Thresholding 기술은 배경에서 세그먼트 객체를 위한 이미지 처리에 필수적입니다. 이진 이미지로 회색 스케일 이미지를 변환하여 이미지를 단순화하여 객체를 식별하고 분석하는 데 쉽게 활용할 수 있습니다.

기본 위협 방법

심플한 변화는 배경에서 개체를 분리하기 위해 임계값이라고 불리는 픽셀 강도 값을 선택하는 것입니다. 임계값 위의 인텐스를 가진 픽셀은 전경으로 분류되며, 그 아래는 배경입니다.

이 방법은 객체와 배경 사이의 명확한 대비를 가진 이미지에 효과적입니다. 일반적인 기술은 단일 임계값이 전체 이미지에 적용되는 글로벌 임계값을 포함합니다.

Adaptive 위협

적응 임계 값은 로컬 픽셀 인텐스를 기반으로 이미지의 다른 영역에 대한 임계 값을 조정합니다. 이 접근법은 심지어 조명 또는 다양한 배경과 이미지에 유용합니다.

그것은 역동적인 문턱을 산출하고, 복잡한 장면에 있는 세그먼트 정확도를 개량합니다. 기술은 의미와 Gaussian 적응시키는 문턱을 포함합니다.

오쓰의 방법

Otsu의 방법은 자동적으로 intra-class variance를 최소화하여 최적의 임계 값을 결정합니다. 이 지표는 전경과 배경을 가장 분리하는 임계값을 찾는 픽셀 인텐스의 신비를 분석합니다.

이 기술은 전경과 배경이 뚜렷한 강도 분포를 가지고 있는 bimodal 이미지에 효과적입니다.

Practical 신청

Thresholding은 객체 검출, 의료 이미징 및 기계 비전에서 널리 사용됩니다. 그것은 기능을 추출 및 객체 인식을 촉진하는 이미지를 단순화합니다.

  • 이미지 구분
  • 객체 계산
  • 배경 제거
  • Edge 검출