임계값 설정(이미지 처리)

원본 이미지

이미지에 사용된 임계값 효과 예제

디지털 영상 처리에서 임계값 지정은 영상을 분할하는 가장 간단한 방법이다. 그레이스케일 이미지에서 임계값 지정을 사용하여 이진 이미지를 만들 수 있다. ^[1]

정의

가장 간단한 임계값 지정 방법은 $I_{i,j}$ $I_{i,j}$ I, $I_{i,j}$ j {\ $displaystyle I_{$ $i,j}$ 이(가) 일부 고정 상수 T( $,$ $I_{i,j}<T$ j < T $>, j$ $T$ >) $I_{i,j}<T$ 보다 작을 $I_{i,j}$ 경우 영상의 각 픽셀을 검은색 픽셀로 대체하고, 영상 명암도가 그 상수보다 클 경우 흰색 픽셀을 사용한다. 오른쪽의 예시 이미지에서 이것은 어두운 나무가 완전히 검게 변하고 하얀 눈이 완전히 하얗게 되는 결과를 낳는다.

임계값 지정 방법 분류

임계값을 완전히 자동화하려면 컴퓨터가 자동으로 임계값 T를 선택해야 한다. Szgin과 Sankur(2004)는 알고리즘이 조작하는 정보를 바탕으로 임계화 방법을 다음과 같은 6개 그룹으로 분류한다(Sezgin et al., 2004).

히스토그램 형태 기반 방법(예: 평활 히스토그램의 피크, 계곡 및 곡면도 분석)
군집화 기반 방법: 회색 수준 표본이 배경과 전경(객체)으로 두 부분으로 군집화되거나, 또는 두 가우스인의 혼합물로 교대로 모델링.
엔트로피 기반 방법은 전경 및 배경 영역의 엔트로피, 원본 영상과 이항 이미지 사이의 교차 엔트로피 등을 사용하는 알고리즘을 만든다.^[2]
Object Attribute 기반 메소드는 퍼지 형태 유사성, 가장자리 우연성 등과 같이 회색 수준과 이항화된 영상 사이의 유사성 측도를 검색한다.
고차 확률 분포 및/또는 픽셀 간의 상관 관계를 사용하는 공간적 방법[]
로컬 메소드는 각 픽셀의 임계값을 로컬 이미지 특성에 맞게 조정한다. 이러한 방법에서는 영상의 픽셀마다 다른 T를 선택한다.

멀티밴드 임계값

컬러 영상도 임계값이 될 수 있다. 한 가지 접근방식은 이미지의 각 RGB 구성요소에 대해 별도의 임계값을 지정한 다음 AND 연산과 결합하는 것이다. 이는 카메라가 작동하는 방식과 데이터가 컴퓨터에 저장되는 방식을 반영하지만, 사람들이 색을 인식하는 방식에는 해당하지 않는다. 따라서 HSL 및 HSV 색상 모델이 더 자주 사용된다. 색상은 원형 수량이기 때문에 원형 임계값 설정이 필요하다는 점에 유의한다. CMYK 색상 모델도 사용할 수 있다(Pham et al.

확률분포

특히 히스토그램 형상 기반 방법뿐만 아니라 다른 많은 임계값 알고리즘도 이미지 강도 확률 분포에 대해 특정 가정을 한다. 가장 일반적인 임계값 지정 방법은 양면 분포에 대해 작동하지만, 단일 분포, 다중 분포, 원형 분포에 대해서도 알고리즘이 개발되었다.

자동 임계값 지정

자동 임계값 지정은 배경 노이즈를 최소화하면서 픽셀로 인코딩된 유용한 정보를 추출하는 좋은 방법이다. 이는 피드백 루프를 활용하여 원래 그레이스케일 이미지를 이진법으로 변환하기 전에 임계값을 최적화함으로써 달성된다. 그 아이디어는 이미지를 배경과 전경이라는 두 부분으로 분리하는 것이다.^[3]

초기 임계값(일반적으로 원본 이미지의 평균 8비트 값)을 선택하십시오.
원본 영상을 두 부분으로 나누십시오.
1. 임계값보다 작거나 같은 픽셀 값, 배경
2. 픽셀 값이 임계값보다 큼, 전경
두 새 영상의 평균 평균 값 찾기
두 평균을 평균하여 새 임계값을 계산한다.
이전 임계값과 새 임계값 간의 차이가 지정된 한계 미만인 경우 완료됨. 그렇지 않으면 계속 시도 중인 원본 이미지에 새 임계값을 적용하십시오.

한계값 및 임계값 선택에 대한 참고

위에서 언급한 한계는 사용자가 정의할 수 있다. 한도가 클수록 연속적인 임계값 간 차이가 커진다. 이것의 장점은 더 빨리 실행될 수 있지만 배경과 전경 사이의 경계가 명확하지 않다. 시작 임계값을 선택하는 것은 종종 그레이스케일 이미지의 평균값을 취함으로써 이루어진다. 그러나 영상 히스토그램의 잘 분리된 두 개의 피크를 기준으로 시작 임계값 값을 선택하고 해당 포인트의 평균 픽셀 값을 찾을 수도 있다. 이것은 알고리즘이 더 빨리 수렴되도록 할 수 있고, 훨씬 더 작은 한계를 선택할 수 있다.

방법 한계

자동 임계값 지정은 양호한 배경 대 전경 대비 대비 비율이 존재할 때 가장 효과적일 것이다. 즉, 사진은 최소한의 섬광으로 양호한 조명 조건에서 촬영되어야 한다는 것을 의미한다.

참고 항목

참조

^ (샤피로, 외 2001:83)
^ Zhang, Y. (2011). "Optimal multi-level Thresholding based on Maximum Tsallis Entropy via an Artificial Bee Colony Approach". Entropy. 13 (4): 841–859. Bibcode:2011Entrp..13..841Z. doi:10.3390/e13040841.
^ E., Umbaugh, Scott (2017-11-30). Digital Image Processing and Analysis with MATLAB and CVIPtools, Third Edition (3rd ed.). ISBN 9781498766074. OCLC 1016899766.

원천

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

추가 읽기

곤잘레스, 라파엘 C. & 우즈, 리처드 E. (2002) 임계값 지정 디지털 이미지 처리에서, 페이지 595–611. 피어슨 교육. ISBN 81-7808-629-8
M. Luessi, M. Eichmann, G. M. Schuster 및 A. K. Katsaggelos, 효율적인 다단계 이미지 임계값을 위한 프레임워크, Journal of Electronic Imaging, vol. 18, 페이지 013004+, 2009. doi:10.117/1.3073891
Y.K. 라이, P.L. 로신, 효율적인 순환 임계값, IEEE 트랜스. 이미지 처리 23(3), 페이지 992–1001(2014). doi:10.1109/TIP.2013.2297014
스콧 E. 엄보(2018). 디지털 이미지 처리 및 분석, 페이지 93-96. CRC 프레스. ISBN 978-1-4987-6602-9

[1] (샤피로, 외 2001:83)

[2] Zhang, Y. (2011). "Optimal multi-level Thresholding based on Maximum Tsallis Entropy via an Artificial Bee Colony Approach". Entropy. 13 (4): 841–859. Bibcode:2011Entrp..13..841Z. doi:10.3390/e13040841.

[3] E., Umbaugh, Scott (2017-11-30). Digital Image Processing and Analysis with MATLAB and CVIPtools, Third Edition (3rd ed.). ISBN 9781498766074. OCLC 1016899766.

[1]

[2]

[3]

Search