적응 형 임계 값은 이전 몇 가지 질문에서 논의되었습니다.
이 예제에서 문서 이미지 임계 값에 가장 적합한 알고리즘은 무엇입니까?
물론 적응 임계 값에 대한 많은 알고리즘이 있습니다. 가장 효과적이고 유용한 것을 알고 싶습니다.
가장 많이 사용한 응용 알고리즘과 응용 프로그램 이 알고리즘을 어떻게 선택합니까?
적응 형 임계 값은 이전 몇 가지 질문에서 논의되었습니다.
이 예제에서 문서 이미지 임계 값에 가장 적합한 알고리즘은 무엇입니까?
물론 적응 임계 값에 대한 많은 알고리즘이 있습니다. 가장 효과적이고 유용한 것을 알고 싶습니다.
가장 많이 사용한 응용 알고리즘과 응용 프로그램 이 알고리즘을 어떻게 선택합니까?
답변:
나는 완전한 답변이 될 것이라고 생각하지 않지만 내가 아는 것을 제공 할 것이며 커뮤니티 편집 사이트이기 때문에 누군가가 무료 답변을 곧 제공 할 수 있기를 바랍니다. :)
적응 형 임계 값 방법은 전체 이미지에서 동일한 임계 값을 사용하지 않는 방법 입니다.
그러나 일부 간단한 사용법의 경우 가장 간단한 반복 방법 보다 똑똑한 방법으로 임계 값을 선택하는 것만으로도 충분합니다 . Otsu의 방법 은 이미지에 전경 과 배경 의 두 가지 클래스의 픽셀 이 있고 이중 모드 히스토그램 이 있다고 가정하는 일반적인 임계 값 방법입니다 . 그런 다음 결합 분산 (클래스 내 분산)을 최소화하려고 시도합니다.
진정한 적응 임계 값 방법으로 간주 될 수있는 가장 간단한 알고리즘 은 이미지를 셀 그리드 로 분할 한 다음 별도의 이미지로 처리하고 각 셀에 간단한 임계 값 방법 (예 : 반복 또는 Otsu의 방법)을 적용하는 알고리즘입니다. 바이 모달 히스토그램). 서브-이미지가 양호하게 임계 될 수 없다면, 이웃하는 셀들 중 하나로부터의 임계 값이 사용될 수있다.
로컬 임계 값을 찾는 다른 방법 은 각 픽셀의 로컬 인접 영역의 강도 값 을 통계적으로 검사하는 것 입니다. 임계 값은 각 픽셀마다 다르며 로컬 인접 지역에서 계산됩니다 ( 중간 값, 평균 및 기타 선택 가능). 함수의 OpenCV 라이브러리 에 포함 된 이러한 종류의 메소드 구현이 cv::adaptiveThresholding있습니다.
Bradley Local Thresholding 이라는 다른 유사한 방법을 찾았습니다 . 또한 픽셀 밝기가 주변 픽셀의 평균 밝기보다 t % 낮 으면 밝기를 검은 색으로 설정하여 각 픽셀의 주변을 검사합니다 . 해당 용지는 여기 에서 찾을 수 있습니다 .
이 stackoverflow 답변 은 Niblack 이라는 로컬 (적응) 임계 값 방법을 언급 하지만 이전에는 들어 본 적이 없습니다.
마지막으로, Variational Minimax Optimization의 Image Thresholding 이라는 이전의 작은 프로젝트 중 하나에서 사용한 방법이 있습니다 . 두 구성 요소의 비선형 조합 인 에너지 함수 최적화를 기반으로하는 반복적 인 방법입니다. 하나의 구성 요소는 이미지에서 가장 강한 강도 변화의 위치에 기초하여 임계 값을 계산하는 것을 목표로한다. 다른 구성 요소는 (오브젝트) 테두리 영역에서 임계 값을 부드럽게하는 것을 목표로합니다. 아날로그 기기의 이미지 (유리 / 플라스틱의 다양한 음영 및 반사)에 대해서는 상당히 우수하지만 반복 횟수를 신중하게 선택해야합니다.
후기 편집 : 이 답변 에 대한 의견에서 영감을 얻었습니다 . 고르지 않은 조명 조건을 해결하는 방법은 한 가지 더 있습니다. 여기서는 어두운 배경에 밝은 물체에 대해 쓸 것입니다. 그러나 상황이 반대 인 경우에도 같은 추론이 적용될 수 있습니다. 임계 값 원래 이미지 대신 일정한 임계 값으로 이미지의 흰색 탑햇 변환을 임계 값 으로합니다 . 이미지의 흰색 모자는 이미지 와 여는 것의 차이점 입니다. 추가 설명으로 P. Soille : Morphological Image Analysis 의 인용문을 제시하겠습니다 .
큰 정사각형 SE로 원본 이미지를 열면 모든 관련 이미지 구조가 제거되지만 조명 기능은 유지됩니다. 원본 이미지의 흰색 상단 모자 또는 원본 이미지에서 조명 기능을 빼면 균일 한 조명의 이미지가 출력됩니다.
여러 임계 값 비교 방법이 포함 된 논문을 여기에서 찾을 수 있습니다.
이진화 방법을 평가하는 또 다른 논문은 다음과 같습니다.
마지막 프로젝트에서 사용한 적응 이진화 방법은 Sauvola 방법에서 사용하는 임계 값 함수를 빠르게 계산하기 위해 적분 이미지를 사용합니다. Sauvola 방법은 다음에 설명되어 있습니다.
종이에 따라 20 배 빠른 속도를 제공하는 통합 이미지를 사용하는 수정이이 백서에 설명되어 있습니다.
이들은 프로젝트에서 이진화 방법을 선택할 때 사용한 이미지입니다 (이미지에서 텍스트 찾기). 나는 전문가가 아니므로 어떤 응용 프로그램에 가장 적합한 방법을 말할 수 없습니다.
이 질문은 다른 관점에서 매우 잘 대답되었으며, 내 경험을 요약하고 적응 이진화와 관련된 몇 가지 문제를 강조하고 싶습니다.
적응 이진화는 세 가지 범주로 나눌 수 있습니다.
1) 글로벌 방법 :이 방법으로 이미지의 배경을 먼저 추정합니다. 그 후, 배경 정보의 도움으로 정규화 된 이미지가 생성된다. 그런 다음 전역 이진화 방법이 사용됩니다.
2) 패치 기반 방법 : 이름에서 알 수 있듯이 패치 기반 방법은 패치별로 이진화 패치를 수행합니다. 각 패치에서 이진화는 전역 이진화 방법으로 추정됩니다. 그 후, 인접 패치에서의 이진화 임계 값이 부드럽게 전이되도록하기 위해 일부 후 처리가 수행된다.
3) 이동 창 방법 :이 방법을 사용하면 이진화가 픽셀 단위로 수행됩니다. 이동 윈도우는 윈도우 내의 픽셀 통계를 계산하도록 설정되고, 통계에 기초하여 윈도우 내의 중앙 픽셀에 대한 임계 값이 계산된다.
응용 프로그램에 따라 어떤 방법이 가장 적합한 지 말하기는 매우 어렵습니다. 적응 이진화를 생각할 때는 다음 질문을 고려해야합니다.
1) 파라미터 설정 : 방법에 자동 파라미터 설정 절차가 있습니까? 대부분의 경우 작동하도록 매개 변수를 어떻게 잘 설정할 수 있습니까?
2) 좋은 적응 이진화를 정당화하는 기준은 무엇입니까? 대부분의 경우 다른 이진화 방법의 차이는 실제로 작습니다. 그러나 작은 차이로 인해 결국 큰 차이가 발생할 수 있습니다.
3) 특정 상황에서 이진화가 가능합니까? 예를 들어, 적응 이진화의 목표가 검은 배경의 물체를 추출하는 동안 이진화가이 상황에 자동으로 적응할 수 있습니까? 또는 비자 비자.
4) 적응 방법은 로컬 구성에만 초점을 맞추는 경향이 있으므로 이진 결과는 최적화되지 않습니다. 예를 들어, 유명한 Sauvola 방법은 최적화 할 객체가 이동 창보다 훨씬 큰 경우 속이 빈 객체를 생성합니다. 적응 형 방법으로이 한계를 극복 할 수 있습니까?
5) 전처리. 좋은 이진화에는 이미지 처리 내부자가 포함되어야합니다. 이미지가 너무 흐려지면 알고리즘의 매개 변수를 자동으로 조정하거나 잘못된 이진화를 피하기 위해 전처리를 호출 할 수 있습니다.