Ағылшыншамен салыстырыңыз: абзацты басыңыз — түпнұсқа терезеде ашылады. Абзац астындағы EN түймесі оны мәтін ішінде көрсетеді.
Мазмұны
Кіріспе
Суреттерді сегменттеу алгоритмі
Image segmentation algorithm
Цифрлық сурет өңдеуде, шектік мәнге бөлу – суреттерді сегменттеудің ең қарапайым әдісі болып табылады. Ақ-қоңыр суреттен бинарлық суреттер жасау үшін шектік мән қолданылуы мүмкін.
In digital image processing, thresholding is the simplest method of segmenting images. From a grayscale image, thresholding can be used to create binary images.
Анықтама
Ең қарапайым шектік мәнге бөлу әдістері суреттегі әрбір пикселді, егер суреттің қарқындылығы шекті деп аталатын белгілі бір мәннен кем болса, қара пикселмен, ал пикселдің қарқындылығы осы шектен артық болса, ақ пикселмен алмастырады. Мысалдағы суретте қара ағаш толығымен қара болып көрінеді, ал жарқын қар толығымен ақ болып көрінеді.
The simplest thresholding methods replace each pixel in an image with a black pixel if the image intensity is less than a fixed value called the threshold , or a white pixel if the pixel intensity is greater than that threshold. In the example image on the right, this results in the dark tree becoming completely black, and the bright snow becoming completely white.
Жаһандық және жергілікті шекті мөлшерлеме
Көптеген әдістерде суреттегі барлық пиксельдерге бірдей шектік мән қолданылады. Дегенмен, кейбір жағдайларда пикселдердің жергілікті мәніне байланысты суреттің әртүрлі бөліктеріне әртүрлі шектік мән қолдану тиімді болуы мүмкін. Мұндай әдістердің тобы жергілікті немесе бейімделмелі шектік мән деп аталады. Олар әсіресе суреттерде жарық біртекті болмаған жағдайларда, мысалы, оң жақтағы судоку суретінде жақсы қолданылады. Мұндай жағдайларда, белгілі бір аймақ анықталады және әр пиксел мен оның айналасына шектік мән есептеледі. Көптеген жаһандық шектік мән әдістерін жергілікті түрде жұмыс істеуге бейімдеуге болады, бірақ Niblack немесе Bernsen алгоритмдері сияқты жергілікті шектік мән үшін арнайы жасалған әдістер де бар. ImageJ сияқты бағдарламалық қамтамасы жаһандық және жергілікті автоматты шектік мән әдістерінің кең спектрін ұсынады.
In most methods, the same threshold is applied to all pixels of an image. However, in some cases, it can be advantageous to apply a different threshold to different parts of the image, based on the local value of the pixels. This category of methods is called local or adaptive thresholding. They are particularly adapted to cases where images have inhomogeneous lighting, such as in the sudoku image on the right. In those cases, a neighborhood is defined and a threshold is computed for each pixel and its neighborhood. Many global thresholding methods can be adapted to work in a local way, but there are also methods developed specifically for local thresholding, such as the Niblack or the Bernsen algorithms. Software such as ImageJ propose a wide range of automatic threshold methods, both global and local.
Жергілікті шекті мөлшерлемелердің жаһандық шекті мөлшерлемелерге қарағанда артықшылықтары
Жергілікті кескін ерекшеліктеріне бейімделу: Жергілікті шектеу әртүрлі бөліктердегі жарықтандыру, контраст және текстураның өзгеруіне бейімделе алады. Бұл бейімделу біркелкі емес жарық жағдайлары немесе күрделі текстуралары бар кескіндерді өңдеуге көмектеседі. Жергілікті егжей-тегжейлі сақтау: Әртүрлі аймақтарға қарай арналған шектік мәндерді қолдану арқылы, жергілікті шектеу глобальді шектеуде жоғалуы мүмкін ұсақ бөлшектер мен жиектерді сақтай алады, әсіресе әртүрлі қарқындылығы немесе градиенттері бар аймақтарда. Шуға төзімділігі жоғары: Жергілікті шектеу, шектеу туралы шешім бүкіл кескінге емес, жергілікті статистикаға негізделгендіктен, глобальді шектеуге қарағанда шуға төзімділігі жоғары болуы мүмкін.
Adaptability to Local Image Characteristics: Local thresholding can adapt to variations in illumination, contrast, and texture within different parts of the image. This adaptability helps in handling images with non uniform lighting conditions or complex textures. Preservation of Local Details: By applying tailored thresholds to different regions, local thresholding can preserve fine details and edges that might be lost in global thresholding, especially in areas with varying intensities or gradients. Reduced Sensitivity to Noise: Local thresholding can be less sensitive to noise compared to global thresholding, as the thresholding decision is based on local statistics rather than the entire image.
Жергілікті шекті шектеу алгоритмдерінің мысалдары
Ниблэк әдісі: Ниблэк алгоритмі әрбір пиксел үшін пикселдің көршілес аймағының орташа мәні мен стандартты қатесіне негізделген жергілікті шекті есептейді. Ол бейнедегі жергілікті ерекшеліктерге сәйкес шекті реттейді, сондықтан жарықтандырудың өзгеруіне бейімделеді. Бернсен әдісі: Бернсен алгоритмі көршілес аймақтағы жергілікті контрасты ескере отырып, әрбір пикселдің шегін анықтайды. Ол белгілі бір терезе мөлшерін пайдаланады және шуға, сондай-ақ фондық қарқындылықтың өзгеруіне төзімді. Саувола әдісі: Саувола алгоритмі Ниблэк әдісін кеңейтеді, жергілікті контраст пен орташа қарқындылыққа байланысты шекті өзгертетін динамикалық факторды қосады. Бұл бейімделу факторы, әсіресе контрасты әртүрлі аймақтарда, екі мәндіге айналдыру нәтижелерін жақсартады.
Niblack's Method: Niblack's algorithm computes a local threshold for each pixel based on the mean and standard deviation of the pixel's neighborhood. It adjusts the threshold based on the local characteristics of the image, making it suitable for handling variations in illumination. Bernsen's Method: Bernsen's algorithm calculates the threshold for each pixel by considering the local contrast within a neighborhood. It uses a fixed window size and is robust to noise and variations in background intensity. Sauvola's Method: Sauvola's algorithm extends Niblack's method by incorporating a dynamic factor that adapts the threshold based on the local contrast and mean intensity. This adaptive factor improves the binarization results, particularly in regions with varying contrasts.
Көп жолақты бейнелер
Түсті суреттерді де шектеуге болады. Бір тәсіл – суреттің RGB компоненттерінің әрқайсысы үшін жеке шектік мән белгілеу, содан кейін оларды "ЖӘНЕ" (AND) операциясы арқылы біріктіру. Бұл камераның жұмыс принципін және компьютердегі деректердің сақталу жолын көрсетеді, бірақ адамдардың түсті қабылдауына сәйкес келмейді. Сондықтан HSL және HSV түс үлгілері көбірек қолданылады; түс тоны шеңберлік шама болғандықтан, оған шеңберлік шектеу қажет екенін ескеріңіз. CMYK түс моделін де пайдалану мүмкіндігі бар.
Color images can also be thresholded. One approach is to designate a separate threshold for each of the RGB components of the image and then combine them with an AND operation. This reflects the way the camera works and how the data is stored in the computer, but it does not correspond to the way that people recognize color. Therefore, the HSL and HSV color models are more often used; note that since hue is a circular quantity it requires circular thresholding. It is also possible to use the CMYK color model.
Бірнеше шекті мөлшер
Бір екілік кескінге алып келетін жалғыз шектің орнына, бірнеше артуға бағытталған шектерді енгізуге де болады. Мұндай жағдайда, шектерді қолдану нәтижесінде сыныптар санына ие кескін пайда болады, онда белгілі бір интенсивтілік мәніне ие пиксельдер сол сыныпқа жатқызылады. Көптеген екілік автоматты шектеу әдістері көп шектеуге оңай кеңейтіледі.
Instead of a single threshold resulting in a binary image, it is also possible to introduce multiple increasing thresholds In that case, implementing thresholds will result in an image with classes, where pixels with intensity such that will be assigned to class Most of the binary automatic thresholding methods have a natural extension for multi thresholding.