata fileref="../images/filters/fr/filters-edgedetect-fig-fr.png" format="PNG" />
55
La plupart d'entre eux sont basés sur des méthodes de calcul de gradient et donnent des
56
bordures épaisses. Considérez la figure 1 qui représente des variations d'intensité de
57
couleur. Sur la gauche se trouve un lent dégradé de couleur qui n'est pas un bord. Sur
58
la droite, une brusque et importante variation est un bord. Maintenant, calculons la
59
pente, la vitesse de variation, de ce bord: c'est la dérivée première (fig.2). Nous
60
devons décider qu'un bord est détecté quand la pente dépasse un certain seuil (le bord
61
se trouve exactement au sommet de la courbe mais on ne peut l'utiliser car son niveau
62
varie selon les bords). Dans la plupart des cas, le seuil se trouve en dessous du sommet
57
La plupart d'entre eux sont basés sur des méthodes de calcul de
58
gradient et donnent des bordures épaisses. Considérez la figure
59
1 qui représente des variations d'intensité de couleur. Sur la
60
gauche se trouve un lent dégradé de couleur qui n'est pas un
61
bord. Sur la droite, une brusque et importante variation est un
62
bord. Maintenant, calculons la pente, la vitesse de variation, de
63
ce bord: c'est la dérivée première (fig.2). Nous devons
64
décider qu'un bord est détecté quand la pente dépasse un
65
certain seuil (le bord se trouve exactement au sommet de la courbe
66
mais on ne peut l'utiliser car son niveau varie selon les bords).
67
Dans la plupart des cas, le seuil se trouve en dessous du sommet
63
68
et le bord est épais.
66
Le filtre de Laplace utilise la dérivée seconde (fig.3). Le sommet se retrouve a zéro et est
67
nettement identifié. C'est pourquoi ce filtre donne une bordure fine, de 1 pixel. Mais
68
ce calcul donne aussi plusieurs autres zéros correspondant aux petites rides du signal,
69
ce qui est cause de multiples faux bords dans l'image.
71
Le filtre de Laplace utilise la dérivée seconde (fig.3). Le
72
sommet se retrouve a zéro et est nettement identifié. C'est
73
pourquoi ce filtre donne une bordure fine, de 1 pixel. Mais ce
74
calcul donne aussi plusieurs autres zéros correspondant aux
75
petites rides du signal, ce qui est cause de multiples faux bords
72
Donner un peu de flou à l'image avant d'appliquer un filtre de détection de bords est
73
souvent nécessaire pour éviter ces faux bords.
79
Donner un peu de flou à l'image avant d'appliquer un filtre de
80
détection de bords est souvent nécessaire pour éviter ces faux
added
removed
src/filters/edge-detect/introduction.xml
