Пороговая обработка (обработка изображений)

В изображений цифровой обработке пороговая обработка является самым простым методом сегментации изображений . Из изображения в оттенках серого можно использовать пороговую обработку для создания двоичных изображений . ^[1]

Определение

Простейшие методы определения порога заменяют каждый пиксель изображения черным пикселем, если интенсивность изображения $I_{i,j}$ меньше фиксированного значения, называемого порогом $T$ или белый пиксель, если интенсивность пикселя превышает этот порог. В примере изображения справа это приводит к тому, что темное дерево становится полностью черным, а яркий снег становится полностью белым.

Автоматическое определение порога

Хотя в некоторых случаях порог $T$ может быть выбран пользователем вручную, во многих случаях пользователь хочет, чтобы порог автоматически устанавливался с помощью алгоритма. В таких случаях порог должен быть «наилучшим» порогом в том смысле, что разделение пикселей выше и ниже порога должно максимально точно соответствовать фактическому разделению между двумя классами объектов, представленных этими пикселями (например, пикселями ниже порога должно соответствовать фону, а выше — некоторым интересующим объектам на изображении).

Существует множество типов методов автоматического определения порога, наиболее известным и широко используемым из которых является метод Оцу . Сезгин и др. 2004 разделили методы определения порога на широкие группы в зависимости от информации, которой манипулирует алгоритм. ^[2] Однако обратите внимание, что такая категоризация обязательно является нечеткой, поскольку некоторые методы могут относиться к нескольким категориям (например, метод Оцу можно рассматривать как форму гистограммы, так и алгоритм кластеризации).

гистограммы Методы, основанные на форме , где, например, анализируются пики, впадины и кривизны сглаженной гистограммы. ^[3] Обратите внимание, что эти методы в большей степени, чем другие, делают определенные предположения о вероятностном распределении интенсивности изображения (т. е. о форме гистограммы).
Методы, основанные на кластеризации , в которых образцы уровня серого группируются на две части: фон и передний план. ^[4]^[5]
Методы, основанные на энтропии, приводят к созданию алгоритмов, которые используют энтропию областей переднего плана и фона, перекрестную энтропию между исходным и бинаризованным изображением и т. д. ^[6]
Методы, основанные на атрибутах объекта, определяют степень сходства между полутоновыми и бинаризованными изображениями, например нечеткое сходство форм, совпадение краев и т. д.
Пространственные методы используют распределение вероятностей и/или корреляцию между пикселями более высокого порядка.

Глобальное и локальное пороговое значение

В большинстве методов один и тот же порог применяется ко всем пикселям изображения. Однако в некоторых случаях может быть выгодно применить разные пороги к разным частям изображения на основе локального значения пикселей. Эта категория методов называется локальной или адаптивной пороговой оценкой. Они особенно адаптированы к случаям, когда изображения имеют неоднородное освещение, как, например, на изображении судоку справа. В этих случаях определяется окрестность и вычисляется пороговое значение для каждого пикселя и его окрестности. Многие глобальные методы определения порогов можно адаптировать для работы локально, но существуют также методы, разработанные специально для локального определения порогов, такие как Niblack. ^[7] или алгоритмы Бернсена.

Программное обеспечение, такое как ImageJ, предлагает широкий спектр автоматических пороговых методов, как глобальных, так и локальных.

Преимущества локального порогового значения по сравнению с глобальным пороговым значением ^[8]

Адаптация к локальным характеристикам изображения. Локальное пороговое значение может адаптироваться к изменениям освещенности, контрастности и текстуры в разных частях изображения. Эта адаптивность помогает обрабатывать изображения с неоднородными условиями освещения или сложными текстурами.
Сохранение локальных деталей. Применяя индивидуальные пороговые значения к различным регионам, локальная пороговая обработка может сохранить мелкие детали и края, которые могут быть потеряны при глобальной пороговой обработке, особенно в областях с различной интенсивностью или градиентами.
Пониженная чувствительность к шуму. Локальное определение порога может быть менее чувствительным к шуму по сравнению с глобальным определением порога, поскольку решение о пороге основано на локальной статистике, а не на всем изображении.

Примеры алгоритмов для локального порога

Порог установлен

Расширения двоичного порога

Многоканальные изображения

Цветные изображения также могут быть пороговыми. Один из подходов состоит в том, чтобы назначить отдельный порог для каждого из компонентов RGB изображения, а затем объединить их с помощью операции «И» . Это отражает то, как работает камера и как данные хранятся в компьютере, но не соответствует тому, как люди распознают цвет. Поэтому HSL и HSV чаще используются цветовые модели ; Обратите внимание: поскольку оттенок является циклической величиной, он требует кругового порогового значения . Также возможно использование цветовой модели CMYK . ^[9]

Несколько порогов

Вместо одного порога, приводящего к созданию двоичного изображения, также можно ввести несколько возрастающих порогов. $T_{n}$ . В этом случае реализация $N$ пороги приведут к изображению с $N$ классы, где пиксели с интенсивностью $I_{ij}$ такой, что $T_{n}<I_{ij}<T_{n+1}$ будет отнесен к классу $n$ . Большинство методов двоичного автоматического определения порогов имеют естественное расширение для многопорогового определения.

Ограничения

Пороговое значение будет работать лучше всего при определенных условиях:

низкий уровень шума
более высокая внутриклассовая дисперсия, чем межклассовая дисперсия, т. е. пиксели из одной группы имеют более близкую интенсивность друг к другу, чем к пикселям другой группы,
однородное освещение и т. д.

В сложных случаях определение порога, скорее всего, будет несовершенным и даст двоичное изображение с ложноположительными и ложноотрицательными результатами .

Ссылки

^ Шапиро, Линда Г.; Стокман, Джордж К. (2001). Компьютерное зрение . Прентис Холл. п. 83. ИСБН 978-0-13-030796-5 .
^ Санкур, Бюлент (2004). «Обзор методов определения порога изображения и количественная оценка эффективности». Журнал электронных изображений . 13 (1): 146. Бибкод : 2004JEI....13..146S . дои : 10.1117/1.1631315 .
^ Зак, GW; Роджерс, МЫ; Латт, Ю.А. (июль 1977 г.). «Автоматическое измерение частоты обмена сестринских хроматид» . Журнал гистохимии и цитохимии . 25 (7): 741–753. дои : 10.1177/25.7.70454 . ПМИД 70454 . S2CID 15339151 .
^ «Пороговое определение изображения с использованием метода итеративного выбора». Транзакции IEEE по системам, человеку и кибернетике . 8 (8): 630–632. 1978. дои : 10.1109/TSMC.1978.4310039 .
^ Баргут, Л.; Шейнин, Ю. (25 июля 2013 г.). «Восприятие сцены реального мира и перцептивная организация: уроки компьютерного зрения» . Журнал видения . 13 (9): 709. дои : 10.1167/13.9.709 .
^ Капур, Дж. Н.; Саху, ПК; Вонг, AKC (1 марта 1985 г.). «Новый метод определения порога изображения на уровне серого с использованием энтропии гистограммы». Компьютерное зрение, графика и обработка изображений . 29 (3): 273–285. дои : 10.1016/0734-189X(85)90125-2 .
^ Введение в цифровую обработку изображений . Прентис-Холл Интернэшнл. 1986. ISBN 0-13-480600-Х . OCLC 1244113797 . ^{[ нужна страница ]}
^ Чжоу, Хуэйю, Ву, Цзяхуа, Чжан, Цзянго. Часть II. США: Ventus Publishing, 2010. ^{[ нужна страница ]}
^ Фам, Нху-Ан; Моррисон, Эндрю; Швок, Йорг; Авиэль-Ронен, Сарит; Яковлев Владимир; Цао, Мин-Саунд; Хо, Джеймс; Хедли, Дэвид В. (27 февраля 2007 г.). «Количественный анализ изображений иммуногистохимических пятен с использованием цветовой модели CMYK» . Диагностическая патология . 2 (1): 8. дои : 10.1186/1746-1596-2-8 . ПМК 1810239 . ПМИД 17326824 .

Дальнейшее чтение

Гонсалес, Рафаэль К. и Вудс, Ричард Э. (2002). Порог. В «Цифровой обработке изображений», стр. 595–611. Пирсон Образование. ISBN 81-7808-629-8
Эйхман, Марко (2009). «Среда для эффективной оптимальной многоуровневой пороговой обработки изображений». Журнал электронных изображений . 18 (1): 013004–013004–10. Бибкод : 2009JEI....18a3004L . дои : 10.1117/1.3073891 .
Розин, Пол Л. (март 2014 г.). «Эффективное круговое пороговое значение» . Транзакции IEEE при обработке изображений . 23 (3): 992–1001. Бибкод : 2014ИТИП...23..992Г . дои : 10.1109/TIP.2013.2297014 . ПМИД 24464614 .
Скотт Э. Умбо (2018). Цифровая обработка и анализ изображений, стр. 93–96. ЦРК Пресс. ISBN 978-1-4987-6602-9

[1] Шапиро, Линда Г.; Стокман, Джордж К. (2001). Компьютерное зрение . Прентис Холл. п. 83. ИСБН 978-0-13-030796-5 .

[2] Санкур, Бюлент (2004). «Обзор методов определения порога изображения и количественная оценка эффективности». Журнал электронных изображений . 13 (1): 146. Бибкод : 2004JEI....13..146S . дои : 10.1117/1.1631315 .

[3] Зак, GW; Роджерс, МЫ; Латт, Ю.А. (июль 1977 г.). «Автоматическое измерение частоты обмена сестринских хроматид» . Журнал гистохимии и цитохимии . 25 (7): 741–753. дои : 10.1177/25.7.70454 . ПМИД 70454 . S2CID 15339151 .

[4] «Пороговое определение изображения с использованием метода итеративного выбора». Транзакции IEEE по системам, человеку и кибернетике . 8 (8): 630–632. 1978. дои : 10.1109/TSMC.1978.4310039 .

[5] Баргут, Л.; Шейнин, Ю. (25 июля 2013 г.). «Восприятие сцены реального мира и перцептивная организация: уроки компьютерного зрения» . Журнал видения . 13 (9): 709. дои : 10.1167/13.9.709 .

[6] Капур, Дж. Н.; Саху, ПК; Вонг, AKC (1 марта 1985 г.). «Новый метод определения порога изображения на уровне серого с использованием энтропии гистограммы». Компьютерное зрение, графика и обработка изображений . 29 (3): 273–285. дои : 10.1016/0734-189X(85)90125-2 .

[7] Введение в цифровую обработку изображений . Прентис-Холл Интернэшнл. 1986. ISBN 0-13-480600-Х . OCLC 1244113797 . ^{[ нужна страница ]}

[8] Чжоу, Хуэйю, Ву, Цзяхуа, Чжан, Цзянго. Часть II. США: Ventus Publishing, 2010. ^{[ нужна страница ]}

[9] Фам, Нху-Ан; Моррисон, Эндрю; Швок, Йорг; Авиэль-Ронен, Сарит; Яковлев Владимир; Цао, Мин-Саунд; Хо, Джеймс; Хедли, Дэвид В. (27 февраля 2007 г.). «Количественный анализ изображений иммуногистохимических пятен с использованием цветовой модели CMYK» . Диагностическая патология . 2 (1): 8. дои : 10.1186/1746-1596-2-8 . ПМК 1810239 . ПМИД 17326824 .

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]