En el procesamiento de imágenes digitales , la creación de umbrales es el método más simple de segmentar imágenes . A partir de una imagen en escala de grises , se pueden utilizar umbrales para crear imágenes binarias . [1]
Definición
Los métodos de umbral más simples reemplazan cada píxel en una imagen con un píxel negro si la intensidad de la imagen es menor que alguna constante fija T (es decir, ), o un píxel blanco si la intensidad de la imagen es mayor que esa constante. En la imagen de ejemplo de la derecha, esto hace que el árbol oscuro se vuelva completamente negro y la nieve blanca se vuelva completamente blanca.
Categorización de métodos de umbralización
Para que la creación de umbrales sea completamente automatizada, es necesario que la computadora seleccione automáticamente el umbral T. Sezgin y Sankur (2004) clasifican los métodos de creación de umbrales en los siguientes seis grupos en función de la información que manipula el algoritmo (Sezgin et al., 2004) :
- Métodos basados en la forma del histograma , donde, por ejemplo, se analizan los picos, valles y curvaturas del histograma suavizado.
- Métodos basados en agrupamiento , donde las muestras de nivel de gris se agrupan en dos partes como fondo y primer plano (objeto), o alternativamente se modelan como una mezcla de dos gaussianos
- Los métodos basados en entropía dan como resultado algoritmos que utilizan la entropía de las regiones de primer plano y de fondo, la entropía cruzada entre la imagen original y binarizada, etc. [2]
- Los métodos basados en atributos de objeto buscan una medida de similitud entre el nivel de gris y las imágenes binarizadas, como similitud de forma difusa, coincidencia de bordes, etc.
- Métodos espaciales [que] utilizan una distribución de probabilidad de orden superior y / o correlación entre píxeles
- Los métodos locales adaptan el valor umbral de cada píxel a las características de la imagen local. En estos métodos, se selecciona una T diferente para cada píxel de la imagen.
Umbral multibanda
Las imágenes en color también pueden tener un umbral. Un enfoque es designar un umbral separado para cada uno de los componentes RGB de la imagen y luego combinarlos con una operación AND . Esto refleja la forma en que funciona la cámara y cómo se almacenan los datos en la computadora, pero no se corresponde con la forma en que las personas reconocen el color. Por lo tanto, los modelos de color HSL y HSV se utilizan con mayor frecuencia; tenga en cuenta que dado que el tono es una cantidad circular, requiere un umbral circular . También es posible utilizar el modelo de color CMYK (Pham et al., 2007) .
Distribuciones de probabilidad
Los métodos basados en la forma del histograma en particular, pero también muchos otros algoritmos de umbral, hacen ciertas suposiciones sobre la distribución de probabilidad de la intensidad de la imagen. Los métodos de umbralización más comunes funcionan en distribuciones bimodales, pero también se han desarrollado algoritmos para distribuciones unimodales , distribuciones multimodales y distribuciones circulares .
Umbral automático
El umbral automático es una excelente manera de extraer información útil codificada en píxeles mientras se minimiza el ruido de fondo. Esto se logra utilizando un circuito de retroalimentación para optimizar el valor de umbral antes de convertir la imagen original en escala de grises a binaria. La idea es separar la imagen en dos partes; el fondo y el primer plano. [3]
- Seleccione el valor de umbral inicial, normalmente el valor medio de 8 bits de la imagen original.
- Divida la imagen original en dos porciones;
- Valores de píxeles que son menores o iguales al umbral; antecedentes
- Valores de píxeles superiores al umbral; primer plano
- Encuentre los valores medios promedio de las dos nuevas imágenes
- Calcule el nuevo umbral promediando las dos medias.
- Si la diferencia entre el valor de umbral anterior y el nuevo valor de umbral está por debajo de un límite especificado, ha terminado. De lo contrario, aplique el nuevo umbral a la imagen original y siga intentándolo.
Nota sobre la selección de límites y umbrales
El límite mencionado anteriormente lo puede definir el usuario. Un límite mayor permitirá una mayor diferencia entre los sucesivos valores de umbral. Las ventajas de esto pueden ser una ejecución más rápida pero con un límite menos claro entre el fondo y el primer plano. La selección de los umbrales de inicio se realiza a menudo tomando el valor medio de la imagen en escala de grises. Sin embargo, también es posible seleccionar los valores de umbral iniciales basándose en los dos picos bien separados del histograma de la imagen y encontrar el valor de píxel promedio de esos puntos. Esto puede permitir que el algoritmo converja más rápido; permitiendo elegir un límite mucho menor.
Limitaciones del método
El umbral automático funcionará mejor cuando exista una buena relación de contraste de fondo a primer plano. Lo que significa que la fotografía debe tomarse en buenas condiciones de iluminación y con un deslumbramiento mínimo.
Ver también
Referencias
- ^ (Shapiro, et al. 2001: 83)
- ^ Zhang, Y. (2011). "Umbral óptimo multinivel basado en la máxima entropía de Tsallis a través de un enfoque de colonia de abejas artificiales" . Entropía . 13 (4): 841–859. Código Bibliográfico : 2011Entrp..13..841Z . doi : 10.3390 / e13040841 .
- ^ E., Umbaugh, Scott (30 de noviembre de 2017). Procesamiento y análisis de imágenes digitales con MATLAB y CVIPtools, tercera edición (3ª ed.). ISBN 9781498766074. OCLC 1016899766 .
Fuentes
- Pham N, Morrison A, Schwock J et al. (2007). Análisis cuantitativo de imágenes de tinciones inmunohistoquímicas utilizando un modelo de color CMYK. Diagn Pathol. 2: 8 .
- Shapiro, Linda G. y Stockman, George C. (2002). "Visión por computador". Prentice Hall. ISBN 0-13-030796-3
- Mehmet Sezgin y Bulent Sankur, Encuesta sobre técnicas de umbral de imagen y evaluación cuantitativa del rendimiento, Journal of Electronic Imaging 13 (1), 146-165 (enero de 2004). doi : 10.1117 / 1.1631315
Otras lecturas
- González, Rafael C. y Woods, Richard E. (2002). Umbralización. En Procesamiento de imágenes digitales, págs. 595–611. Educación Pearson. ISBN 81-7808-629-8
- M. Luessi, M. Eichmann, GM Schuster y AK Katsaggelos, Marco para un umbral de imagen multinivel óptimo y eficiente, Journal of Electronic Imaging, vol. 18, págs. 013004+, 2009. doi : 10.1117 / 1.3073891
- YK Lai, PL Rosin, Umbral circular eficiente, IEEE Trans. sobre procesamiento de imágenes 23 (3), págs. 992–1001 (2014). doi : 10.1109 / TIP.2013.2297014
- Scott E. Umbaugh (2018). Procesamiento y análisis de imágenes digitales, págs. 93–96. Prensa CRC. ISBN 978-1-4987-6602-9