VC-9: Detecçao de contornos

DETECÇÃO DE CONTORNOS (VC-9)

🎯 O que é um contorno?

• Um contorno é uma região da imagem onde ocorre uma variação abrupta da intensidade dos píxeis.

• É onde há transições rápidas de tons, como nas bordas de objetos.

Detecção de contornos é a tarefa de localizar essas transições para:

• Delimitar formas

• Identificar objetos

• Separar regiões

🔧 Conceitos Matemáticos Envolvidos

📈 Derivadas

• A detecção de contornos é baseada em derivadas aplicadas sobre a função de intensidade da imagem.

📌 1ª Derivada (Gradiente)

• Mede a taxa de variação da intensidade entre píxeis vizinhos.

• Detecta máximos ou mínimos locais.

• Usada para encontrar bordas com transições suaves.

📌 2ª Derivada (Laplaciano)

• Mede a mudança da variação (curvatura).

• Detecta pontos de inflexão ou passagens por zero.

• Útil para detectar contornos mais definidos, mas mais sensível a ruído.

🧠 Tipos de Transição de Intensidade

• Degrau: mudança brusca e clara (ex: preto para branco)

• Rampa: transição gradual (ex: sombra)

• Telhado: pico pontual (ex: linha fina escura em fundo claro)

🔹 Técnicas Baseadas na 1ª Derivada

✴ Gradiente

• É um vetor que aponta para a direção de maior variação de intensidade.

• Calcula-se o gradiente em duas direções: horizontal (x) e vertical (y).

• Quanto maior o módulo do vetor gradiente, mais provável que o pixel pertença a um contorno.

🛠 Operadores de Detecção de Contorno (1ª Derivada)

🔸 Roberts

• O mais simples.

• Usa máscaras diagonais.

• Indicado para imagens binárias.

• Marca presença de contorno, sem indicar direção.

🔸 Prewitt

• Utiliza máscaras para calcular o gradiente nas direções x e y.

• Suave e menos sensível ao ruído.

• Boa escolha para imagens de média qualidade.

🔸 Sobel

• Similar ao Prewitt, mas dá mais peso ao centro da máscara.

• Mais sensível a mudanças locais de intensidade.

• Melhor desempenho em imagens com bordas mais suaves.

🔹 Técnicas Baseadas na 2ª Derivada

✴ Laplaciano

• Calcula a soma das segundas derivadas nas direções x e y.

• Detecta pontos onde o gradiente muda de direção (máximo ou mínimo).

• Exige suavização prévia (redução de ruído), pois é sensível a flutuações leves.

🧼 Pré-processamento: Redução de Ruído

Antes de aplicar os detectores de contorno:

• É comum aplicar filtros de suavização (ex: média, gaussiano)

• Filtros com kernels maiores reduzem ruído, mas atenuam bordas finas

• Filtros pequenos mantêm detalhes, mas deixam passar ruído

🧮 Etapas do Processo de Detecção de Contornos

1. Aplicar o operador em x (máscara de derivada horizontal)

2. Aplicar o operador em y (máscara de derivada vertical)

3. Calcular a magnitude do gradiente

4. Calcular a direção do gradiente

5. Aplicar limiarização (threshold):

   • Apenas píxeis com magnitude maior que o limiar são considerados contornos

🎯 Escolha do Threshold

• Threshold baixo: detecta mais contornos (inclui ruído)

• Threshold alto: detecta só contornos fortes (pode perder detalhes)

📌 Comparativo de Operadores

🧠 Resumo Rápido

• 1ª derivada detecta mudança rápida de intensidade

• 2ª derivada detecta inversão de tendência

• Gradiente é a melhor forma de detectar contornos direcionais

• Operadores Prewitt e Sobel são os mais usados em imagens reais

• Suavização (ex: filtro gaussiano) antes da detecção melhora a robustez