Пороговая обработка (обработка изображений) - Thresholding (image processing)

Исходное изображение

Пример использования порогового эффекта на изображении

В цифровая обработка изображений, пороговое значение это самый простой способ сегментирование изображений. Из оттенки серого изображения, пороговое значение может использоваться для создания двоичные изображения. ^[1]

Определение

Простейшие методы пороговой обработки заменяют каждый пиксель изображения черным пикселем, если интенсивность изображения ${ displaystyle I_ {i, j}}$ меньше некоторой фиксированной постоянной T (т. е. ${ displaystyle I_ {i, j}$ ) или белый пиксель, если интенсивность изображения больше этой постоянной. В примере изображения справа это приводит к тому, что темное дерево становится полностью черным, а белый снег становится полностью белым.

Категоризация методов пороговой обработки

Чтобы сделать установление пороговых значений полностью автоматизированным, необходимо, чтобы компьютер автоматически выбирал пороговое значение. Т. Сезгин и Санкур (2004) классифицируют методы определения пороговых значений на следующие шесть групп на основе информации, с которой работает алгоритм. (Сезгин и др., 2004):

Гистограмма формаметоды, в которых, например, анализируются пики, впадины и кривизны сглаженной гистограммы
Кластеризация-основные методы, в которых образцы уровня серого сгруппированы в две части, как фон и передний план (объект), или поочередно моделируются как смесь двух гауссиан
Энтропия-основанные методы приводят к алгоритмам, которые используют энтропию областей переднего и заднего плана, кросс-энтропию между исходным и бинаризованным изображением и т. д.^[2]
Атрибут объектаМетоды, основанные на поиске меры сходства между полутоновыми и бинаризованными изображениями, например сходство нечеткой формы, совпадение краев и т.
Пространственный методы, [которые] используют распределение вероятностей более высокого порядка и / или корреляцию между пикселями
Местный методы адаптируют пороговое значение для каждого пикселя к локальным характеристикам изображения. В этих методах для каждого пикселя изображения выбирается разная T.

Многополосная пороговая обработка

Цветные изображения также могут иметь пороговое значение. Один из подходов - определить отдельный порог для каждого из RGB компоненты изображения, а затем объедините их с И операция. Это отражает способ работы камеры и то, как данные хранятся в компьютере, но не соответствует тому, как люди распознают цвет. Следовательно HSL и HSV чаще используются цветные модели; обратите внимание, что поскольку оттенок это круговое количество, которое требуется круговой порог. Также можно использовать CMYK цветовая модель (Pham et al., 2007).

Распределения вероятностей

В частности, методы на основе формы гистограммы, а также многие другие алгоритмы пороговой обработки делают определенные предположения о распределении вероятностей интенсивности изображения. Наиболее распространенные методы пороговой обработки работают с бимодальными распределениями, но также были разработаны алгоритмы для унимодальные распределения, мультимодальные распределения и круговые распределения.

Автоматическое определение порога

Автоматическая установка пороговых значений - отличный способ извлечь полезную информацию, закодированную в пиксели, при минимальном фоновом шуме. Это достигается за счет использования цикла обратной связи для оптимизации порогового значения перед преобразованием исходного изображения в градациях серого в двоичное. Идея состоит в том, чтобы разделить изображение на две части; фон и передний план.^[3]

Выберите начальное пороговое значение, обычно это среднее 8-битное значение исходного изображения.
Разделите исходное изображение на две части;
1. Значения пикселей, которые меньше или равны пороговому значению; фон
2. Значения пикселей больше порогового значения; передний план
Найдите средние значения двух новых изображений.
Вычислите новый порог, усреднив два средних значения.
Если разница между предыдущим пороговым значением и новым пороговым значением ниже указанного предела, все готово. В противном случае примените новый порог к исходному изображению, продолжайте попытки.

Примечание о пределах и выборе порога

Указанный выше предел определяется пользователем. Чем больше предел, тем больше разница между последовательными пороговыми значениями. Преимуществами этого может быть более быстрое выполнение, но с менее четкой границей между фоном и передним планом. Выбор начальных пороговых значений часто осуществляется путем взятия среднего значения изображения в градациях серого. Однако также возможно выбрать начальные пороговые значения на основе двух хорошо разделенных пиков гистограммы изображения и нахождения среднего значения пикселей в этих точках. Это может позволить алгоритму быстрее сходиться; позволяя выбрать гораздо меньший предел.

Ограничения метода

Автоматическая установка пороговых значений будет работать лучше всего при наличии хорошего соотношения контраста фона и переднего плана. Это означает, что снимок должен быть сделан при хорошем освещении с минимальным количеством бликов.

Смотрите также

Источники

Pham N, Morrison A, Schwock J et al. (2007). Количественный анализ изображений иммуногистохимических пятен с использованием цветовой модели CMYK. Diagn Pathol. 2:8.
Шапиро, Линда Г. И Стокман, Джордж К. (2002). "Компьютерное зрение". Прентис Холл. ISBN 0-13-030796-3
Мехмет Сезгин и Бюлент Санкур, Обзор методов пороговой обработки изображений и количественной оценки эффективности, Journal of Electronic Imaging 13 (1), 146–165 (январь 2004 г.). Дои:10.1117/1.1631315

дальнейшее чтение

Гонсалес, Рафаэль С. и Вудс, Ричард Э. (2002). Пороговое значение. В цифровой обработке изображений, стр. 595–611. Pearson Education. ISBN 81-7808-629-8
М. Луесси, М. Эйхманн, Г. М. Шустер и А. К. Кацаггелос, Платформа для эффективной оптимальной многоуровневой обработки изображений, Journal of Electronic Imaging, vol. 18, стр. 013004+, 2009. Дои:10.1117/1.3073891
Ю.К. Лай, П. Канифоль, Эффективное круговое пороговое значение, IEEE Trans. по обработке изображений 23 (3), стр. 992–1001 (2014). Дои:10.1109 / TIP.2013.2297014
Скотт Э. Умба (2018). Цифровая обработка и анализ изображений, стр 93–96. CRC Press. ISBN 978-1-4987-6602-9

[1] (Шапиро и др. 2001: 83)

[2] Чжан, Ю. (2011). «Оптимальное многоуровневое пороговое значение, основанное на максимальной энтропии Tsallis с помощью метода искусственных пчелиных колоний». Энтропия. 13 (4): 841–859. Bibcode:2011Entrp..13..841Z. Дои:10.3390 / e13040841.

[3] Э., Умба, Скотт (30.11.2017). Обработка и анализ цифровых изображений с помощью MATLAB и CVIPtools, третье издание (3-е изд.). ISBN 9781498766074. OCLC 1016899766.

[1]

[2]

[3]