Deteksi tepi — gradien (Roberts, Prewitt, Sobel) & LoG

Pengolahan Citra Digital (PCD) — pertemuan ke-10

Anggit Wirasto, S.Si., M.Eng.

Mengapa deteksi tepi?

Tepi merangkum batas perubahan intensitas — sering selaras dengan batas objek, teks, atau struktur. Peta tepi / magnitud gradien lebih ringkas dari citra penuh dan menjadi pra-langkah ke segmentasi, kontur, Canny, Hough, inspeksi industri, OCR, atau visi robot.

Detail operator dan contoh numerik: modul teori pcd10_tepi_teori.qmd.

Tujuan pembelajaran

  • Turunan pertama: gradien diskret, mask Roberts / Prewitt / Sobel, magnitud \(\|\nabla f\|\).
  • Turunan kedua: Laplacian, LoG \(\nabla^2(G_\sigma * f)\), peran \(\sigma\), zero-crossing (gambaran).
  • Membandingkan respons pada dua citra (ascent, face). Detail buku teks: modul teori pcd10_tepi_teori.qmd.

Tepi & gradien (turunan pertama)

Tepi: perubahan intensitas cepat. Gradien \(\nabla f = (f_x, f_y)^\top\). Magnitud \(M=\sqrt{f_x^2+f_y^2}\) (kadang \(|f_x|+|f_y|\)).

Diskret: \(G_x\), \(G_y\) dari konvolusi kernel kecil (mode batas reflect mengurangi artefak frame).

Roberts, Prewitt, Sobel (inti)

  • Roberts \(2\times 2\): sangat lokal, noise besar.
  • Prewitt \(3\times 3\): rata pada arah ortogonal diferensi.
  • Sobel \(3\times 3\): bobot \(1,2,1\) → halus ringan sebelum diferensi.

Laplacian & LoG (turunan kedua)

Laplacian: \(\nabla^2 f = f_{xx}+f_{yy}\) — peka noise.

LoG: \(\nabla^2(G_\sigma * f) = (\nabla^2 G_\sigma) * f\) — blur Gaussian lalu Laplacian (satu kernel LoG). Parameter \(\sigma\) mengontrol skala.

Tepi (Marr–Hildreth): cari zero-crossing respons LoG + syarat kemiringan (detail di modul teori).

Gradien vs LoG (ringkas)

Gradien LoG
Turunan orde 1 orde 2 + blur
Tepi puncak \(M\) / ambang zero-crossing
Noise Roberts paling sensitif \(\sigma\) mengendalikan skala

Contoh: ascent & face

Gambar 1: Baris 1: ascent — asli, |∇f| Sobel, LoG. Baris 2: face (luminansi) — sama.

Magnitud gradien (Roberts–Prewitt–Sobel)

Gambar 2: Crop ascent: magnitud Roberts, Prewitt, Sobel (dinormalisasi).

Alur lanjutan

  1. Gaussian / Sobel → gradien → NMS + hysteresis (Canny).
  2. LoG → pilih \(\sigma\) → zero-crossing + filter kemiringan → kurva tepi.

Latihan singkat

  1. Mengapa LoG membutuhkan aturan zero-crossing lebih rumit daripada ambang pada magnitud Sobel?
  2. Apa efek menaikkan \(\sigma\) pada kernel LoG terhadap ketebalan “jalur nol” di sekitar tepi?
  3. Bandingkan noise pada magnitud Roberts vs Sobel pada citra beresolusi tinggi yang sama.

Referensi