В области цифровой обработки изображений , пороговое это самый простой способ сегментации изображений . Из изображения в градациях серого можно использовать пороговые значения для создания двоичных изображений . [1]
Определение
Простейшие методы пороговой обработки заменяют каждый пиксель в изображении черным пикселем, если интенсивность изображения меньше некоторой фиксированной постоянной T (т. е. ) 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 пороговую обработку полностью автоматизированной, необходимо, чтобы компьютер автоматически выбирал порог. Т. Сезгин и Санкур (2004) классифицировали методы пороговой обработки на следующие шесть групп на основе информации, которой манипулирует алгоритм (Сезгин и др., 2004) :
- Методы на основе формы гистограммы , где, например, анализируются пики, впадины и кривизны сглаженной гистограммы.
- Методы, основанные на кластеризации , где образцы уровня серого группируются в две части, как фон и передний план (объект), или поочередно моделируются как смесь двух гауссиан.
- Основанные на энтропии методы приводят к созданию алгоритмов, использующих энтропию областей переднего и заднего плана, кросс-энтропию между исходным и преобразованным в двоичное изображение изображением и т. Д. [2]
- Методы, основанные на атрибутах объектов, ищут меру сходства между полутоновыми и бинаризованными изображениями, например, сходство нечеткой формы, совпадение краев и т. Д.
- Пространственные методы, [которые] используют распределение вероятностей более высокого порядка и / или корреляцию между пикселями.
- Локальные методы адаптируют пороговое значение для каждого пикселя к характеристикам локального изображения. В этих методах для каждого пикселя изображения выбирается разная T.
Многополосная пороговая обработка
Цветные изображения также могут иметь пороговое значение. Один из подходов заключается назначить отдельный порог для каждого из RGB компонентов изображения , а затем объединить их с И операции. Это отражает способ работы камеры и то, как данные хранятся в компьютере, но не соответствует тому, как люди распознают цвет. Поэтому чаще используются цветовые модели HSL и HSV ; обратите внимание, что, поскольку оттенок - это круговая величина, для него требуется круговое пороговое значение . Также можно использовать цветовую модель CMYK (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 вероятности интенсивности изображения. Наиболее распространенные методы определения пороговых значений работают с бимодальными распределениями, но алгоритмы также были разработаны для одномодальных распределений , мультимодальных распределений и круговых распределений .
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 среднее 8-битное значение исходного изображения.
- Разделите исходное изображение на две части;
- Значения пикселей, которые меньше или равны пороговому значению; задний план
- Значения пикселей больше порогового значения; передний план
- Найдите средние значения двух новых изображений.
- Рассчитайте новый порог путем усреднения двух средних значений.
- 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 лимитах и выборе пороговых значений
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 выполняется 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 сойтись быстрее; 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
Рекомендации
- ^ (Шапиро и др. 2001: 83)
- Перейти ↑ Zhang, Y. (2011). «Оптимальное многоуровневое пороговое значение, основанное на максимальной энтропии Tsallis с помощью подхода искусственных пчелиных колоний» . Энтропия . 13 (4): 841–859. Bibcode : 2011Entrp..13..841Z . DOI : 10.3390 / e13040841 .
- ^ Э., Умбау, Скотт (30.11.2017). Обработка и анализ цифровых изображений с помощью MATLAB и CVIPtools, третье издание (3-е изд.). ISBN 9781498766074. OCLC 1016899766 .
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.). DOI : 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, Структура для эффективного оптимального многоуровневого определения пороговых значений изображения, Journal of Electronic Imaging, vol. 18, стр. 013004+, 2009. doi : 10.1117 / 1.3073891
- Ю.К. Лай, П.Л. канифоль, Эффективное круговое пороговое значение, IEEE Trans. по обработке изображений 23 (3), стр. 992–1001 (2014). DOI : 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