Jump to content

Пороговая обработка (обработка изображений)

(Перенаправлено с Адаптивного порога )
Оригинальное изображение.
Бинарное изображение, полученное в результате пороговой обработки исходного изображения.

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

[ редактировать ]

Простейшие методы определения порога заменяют каждый пиксель изображения черным пикселем, если интенсивность изображения меньше фиксированного значения, называемого порогом 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

[ редактировать ]

Хотя в некоторых случаях порог 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.
Пример преимущества локального порога в случае неоднородного освещения. Изображение адаптировано из [1] .

Глобальное и локальное пороговое значение

[ редактировать ]

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]

[ редактировать ]
  • 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

[ редактировать ]

Порог установлен

Расширения двоичного порога

[ редактировать ]

Многоканальные изображения

[ редактировать ]

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

[ редактировать ]

Вместо одного порога, приводящего к созданию двоичного изображения, также можно ввести несколько возрастающих порогов. . В этом случае реализация пороги приведут к изображению с классы, где пиксели с интенсивностью такой, что будет отнесен к классу . Большинство методов двоичного автоматического определения порогов имеют естественное расширение для многопорогового определения.

Ограничения

[ редактировать ]

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 .

  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 .

Дальнейшее чтение

[ редактировать ]
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: ca97d871d245d3d1b1aa8453038d34d2__1722887760
URL1:https://arc.ask3.ru/arc/aa/ca/d2/ca97d871d245d3d1b1aa8453038d34d2.html
Заголовок, (Title) документа по адресу, URL1:
Thresholding (image processing) - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)