1 베이직 글로벌 스레숄딩
2 오스 메서드를 이용한 최적 스레숄딩
3 스레숄딩 향상을 위한 스무딩 사용
4 스레숄딩 향상을 위한 에지 사용
5 멀티플 글로벌 스레숄딩
6 로컬 스레숄딩(어댑티브 스레숄딩)
1베이직 글로벌 스레숄딩
글로벌 스레숄딩
-이미지 전체에 싱글 스레숄드 적용
글로벌 스레숄드 추정 - 단순 반복 기술:
임의의 T를 기준으로 클래스를 나눈 후
각 클래스의 평균의 평균을 구해서
그것을 다시 T로 잡고
다시 반복
임의의 T를 기준으로 클래스를 나눈 후
각 클래스의 평균의 평균을 구해서
그것을 다시 T로 잡고
다시 반복
예제
옵티엄 글로벌 스레숄딩 - 오스 메소드 사용
PDF 기반 통계적 방법
-한 쪽 클래스가 너무 몰려있고 구별하려는 곳이 너무 적을 경우 제대로 된 thresholding 안될 수 있음
대안 : 오스 메서드
-목표 : 비트윈클래스 분산의 최대화
-아이디어 : 비트윈 클래스를 잘 분리하는 스레숄드가 최적임
-장점 : 계산에 적합한 히스토그램 기반
Within-class : 각 클래스들이 평균적으로 얼마나 퍼져있는지
Between-Class : 클래스간 얼마나 떨어져있는지
두 클래스의 좋은 분리 조건 : 작은 위딘, 큰 비트윈
오스 메서드 계산
-k 스레숄드 : C1은 k까지, C2는 k+1부터
-P1(k), P2(k) : 각 클래스의 확률
-m1(k), m2(k) : 각 클래스의 평균
비트윈 클래스 분산 = 전체 분산 - 위딘 분산
= 식1 : 정의, 의미
= 식2 : 의미(p1,p2가 비슷할수록, 평균이 멀수록 값 커짐)
= 식3 : 고속화
생략
최적의 스레숄드 k 찾기
-비트윈 클래스 분산을 최대화하는 값 찾기
-알고리즘
1) 확률계산
2) p1 계산
3) m(k)
4) Mg
5) 비트윈 클래스 분산 계산
6) 최대값을 갖는 k 찾기
시험
최적 값 : 3
a) 원본
b) 히스토그램
c) 베이직 글로벌 알고리즘 적용
d) 오스 메서드 적용
3 글로벌 스레숄딩 향상을 위한 스무딩 사용
노이즈 이미지 : 분포가 뒤섞임
a) 노이즈가 없는 이미지
b) 가우시안 노이즈 이미지, 강도10
c) 가우시안 노이즈 이미지, 강도50
스무딩 : 뒤섞인 분포를 분리하는 데 도움
a) 원본
c) 오스 메서드 적용
d) 노이즈 스무딩
f) 오스메서드 적용
글로벌 스레숄딩 향상을 위한 에지 사용
좋은 쉐입의 히스토그램
-높고, 좁고, 대칭적, 분리됨, 깊은 형태
에지를 사용하여 히스토그램 쉐입 향상시키기
알고리즘
예제1
예제2
바이너리 스레숄딩
스레쉬 값 : b < c
멀티플 글로벌 스레숄딩
오스메서드
-클래스2개
-클래스 k개
Ck : k번째 클래스
예제 k=3
예제
로컬 스레숄딩(어댑티브 스레숄딩)
일루미네이션, 리플렉턴스
-다양한 스레숄드
파티셔닝 기반
-작은 사각형으로 나눔
-각각에 오스 메서드 적용
로컬 통계
predicate : 술어, 조건
예제
무빙 애비리지
예제
4pixel > n = 20 > 5*5 mask
어댑티브 스레숄딩
어댑티브 스레숄딩
adaptiveThreshold() : 적응적 이진화
-영상의 모든 픽셀에 사각 블록 영역설정, 영역 내부의 값 분포로부터 고유의 임계값 결정
-불균일한 성분을 갖는 영상은 하나의 임계값으로 구분이 어렵기에 각 픽셀마다 다른 임계값 적용하는 것이 효과적
