Порогування (обробка зображень)

Порогування є найпростішим методом сегментації зображень. Із чорно-білого зображення методом порогування можна отримати бінарне зображення (Shapiro, et al. 2001:83).

Означення

Найпростіший метод порогування полягає у заміні кожного пікселя зображення чорним пікселем, якщо інтенсивність зображення $I_{i,j}$ є меншою, ніж деяка константа T (тобто $I_{i,j}<T$ ), або білим пікселем, якщо інтенсивність зображення є більшою, ніж T. На прикладі наведеного зображення, бачимо, що темна частина дерева стала повністю темною, а білий сніг став повністю білим.

Класифікація порогових методів

Для того, щоб вибір порогового значення був повністю автоматизованим, необхідно, щоб комп'ютер автоматично вибирав порогове значення. T. Sezgin і Sankur (2004) класифікували порогові методи у наступні шість груп, які базуються на основі інформації, яка використовується алгоритмом (Sezgin et al., 2004):

Методи, які базуються на формі гістограми, де, наприклад, аналізуються вершини, інтервали спадання та викривлення згладженої гістограми
Методи, які базуються на основі кластеризації, в яких зображення сірого кольору кластеризуються поділом на дві частини: фон та передній план (об'єкта), або ж моделюються як комбінація двох функцій розподілу Гауса
Методи, які використовують ентропію передньої та фонової областей зображення, перехресну ентропію між оригінальним та бінарним зображеннями^[1]
Методи на основі атрибутів об'єктів шукають міру подібності між чорно-білим і бінаризованими зображеннями, таку як нечітка подібність форми, збіг країв зображення і т. д.
Просторові методи використовують розподіл ймовірності вищого порядку, або кореляцію між пікселями
Локальні методи адаптовують порогове значення для кожного пікселя до локальних характеристик зображення. У цих методах для кожного пікселя на зображенні вибирається інше порогове значення Т
Змішані методи використовують як глобальне, так і локальне порогове значення і адаптують кожне значення пікселя на основі як локальних, так і глобальних характеристик зображення.^[2]

Примітки

↑ Zhang, Y. (2011). Optimal multi-level Thresholding based on Maximum Tsallis Entropy via an Artificial Bee Colony Approach. Entropy. 13 (4): 841—859. doi:10.3390/e13040841.{{cite journal}}: Обслуговування CS1: Сторінки із непозначеним DOI з безкоштовним доступом (посилання)
↑ Sokratis, Vavilis; Kavallieratou, Ergina; Paredes, Roberto; Sotiropoulos, Kostas (2011), A Hybrid Binarization Technique for Document Images, Learning Structure and Schemas from Documents, Springer Berlin Heidelberg, с. 165—179, ISBN 9783642229121, процитовано 28 квітня 2019

Див. також

Посилання

Pham N, Morrison A, Schwock J et al. (2007). Quantitative image analysis of immunohistochemical stains using a CMYK color model. Diagn Pathol. 2:8.
Shapiro, Linda G. & Stockman, George C. (2002). «Computer Vision». Prentice Hall. ISBN 0-13-030796-3
Mehmet Sezgin and Bulent Sankur, Survey over image thresholding techniques and quantitative performance evaluation, Journal of Electronic Imaging 13(1), 146—165 (January 2004). doi:10.1117/1.1631315

Подальше читання

Gonzalez, Rafael C. & Woods, Richard E. (2002). Thresholding. In Digital Image Processing, pp. 595–611. Pearson Education. ISBN 81-7808-629-8
M. Luessi, M. Eichmann, G. M. Schuster, and A. K. Katsaggelos, Framework for efficient optimal multilevel image thresholding, Journal of Electronic Imaging, vol. 18, pp. 013004+, 2009. doi:10.1117/1.3073891
Y.K. Lai, P.L. Rosin, Efficient Circular Thresholding, IEEE Trans. on Image Processing 23(3), pp. 992–1001 (2014). doi:10.1109/TIP.2013.2297014
Scott E. Umbaugh (2018). Digital Image Processing and Analysis, pp 93–96. CRC Press. ISBN 978-1-4987-6602-9