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 [ править ]
Простейшие методы пороговой обработки заменяют каждый пиксель изображения черным пикселем, если интенсивность изображения меньше некоторой фиксированной константы T (то есть ), или белым пикселем, если интенсивность изображения больше этой константы. В примере изображения справа это приводит к тому, что темное дерево становится полностью черным, а белый снег становится полностью белым.
Категоризация методов пороговой обработки [ править ]
Чтобы сделать определение порога полностью автоматизированным, необходимо, чтобы компьютер автоматически выбирал порог. Т. Сезгин и Санкур (2004) классифицируют методы определения порога 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 , в которых образцы с уровнем серого сгруппированы по двум частям: фон и передний план (объект) или поочередно моделируются как смесь двух гауссиан.
- Методы, основанные на энтропии, приводят к алгоритмам, использующим 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 локальным характеристикам изображения. В этих методах для каждого пикселя изображения выбирается разная T.
Многополосное пороговое значение [ править ]
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 является круговой величиной, он требует кругового порога . Также можно использовать цветовую модель CMYK (Pham et al., 2007) .
Распределения вероятностей [ править ]
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 пороговой обработки работают с бимодальными распределениями, но алгоритмы также были разработаны для унимодальных распределений , мультимодальных распределений и круговых распределений .
Автоматическое определение порога [ править ]
Автоматическая установка пороговых значений - отличный способ извлечь полезную информацию, закодированную в пиксели, с минимизацией фонового шума. 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;
- Значения пикселей, которые меньше или равны пороговому значению; фон
- 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 лимитах и выборе порога [ править ]
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 [ править ]
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.
См. Также [ править ]
Ссылки [ править ]
- ^ (Шапиро и др. 2001: 83)
- Перейти ↑ Zhang, Y. (2011). «Оптимальное многоуровневое определение порога, 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., Умба, Скотт (2017-11-30). Обработка и анализ цифровых изображений с помощью MATLAB и CVIPtools, третье издание (3-е изд.). ISBN 9781498766074. OCLC 1016899766 .
Источники [ править ]
- 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 [ править ]
- 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 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