Перегляд вихідного коду сторінки Порогування (обробка зображень)

[[Файл:Pavlovsk Railing of bridge Yellow palace Winter.jpg|thumb|250px|Початкове зображення]]
[[Файл:Pavlovsk Railing of bridge Yellow palace Winter bw threshold.jpg|thumb|250px|Приклад ефекту використання методу порогування]]
'''Порогування''' є найпростішим методом [[Сегментація зображення|сегментації зображень]]. Із [[Відтінки сірого|чорно-білого]] зображення методом порогування можна отримати [[бінарне зображення]] [[#Shapiro2001|(Shapiro, et al. 2001:83)]].

== Означення ==
Найпростіший метод порогування полягає у заміні кожного пікселя зображення чорним пікселем, якщо інтенсивність зображення <math>I_{i,j}</math> є меншою, ніж деяка константа ''T'' (тобто <math>I_{i,j}<T</math>), або білим пікселем, якщо інтенсивність зображення є більшою, ніж ''T''. На прикладі наведеного зображення, бачимо, що темна частина дерева стала повністю темною, а білий сніг став повністю білим.

== Класифікація порогових методів ==
Для того, щоб вибір порогового значення був повністю автоматизованим, необхідно, щоб комп'ютер автоматично вибирав порогове значення. T. Sezgin і Sankur (2004) класифікували порогові методи у наступні шість груп, які базуються на основі інформації, яка використовується алгоритмом [[#Sezgin2004|(Sezgin et al., 2004)]]:

* Методи, які базуються на формі [[Гістограма|гістограми]], де, наприклад, аналізуються вершини, інтервали спадання та викривлення згладженої гістограми
* Методи, які базуються на основі кластеризації, в яких зображення сірого кольору кластеризуються поділом на дві частини: фон та передній план (об'єкта), або ж моделюються як комбінація двох функцій розподілу Гауса
* Методи, які використовують [[Ентропія|ентропію]] передньої та фонової областей зображення, [[Перехресна ентропія|перехресну ентропію]] між оригінальним та бінарним зображеннями<ref>{{cite journal|last1=Zhang|first1=Y.|title=Optimal multi-level Thresholding based on Maximum Tsallis Entropy via an Artificial Bee Colony Approach|journal=Entropy|date=2011|volume=13|issue=4|pages=841–859|url=http://www.mdpi.com/1099-4300/13/4/841|doi=10.3390/e13040841}}</ref>
* Методи на основі атрибутів об'єктів шукають міру подібності між чорно-білим і бінаризованими зображеннями, таку як нечітка подібність форми, збіг країв зображення і&nbsp;т.&nbsp;д.
* Просторові методи використовують розподіл ймовірності вищого порядку, або кореляцію між пікселями
* Локальні методи адаптовують порогове значення для кожного пікселя до локальних характеристик зображення. У цих методах для кожного пікселя на зображенні вибирається інше порогове значення ''Т''
* Змішані методи використовують як глобальне, так і локальне порогове значення і адаптують кожне значення пікселя на основі як локальних, так і глобальних характеристик зображення.<ref>{{Citation|last=Sokratis|first=Vavilis|title=A Hybrid Binarization Technique for Document Images|date=2011|url=http://dx.doi.org/10.1007/978-3-642-22913-8_8|work=Learning Structure and Schemas from Documents|pages=165–179|publisher=Springer Berlin Heidelberg|isbn=9783642229121|access-date=2019-04-28|last2=Kavallieratou|first2=Ergina|last3=Paredes|first3=Roberto|last4=Sotiropoulos|first4=Kostas}}</ref>

== Примітки ==
{{reflist}}

== Див. також ==
* [[Метод Оцу]]
* {{Нп|Пороговий метод гістограми|||Balanced histogram thresholding}}

== Посилання ==
* <cite id=Pham2007> Pham N, Morrison A, Schwock J et al. (2007). Quantitative image analysis of immunohistochemical stains using a CMYK color model. [http://www.pubmedcentral.nih.gov/articlerender.fcgi?tool=pubmed&pubmedid=17326824 ''Diagn Pathol.'' '''2:'''8].</cite>
* <cite id=Shapiro2001> [[Linda Shapiro|Shapiro, Linda G.]] & Stockman, George C. (2002). «Computer Vision». Prentice Hall. {{ISBN|0-13-030796-3}}</cite>
* <cite id=Sezgin2004> 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}}</cite>

== Подальше читання ==
* Gonzalez, Rafael C. & Woods, Richard E. (2002). Thresholding. In Digital Image Processing, pp.&nbsp;595&ndash;611. Pearson Education. {{ISBN|81-7808-629-8}}
* M. Luessi, M. Eichmann, G. M. Schuster, and A. K. Katsaggelos, Framework for efficient optimal multilevel image thresholding, Journal of Electronic Imaging, vol. 18, pp.&nbsp;013004+, 2009. {{doi|10.1117/1.3073891}}
* Y.K. Lai, P.L. Rosin, Efficient Circular Thresholding, IEEE Trans. on Image Processing 23(3), pp.&nbsp;992&ndash;1001 (2014). {{doi|10.1109/TIP.2013.2297014}}
* Scott E. Umbaugh (2018). Digital Image Processing and Analysis, pp 93–96. CRC Press. {{ISBN|978-1-4987-6602-9}}

[[Категорія:Сегментування зображень]]