Порогування (обробка зображень): відмінності між версіями

Матеріал з Вікіпедії — вільної енциклопедії.
Перейти до навігації Перейти до пошуку
Інтерактивний перегляд історії
[неперевірена версія][перевірена версія]
Наступне редагування →
Вилучено вміст Додано вміст
ВізуальнийВікірозмітка
Перекладено метод порогування зображень
 
оформлення, доповнення, зображення, категоризація
Рядок 1: Рядок 1:
[[Файл:Pavlovsk Railing of bridge Yellow palace Winter.jpg|thumb|250px|Початкове зображення]]
⚫
Порогування є найпростішим методом [[Сегментація зображення|сегментації зображень]]. Із [[Відтінки сірого|чорно-білого]] зображення методом порогування можна отримати [[бінарне зображення]].
[[Файл:Pavlovsk Railing of bridge Yellow palace Winter bw threshold.jpg|thumb|250px|Приклад ефекту використання методу порогування]]
⚫
'''Порогування''' є найпростішим методом [[Сегментація зображення|сегментації зображень]]. Із [[Відтінки сірого|чорно-білого]] зображення методом порогування можна отримати [[бінарне зображення]] [[#Shapiro2001|(Shapiro, et al. 2001:83)]].


== Означення ==
== Означення ==
Найпростіший метод порогування полягає у заміні кожного пікселя зображення чорним пікселем, якщо інтенсивність зображення <math>I_{i,j}</math>є меншою, ніж деяка константа Т (тобто <math>I_{i,j}<T</math>), або білим пікселем, якщо інтенсивність зображення є більшою, ніж Т.
Найпростіший метод порогування полягає у заміні кожного пікселя зображення чорним пікселем, якщо інтенсивність зображення <math>I_{i,j}</math> є меншою, ніж деяка константа ''T'' (тобто <math>I_{i,j}<T</math>), 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 ==
== 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:
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 [[#Sezgin2004|(Sezgin et al., 2004)]]:


* Методи, які базуються на формі гістограми, де, наприклад, аналізуються вершини, інтервали спадання та викривлення згладженої гістограми
* Методи, які базуються на формі [[Гістограма|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 Гаусса
* 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 Гаусса
* Методи, які використовують [[Ентропія|ентропію]] передньої та фонової областей зображення, [[Перехресна ентропія|перехресну ентропію]] між оригінальним та бінарним зображеннями
* Методи, які використовують [[Ентропія|ентропію]] передньої та фонової областей зображення, [[Перехресна ентропія|перехресну ентропію]] між оригінальним та бінарним зображеннями<ref>{{cite journal|last1=Zhang|first1=Y.|title=Optimal multi-level Thresholding based on Maximum Tsallis Entropy via an Artificial Bee Colony Approach|journal=Entropy|date=2011|volume=13|issue=4|pages=841–859|url=http://www.mdpi.com/1099-4300/13/4/841|doi=10.3390/e13040841}}</ref>
* 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.
* Методи на основі атрибутів об'єктів шукають міру подібності між чорно-білим і бінаризованими зображеннями, таку як нечітка подібність форми, збіг країв зображення і&nbsp;т.&nbsp;д.
* Просторові методи використовують розподіл ймовірності вищого порядку, або кореляцію між пікселями
* 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.
* 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.<ref>{{Citation|last=Sokratis|first=Vavilis|title=A Hybrid Binarization Technique for Document Images|date=2011|url=http://dx.doi.org/10.1007/978-3-642-22913-8_8|work=Learning Structure and Schemas from Documents|pages=165–179|publisher=Springer Berlin Heidelberg|isbn=9783642229121|access-date=2019-04-28|last2=Kavallieratou|first2=Ergina|last3=Paredes|first3=Roberto|last4=Sotiropoulos|first4=Kostas}}</ref>

== Примітки ==
{{reflist}}

== Див. також ==
* [[Метод Оцу]]
* {{Нп|Пороговий метод гістограми|||Balanced histogram thresholding}}


== Посилання ==
== Посилання ==
* <cite id=Pham2007> Pham N, Morrison A, Schwock J et al. (2007). Quantitative image analysis of immunohistochemical stains using a CMYK color model. [http://www.pubmedcentral.nih.gov/articlerender.fcgi?tool=pubmed&pubmedid=17326824 ''Diagn Pathol.'' '''2:'''8].</cite>
* <cite id=Shapiro2001> [[Linda Shapiro|Shapiro, Linda G.]] & Stockman, George C. (2002). «Computer Vision». Prentice Hall. {{ISBN|0-13-030796-3}}</cite>
* <cite id=Sezgin2004> 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}}</cite>

== Подальше читання ==
* Gonzalez, Rafael C. & Woods, Richard E. (2002). Thresholding. In Digital Image Processing, pp.&nbsp;595&ndash;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.&nbsp;013004+, 2009. {{doi|10.1117/1.3073891}}
* Y.K. Lai, P.L. Rosin, Efficient Circular Thresholding, IEEE Trans. on Image Processing 23(3), pp.&nbsp;992&ndash;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}}


[[Категорія:Обробка зображень]]
# Zhang, Y. (2011). "[http://www.mdpi.com/1099-4300/13/4/841 Optimal multi-level Thresholding based on Maximum Tsallis Entropy via an Artificial Bee Colony Approach]". ''Entropy''. '''13''' (4): 841–859.
[[Категорія:Комп'ютерний зір]]
# Sokratis, Vavilis; Kavallieratou, Ergina; Paredes, Roberto; Sotiropoulos, Kostas (2011), "[http://dx.doi.org/10.1007/978-3-642-22913-8_8 A Hybrid Binarization Technique for Document Images]", ''Learning Structure and Schemas from Documents'', Springer Berlin Heidelberg, pp. 165–179, ISBN <bdi>9783642229121</bdi>, retrieved 2019-04-28
# E.,, Umbaugh, Scott. ''[https://www.worldcat.org/oclc/1016899766 Digital Image Processing and Analysis with MATLAB and CVIPtools], Third Edition'' (3rd ed.). ISBN <bdi>9781498766074</bdi>. OCLC 1016899766
# Sokratis, Vavilis; Kavallieratou, Ergina (September 2011). "[http://dx.doi.org/10.1109/icdar.2011.10 A Tool for Tuning Binarization Techniques]". ''2011 International Conference on Document Analysis and Recognition''. IEEE. doi:10.1109/icdar.2011.10. ISBN <bdi>9781457713507</bdi>.

Версія за 10:01, 21 червня 2019

Початкове зображення
Приклад ефекту використання методу порогування

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 є меншою, ніж деяка константа T (тобто ), 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 Гаусса
  • 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

  1. ↑ 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)
  2. ↑ 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
Отримано з https://uk.wikipedia.org/w/index.php?title=Порогування_(обробка_зображень)&oldid=25462995