Введение
Алгоритм сегментации изображений
В цифровой обработке изображений пороговая обработка является самым простым методом сегментации изображений. Из изображения в оттенках серого можно получить бинарное изображение с помощью порогового значения.
Определение
Самые простые методы пороговой обработки заменяют каждый пиксель в изображении черным, если интенсивность изображения меньше заданного порогового значения, или белым, если интенсивность пикселя больше этого значения. На примере изображения справа темное дерево становится полностью черным, а яркий снег – полностью белым.
Глобальные и локальные пороговые значения
В большинстве методов один и тот же порог применяется ко всем пикселям изображения. Однако в некоторых случаях может быть полезно применять различные пороговые значения к разным частям изображения, основываясь на локальных значениях пикселей. Эта категория методов называется локальной или адаптивной пороговой обработкой. Они особенно хорошо подходят для случаев, когда изображения имеют неоднородное освещение, например, как на изображении судоку справа. В таких случаях определяется окрестность и вычисляется порог для каждого пикселя и его окрестности. Многие методы глобальной пороговой обработки могут быть адаптированы для локального применения, но существуют также методы, разработанные специально для локальной пороговой обработки, такие как алгоритмы Ниблэка или Бернсена. Программное обеспечение, такое как ImageJ, предлагает широкий спектр автоматических методов пороговой обработки, как глобальных, так и локальных.
Преимущества местного порогового значения по сравнению с глобальным пороговым значением
Адаптация к локальным характеристикам изображения: локальная пороговая обработка способна адаптироваться к изменениям освещенности, контраста и текстуры в различных областях изображения. Эта адаптивность позволяет эффективно обрабатывать изображения с неоднородным освещением или сложной текстурой. Сохранение локальных деталей: благодаря применению индивидуальных порогов к разным регионам, локальная пороговая обработка позволяет сохранять мелкие детали и границы, которые могут быть потеряны при глобальной пороговой обработке, особенно в областях с переменной интенсивностью или градиентами. Сниженная чувствительность к шуму: локальная пороговая обработка может быть менее чувствительна к шуму по сравнению с глобальной, поскольку решение о пороговом значении принимается на основе локальной статистики, а не статистики всего изображения.
Примеры алгоритмов для локального порогового значения
Метод Ниблэка: алгоритм Ниблэка вычисляет локальный порог для каждого пикселя на основе среднего значения и стандартного отклонения в окрестности этого пикселя. Он корректирует порог, учитывая локальные особенности изображения, что делает его подходящим для обработки изменений освещенности. Метод Бернсена: алгоритм Бернсена рассчитывает порог для каждого пикселя, анализируя локальный контраст в заданной окрестности. Он использует окно фиксированного размера и устойчив к шумам и изменениям интенсивности фона. Метод Сауволы: алгоритм Сауволы является развитием метода Ниблэка и включает динамический коэффициент, который адаптирует порог на основе локального контраста и средней интенсивности. Этот адаптивный коэффициент повышает качество бинаризации, особенно в областях с переменным контрастом.
Многодиапазонные изображения
Цветные изображения также могут подвергаться пороговой обработке. Один из подходов заключается в установке отдельного порога для каждого из цветовых компонентов RGB изображения с последующим их объединением посредством логической операции И (AND). Это соответствует принципу работы камеры и способу хранения данных в компьютере, но не отражает то, как люди воспринимают цвета. Поэтому чаще используются цветовые модели HSL и HSV; следует отметить, что поскольку цветовой тон является циклической величиной, для него требуется циклическая пороговая обработка. Также возможно использование цветовой модели CMYK.
Многократные пороговые значения
Вместо одного порога, приводящего к бинарному изображению, также можно ввести несколько возрастающих порогов. В этом случае использование нескольких порогов приведет к изображению с *k* классами, где пиксели с интенсивностью, удовлетворяющей условию *i* ≤ интенсивность < *i+1*, будут отнесены к классу *i*. Большинство методов автоматического двоичного порогового выделения имеют естественное расширение для многопорогового выделения.