Существующие методы бинаризации.
На момент написания работы существует бесчисленное (большое) количество методов бинаризации изображения. В статье «Сегментация изображения» [2] приводятся базовые методы бинаризации, такие, как:
Бинаризация заданным порогом.
Данный метод заключается в выборе определенным способом порога яркости, после чего бинаризация пикселей в отношении их яркости к порогу:
Порог, в данном случае, задается произвольным значением. Чаще всего используется средняя яркость, как среднее арифметическое всех пикселей на изображении (Рис. 1.2)
Бинаризация с двойным ограничением.
Этот метод служит для выделения областей, в которых значения яркости могут меняться в известном диапазоне.
Метод Оцу
Метод, предложенный японским исследователем Оцу хорошо описан в статье «Обнаружение объектов методом Оцу»[3]. Алгоритм выделяет 2 класса пикселей («полезные» и «фоновые»), после чего рассчитывается такой порог яркости, чтобы внутриклассовая дисперсия была минимальной. Внутриклассовая дисперсия определяется как взвешенная сумма дисперсий двух классов:
,
Где ω1 и ω2 являются вероятностями первого и второго класса соответственно. Оцу показал, что минимизация дисперсии внутри класса равносильна максимизации межклассовой дисперсии, которая выражается как:
,
Где а1 и a2 – средние арифметические значения для каждого из классов. (Рис 1.3)
Однако эти методы базируются на выборе одного порогового значения яркости для всех пикселей изображения, из-за чего ни метод Оцу, ни средняя яркость, ни другие методы нахождения общего порога яркости не являются наиболее информативными.
Например, если изображение состоит из большого светлого однородного пятна и большого темного, имеющего еще более темные пятна, становится очевидно, что информативная яркость на темном сегменте будет значительно ниже, нежели яркость, полученная средним значением и методом Оцу (рис. 1)
Несмотря на несовершенный результат, методы, описанные выше, используются в современном контурном анализе. В работе Н.М. Новиковой «Структурное распознавание образов» [4] повествуется о том, что перед бинаризацией (в данной работе она представлена как сегментация по порогу) можно проводить согласованную фильтрацию.
1)
2)
3)
4)
5)
Рис. 1: бинаризация изображения. 1.1) Оригинальное изображение. 1.2) По пороговому значению яркости 1.3) Метод Оцу 1.4) Сегментация с последующей максимизацией контуров в каждом сегменте 1.5) Метод максимизации контуров в окрестности точки.
Изначальное выявление низких частот с последующей бинаризацией изображения улучшает качество простых изображений, однако данный метод вводит дополнительную операцию в процесс обработки изображения, что в значительной мере бьет по производительности действующей программы. Более того, фильтрация только ухудшает результаты бинаризации изображений с несколькими порогами яркости.
Компания Phiplastic [5] разработала программное обеспечение, позволяющее распознавать микросхемы при помощи бинаризации. После стандартной обработки изображения с соответствующим порогом яркости шумы, полученные на обработанном изображении, фильтруются с помощью цветовых фильтров на исходном изображении. Данный алгоритм дает хорошие результаты распознавания и отсеивания шумов, однако принуждает пользователя вводить вручную дополнительные данные (например, цвет фонового изображения). Алгоритм обучаем и запоминает сохраненные данные, однако первоначальный ввод данных является необходимым для дальнейшей обработки изображений.
В работе Д. П. Николаева и А. А. Сараева «Критерии оценки качества в задаче автоматизированной настройки алгоритмов бинаризации» [6] представлен анализ модифицированного алгоритма Ниблэка. При применении данного алгоритма для каждого пикселя устанавливается локальный порог по формулам:
,
Где ϻ(x, y) и s(x, y) – среднее и среднеквадратичное отклонение выборки для некоторой окрестности точки. Коэффициент k задается произвольным образом для каждого изображения. В работе [6] добавляется дополнительный параметр «a», отвечающий за удаление шума в области фона:
Более
интересным методом является сегментация
на основе выделения областей путем
наращивания. Представленный в статье
«Алгоритмы сегментации изображений»
[7] ,
этот
метод предусматривает поиск групп
пикселей с близкими значениями яркости.
В простом случае используются только
свойства отдельных точек, в то время
как сложные алгоритмы построены на
объединении примитивных областей.
При центроидном связывании на исходном изображении выбираются стартовые точки, которым присваиваются различные метки. Точки с одинаковыми метками образуют отдельные множества. Плюсами подобного метода будут являться простота реализации и возможность оптимального учета дополнительной априорной информации о расположении объекта. Однако в данном случае отсутствует правило для выбора порога, для распознавания в однородной области. Также фигурирует необходимость повторных проходов в случае слияния областей.
Алгоритм слияния-расщепления базируется на разделения изображения на сегменты, которые затем анализируются для их проверки на однородность. При провале проверки (неудачной проверке) они разбиваются на 4 сегмента, а подходящие по условию мелкие сегменты могут быть объединены в одну область. Из недостатков данного метода можно выделить то, что он не отображает информации внутри области сегментов и возможных внутренних границ, а также требует большого объема памяти для хранения промежуточных результатов.