Uyarlanabilir eşikleme daha önce birkaç soruda tartışılmıştır:
Matlab kullanarak karaciğer segmentasyonu için Uyarlanabilir Eşik
Bu örnekte belge görüntü eşiklemesi için en iyi algoritmalar nelerdir?
Tabii ki, Uyarlamalı eşikleme için birçok algoritma vardır. Hangilerini en etkili ve yararlı bulduğunuzu bilmek istiyorum.
Hangi Adaptif algoritmaları en çok ve hangi uygulama için kullandınız; bu algoritmayı nasıl seçersiniz?
Yanıtlar:
Madenin tam bir cevap olacağını sanmıyorum, ancak bildiklerimi sunacağım ve bu topluluk tarafından düzenlenmiş bir site olduğu için birilerinin yakında ücretsiz bir cevap vereceğini umuyorum :)
Uyarlanabilir eşikleme yöntemleri , tüm görüntü boyunca aynı eşiği kullanmayanlardır .
Ancak, bazı basit kullanımlar için, bazen en basit yinelemeli yöntemden daha akıllı bir yöntemle bir eşik seçmek yeterlidir . Otsu'nun metodu , görüntünün iki piksel sınıfı içerdiğini varsayan, ön plan ve arka plan olan ve iki yönlü bir histograma sahip olan popüler bir eşleştirme yöntemidir . Daha sonra birleşik yayılmalarını en aza indirmeye çalışır (sınıf içi değişkenlik).
Gerçekten uyarlanabilir eşikleme yöntemleri olarak düşünülebilecek en basit algoritmalar , görüntüyü bir hücre ızgarasına bölen ve daha sonra ayrı bir görüntü olarak muamele eden her hücreye basit bir eşikleme yöntemi (örneğin, yinelemeli veya Otsu yöntemi) uygulayanlardır (ve varsayarak) çift yönlü bir histogram). Eğer bir alt görüntü iyi eşiklenemiyorsa, komşu hücrelerden birinin eşiği kullanılabilir.
Yerel eşiği bulmak için alternatif yaklaşım , her pikselin yerel mahallesinin yoğunluk değerlerini istatistiksel olarak incelemektir . Eşik, her piksel için farklıdır ve yerel mahallesinden hesaplanır ( medyan, ortalama ve diğer seçenekler mümkündür). Dahil yöntemlerin bu tür bir uygulama yoktur OpenCV kütüphanesinde içinde cv::adaptiveThresholdingişlevi.
Bradley Yerel Eşiği adlı benzer bir yöntem daha buldum . Ayrıca, piksel parlaklığı, çevreleyen piksellerin ortalama parlaklığından yüzde t daha düşükse, parlaklıkları siyah olarak ayarlayarak her pikselin çevresini de inceler . İlgili kağıt burada bulunabilir .
Bu yığın akışı cevabı Niblack adlı yerel (uyarlamalı) bir eşikleme yönteminden bahsediyor, ancak daha önce duymadım.
Son olarak, daha önceki küçük projelerimden birinde, Değişken Minimax Optimizasyonu ile Görüntü Eşikleme adı verilen bir yöntem var . İki bileşenin doğrusal olmayan bir kombinasyonu olan bir enerji fonksiyonunu optimize etmeye dayanan yinelemeli bir yöntemdir. Bir bileşen görüntüdeki en güçlü yoğunluk değişimlerinin konumuna dayanarak eşiği hesaplamayı amaçlamaktadır. Diğer bileşen (nesne) sınır alanlarındaki eşiği yumuşatmayı amaçlar. Analog cihazların görüntülerinde (cam / plastikten çeşitli gölgeleme ve yansıma) oldukça iyi olduğu kanıtlanmıştır, ancak yineleme sayısı için dikkatli bir seçim yapılması gerekir.
Geç düzenleme : Bu cevaba yapılan yorumdan ilham alınmıştır . Engebeli aydınlatma koşullarında çalışmanın bildiğim bir yolu daha var. Buraya koyu arka plandaki parlak nesneler hakkında yazacağım, ancak durum tersine döndüğü zaman aynı sebep uygulanabilir. Görüntünün beyaz şapka dönüşümü , orijinal görüntü yerine sabit bir eşik ile eşiklenir . Bir görüntünün beyaz şapka, görüntü ile açılış arasındaki farktan başka bir şey değildir . Daha fazla açıklama olarak, P. Soille'den bir teklif sunmama izin verin : Morphological Image Analysis :γ ( f )
Orijinal görüntünün büyük bir kare SE ile açılması tüm ilgili görüntü yapılarını kaldırır ancak aydınlatma işlevini korur. Orijinal görüntünün beyaz şapka veya aydınlatma işlevinin orijinal görüntüden çıkarılması, homojen aydınlatmalı bir görüntü çıkarır.
Burada birkaç eşikleme yönteminin karşılaştırmasını içeren bir makale bulabilirsiniz:
İşte binarizasyon yöntemlerini değerlendiren bir başka makale
Son projemde kullandığım uyarlanabilir ikilileştirme yöntemi, Sauvola yönteminin kullandığı eşik fonksiyonunun hızlı hesaplanması için ayrılmaz görüntüler kullanmaktadır. Sauvola yöntemi şöyle tarif edilmiştir:
(Kağıda göre) 20 kat hızlanma sağlayan bütünleşik görüntüler kullanan modifikasyon bu makalede açıklanmaktadır:
Bunlar sadece projem için binarizasyon yöntemini seçerken kullandığım kağıtlardır (resimlerde metin bulmak için). Uzman değilim, bu nedenle hangi yöntemin hangi uygulama için en iyisi olduğunu söyleyemem.
Bu soru farklı bakış açılarından çok iyi cevaplandı ve deneyimlerimi özetlemek ve uyarlanabilir ikili hale getirmeyle ilgili bazı sorunları vurgulamak istiyorum.
Uyarlanabilir ikili hale getirme üç kategoriye ayrılabilir:
1) Global yöntem: Bu yöntemle ilk olarak görüntünün arka planı tahmin edilir; bundan sonra arka plan bilgisi yardımı ile normalize edilmiş bir görüntü oluşturulur. Sonra küresel ikilileştirme yöntemi kullanılır.
2) Yama-bazlı yöntem: adından da anlaşılacağı gibi, yama-bazlı yöntem yama ile ikilileştirme yamasını gerçekleştirecektir. Her bir yamada, bir küreselleşme yöntemi ile bir ikili hesaplama tahmin edilmektedir. Bundan sonra, komşu yamalardaki çiftleşme eşiğinin yumuşak bir geçişi olduğuna dair dava açmak için bazı işlem sonrası gerçekleştirilir.
3) Hareketli pencere yöntemi: bu yöntemle ikilileştirme piksel cinsinden yapılır. Penceredeki piksel istatistiklerini hesaplamak için hareketli bir pencere kurulur ve istatistiklere dayanarak penceredeki merkez pikselin eşiği hesaplanır.
Uygulamaya bağlı olarak hangi yöntemin en iyisi olduğunu söylemek çok zor. Uyarlanabilir bir ikili hale getirme düşünüyorsanız, aşağıdaki soruları dikkate almayı unutmayın:
1) parametre ayarı: yöntemin otomatik parametre ayarlama prosedürü var mı? Çoğu durumda çalışabilmesi için parametreleri nasıl çok iyi ayarlayabiliriz?
2) İyi bir uyarlamalı ikilileştirmeyi haklı çıkarma kriteri nedir? Çoğu durumda, farklı ikilileştirme yöntemleri arasındaki fark gerçekten küçüktür. Bununla birlikte, küçük fark, sonunda büyük farklara yol açabilir.
3) bazı durumlarda ikilemeleştirme çalışabilir mi? Örneğin, adaptif binarizasyonun hedefinin siyah arkaplandan nesneler çıkarırken çıkartılması olduğunu varsayalım, binarizasyon otomatik olarak bu duruma adapte olabilir mi? Veya vize yardımcısı.
4) uyarlanabilir yöntemler sadece yerel yapılandırmalara odaklanma eğilimindedir, bu nedenle ikili sonuç optimize edilmemiştir. Örneğin, ünlü Sauvola yöntemi, eğer optimize edilecek nesne hareketli pencereden çok daha büyükse içi boş nesne üretecektir. Uyarlanabilir yönteminiz bu sınırlamayı aşabilir mi?
5) ön işleme. İyi bir ikilileştirme ayrıca görüntü işleme içeriğini de içermelidir. Görüntü çok bulanıksa, algoritmanın parametrelerini otomatik olarak ayarlayabilir veya kötü ikili oluşumdan kaçınmak için ön işlemeyi başlatır.