Los métodos de umbral más simples reemplazan cada píxel de una imagen con un píxel negro si la intensidad de la imagen es menor que un valor fijo llamado umbral , o un píxel blanco si la intensidad del píxel es mayor que ese umbral. En la imagen de ejemplo de la derecha, esto da como resultado que el árbol oscuro se vuelva completamente negro y la nieve brillante se vuelva completamente blanca.
Umbral automático
Si bien en algunos casos el usuario puede seleccionar el umbral manualmente, hay muchos casos en los que el usuario desea que un algoritmo establezca automáticamente el umbral. En esos casos, el umbral debe ser el "mejor" umbral en el sentido de que la partición de los píxeles por encima y por debajo del umbral debe coincidir lo más posible con la partición real entre las dos clases de objetos representados por esos píxeles (por ejemplo, píxeles debajo del umbral deben corresponder al fondo y los de arriba a algunos objetos de interés de la imagen).
Existen muchos tipos de métodos de umbralización automática, siendo el más famoso y utilizado el método de Otsu . Sezgin et al 2004 clasificaron los métodos de umbralización en grupos amplios según la información que manipula el algoritmo. [2] Sin embargo, tenga en cuenta que dicha categorización es necesariamente confusa ya que algunos métodos pueden clasificarse en varias categorías (por ejemplo, el método de Otsu puede considerarse tanto una forma de histograma como un algoritmo de agrupamiento)
Métodos basados en la forma del histograma , donde, por ejemplo, se analizan los picos, valles y curvaturas del histograma suavizado. [3] Tenga en cuenta que estos métodos, más que otros, hacen ciertas suposiciones sobre la distribución de probabilidad de intensidad de la imagen (es decir, la forma del histograma),
Métodos basados en agrupamiento , donde las muestras de nivel de gris se agrupan en dos partes como fondo y primer plano, [4] [5]
Los métodos basados en entropía dan como resultado algoritmos que utilizan la entropía de las regiones de primer plano y de fondo, la entropía cruzada entre la imagen original y binarizada, etc., [6]
Los métodos basados en atributos de objeto buscan una medida de similitud entre el nivel de grises y las imágenes binarizadas, como similitud de formas difusas, coincidencia de bordes, etc.
Los métodos espaciales utilizan distribución de probabilidad de orden superior y/o correlación entre píxeles.
Ejemplo de la ventaja del umbral local en caso de iluminación no homogénea. Imagen adaptada de [1].
Umbrales globales versus locales
En la mayoría de los métodos, se aplica el mismo umbral a todos los píxeles de una imagen. Sin embargo, en algunos casos, puede resultar ventajoso aplicar un umbral diferente a diferentes partes de la imagen, según el valor local de los píxeles. Esta categoría de métodos se denomina umbralización local o adaptativa. Están especialmente adaptados a casos en los que las imágenes tienen una iluminación no homogénea, como en la imagen del sudoku de la derecha. En esos casos, se define una vecindad y se calcula un umbral para cada píxel y su vecindad. Muchos métodos de umbralización global se pueden adaptar para funcionar de forma local, pero también existen métodos desarrollados específicamente para la umbralización local, como los algoritmos de Niblack [7] o Bernsen.
Software como ImageJ propone una amplia gama de métodos de umbral automáticos, tanto globales como locales.
Beneficios del umbral local sobre el umbral global[8]
Adaptabilidad a las características locales de la imagen: el umbral local puede adaptarse a variaciones en la iluminación, el contraste y la textura dentro de diferentes partes de la imagen. Esta adaptabilidad ayuda a manejar imágenes con condiciones de iluminación no uniformes o texturas complejas.
Preservación de detalles locales: al aplicar umbrales personalizados a diferentes regiones, el umbral local puede preservar detalles finos y bordes que podrían perderse en el umbral global, especialmente en áreas con diferentes intensidades o gradientes.
Sensibilidad reducida al ruido: el umbral local puede ser menos sensible al ruido en comparación con el umbral global, ya que la decisión de umbral se basa en estadísticas locales en lugar de en la imagen completa.
Ejemplos de algoritmos para umbral local
El umbral es un umbral
Extensiones del umbral binario
Imágenes multibanda
Las imágenes en color también pueden tener un umbral. Un enfoque consiste en designar un umbral independiente para cada uno de los componentes RGB de la imagen y luego combinarlos con una operación AND . Esto refleja la forma en que funciona la cámara y cómo se almacenan los datos en la computadora, pero no se corresponde con la forma en que las personas reconocen el color. Por lo tanto, los modelos de color HSL y HSV se utilizan con mayor frecuencia; tenga en cuenta que, dado que el tono es una cantidad circular, requiere un umbral circular . También es posible utilizar el modelo de color CMYK . [9]
Múltiples umbrales
En lugar de que un único umbral dé como resultado una imagen binaria, también es posible introducir múltiples umbrales crecientes . En ese caso, la implementación de umbrales dará como resultado una imagen con clases, donde los píxeles con una intensidad tal se asignarán a la clase . La mayoría de los métodos binarios de umbral automático tienen una extensión natural para el umbral múltiple.
Limitaciones
El umbral funcionará mejor bajo ciertas condiciones:
bajo nivel de ruido
mayor variación intraclase que entre clases, es decir, los píxeles de un mismo grupo tienen intensidades más cercanas entre sí que los píxeles de otro grupo,
^ Shapiro, Linda G.; Stockman, George C. (2001). Visión por computadora . Prentice Hall. pag. 83.ISBN 978-0-13-030796-5.
^ Sankur, Bülent (2004). "Encuesta sobre técnicas de umbralización de imágenes y evaluación cuantitativa del desempeño". Revista de imágenes electrónicas . 13 (1): 146. Código bibliográfico : 2004JEI....13..146S. doi :10.1117/1.1631315.
^ Zack, GW; Rogers, NOSOTROS; Latt, SA (julio de 1977). "Medición automática de la frecuencia de intercambio de cromátidas hermanas". Revista de histoquímica y citoquímica . 25 (7): 741–753. doi : 10.1177/25.7.70454 . PMID 70454. S2CID 15339151.
^ "Umbral de imagen mediante un método de selección iterativo". Transacciones IEEE sobre sistemas, hombre y cibernética . 8 (8): 630–632. 1978. doi :10.1109/TSMC.1978.4310039.
^ Barghout, L.; Sheynin, J. (25 de julio de 2013). "Percepción de escenas del mundo real y organización perceptiva: lecciones de la visión por computadora". Revista de Visión . 13 (9): 709. doi : 10.1167/13.9.709 .
^ Kapur, JN; Sahoo, PK; Wong, AKC (1 de marzo de 1985). "Un nuevo método para establecer umbrales de imágenes en niveles de grises utilizando la entropía del histograma". Visión por computadora, gráficos y procesamiento de imágenes . 29 (3): 273–285. doi :10.1016/0734-189X(85)90125-2.
^ Una introducción al procesamiento de imágenes digitales . Prentice-Hall Internacional. 1986.ISBN0-13-480600-X. OCLC 1244113797.[ página necesaria ]
^ Zhou, Huiyu., Wu, Jiahua., Zhang, Jianguo. Procesamiento de imágenes digitales: Parte II. Estados Unidos: Ventus Publishing, 2010. [ página necesaria ]
^ Pham, Nhu-An; Morrison, Andrés; Schwock, Jörg; Aviel-Ronen, Sarit; Iakovlev, Vladimir; Tsao, Ming-Sound; Hola, James; Hedley, David W. (27 de febrero de 2007). "Análisis de imágenes cuantitativas de tinciones inmunohistoquímicas utilizando un modelo de color CMYK". Patología Diagnóstica . 2 (1): 8. doi : 10.1186/1746-1596-2-8 . PMC 1810239 . PMID 17326824.
Lectura adicional
González, Rafael C. y Woods, Richard E. (2002). Umbral. En Procesamiento de imágenes digitales, págs. 595–611. Educación Pearson. ISBN 81-7808-629-8
Eichmann, Marco (2009). "Marco para un umbral de imagen multinivel óptimo y eficiente". Revista de imágenes electrónicas . 18 (1): 013004–013004–10. Código Bib : 2009JEI....18a3004L. doi : 10.1117/1.3073891.
Rosin, Paul L. (marzo de 2014). "Umbral circular eficiente". Transacciones IEEE sobre procesamiento de imágenes . 23 (3): 992–1001. Código Bib : 2014ITIP...23..992Y. doi :10.1109/TIP.2013.2297014. PMID 24464614.
Scott E. Umbaugh (2018). Procesamiento y análisis de imágenes digitales, págs. 93–96. Prensa CRC. ISBN 978-1-4987-6602-9