Thresholding은 이미지의 기본 기술로 회색 스케일 이미지를 이진 이미지로 변환함으로써 배경에서 개체를 분리하는 이미지 세그먼트입니다. 그것은 널리 의료 이미징, 객체 감지 및 컴퓨터 비전과 같은 다양한 응용 분야에서 사용됩니다. 이 가이드는 일반적인 문턱 방법 및 실제 사용의 개요를 제공합니다.

글로벌 위협

글로벌 임계 값은 전체 이미지에 단일 임계값을 적용합니다. 임계 값의 강도 값이 배경이 있는 동안, 그 아래는 배경이 있는 동안 분류됩니다. 이 방법은 균일한 조명 조건으로 이미지에 간단하고 효과적입니다.

일반적인 기술은 다음과 같습니다 :

  • Otsu's Method: 자동적으로 인터 클래스 가변을 극대화하여 최적의 임계값을 결정한다.
  • Fixed Threshold: 사전 지식에 근거한 사전 정의된 값을 사용합니다.
  • 적응형 임계값:은 지역 이미지 영역에 기반한 임계값을 조정한다.

Adaptive 위협

적응 임계 값은 이미지의 다른 영역에 대한 다른 임계 값을 계산합니다. 그것은 심지어 조명 또는 그림자과 이미지에 유용합니다. 방법은 역동적인 임계값을 결정하는 로컬 픽셀 이웃을 고려합니다.

이 기술은 도전적인 점화 조건에서 세그먼트 정확도를 강화하고 문서 처리와 옥외 화상 진찰에서 자주 사용됩니다.

고급 위협 기술

더 정교한 방법은 다음과 같습니다 :

  • Entropy-Based Thresholding:는 엔트로피를 극대화하는 임계값을 선택하기 위해 정보 이론을 사용합니다.
  • 클러스터 기반 위협: 클러스터링 픽셀 인텐스에 기반한 세그먼트 이미지.
  • 다단계 위협: 여러 임계값을 사용하여 여러 클래스로 이미지를 나눕니다.

이 기술은 상세한 세그먼트를 요구하는 복잡한 이미지에 적합하며, 종종 전문 이미지 분석 소프트웨어로 구현됩니다.