مقاله روش انتخاب آستانه مناسب از هیستوگرام سطح خاکستری

یک روش غیر پارامتری و بدون نظارت که برای انتخاب آستانه خودکار وتقسیم بندی تصویر ارائه شده است. یک آستانه بهینه با معیار تفکیک کننده انتخاب می شود  تا حداکثر تفکیک از کلاسهای حاصل به رنگ خاکستری باشند .این روش بسیار ساده و فقط با استفاده از صفر و اولین لحظات انباشته از هیستوگرام سطح خاکستری است.  برای گسترش  و توسعه این روش به مسائل چندآستانه ای، نتایج آزمایشگاهی متعددی نیز برای پشتیبانی از اعتبار روش  ارائه شده است.

 

  در پردازش تصویر برای انتخاب آستانه کافی است  از سطح خاکستری برای استخراج اشیاء از پس زمینه استفاده شود که در این زمینه تکنیک های متنوعی ارائه شده است. در یک مورد ایده آل ، هیستوگرام بین دو دره عمیق و تند وجود دارد قله هایی که به ترتیب ، اشیاء و پس زمینه را نشان می دهند. آستانه را می توان در پایین این دره انتخاب کرد. با این حال  برای اکثر تصاویر واقعی ، تشخیص اغلب دشوار است و برای شناسایی  دقیق  پایین دره به ویژه در مواردی که دره صاف و پهن ، سر و صدا و نویز وجود دارد، یا وقتی این دو قله از نظر ارتفاع بسیار نابرابر هستند و اغلب هیچ دره قابل ردیابی ایجاد نمی کند. تکنیک هایی برای غلبه بر این مشکلات ارائه شده است، به عنوان مثال تکنیک تند کردن دره که هیستوگرام را به پیکسلهایی با مقادیر مطلق بزرگ، مشتق (لاپلاسی یا گرادیان) محدود می کند . روش اختلاف هیستوگرام که آستانه را با حداکثر اختلاف در سطح خاکستری انتخاب می کند.اینها از اطلاعات مربوط به پیکسل های همسایه یا لبه ها در تصویر اصلی استفاده می کنند تا هیستوگرام را تغییر دهند و برای آستانه مفید باشد. کلاس دیگری از روشها مستقیماً با هیستوگرام سطح خاکستری توسط تکنیک های پارامتری سروکار دارد.

به عنوان مثال، هیستوگرام با حداقل توزیع مربع گاوسی و رویه های تصمیم گیری آماری به کاربرده می شود با این حال  چنین روشی نیاز به محاسبات قابل توجهی خسته کننده و گاهی ناپایدار دارد و علاوه بر این، در بسیاری از موارد توزیع های گاوسی تقریباً نزدیک حالت های واقعی به نظر می رسد. در هر صورت هیچ خوبی از آستانه در دو مکان دیدنی ارزیابی نشده است.

با این حال، تجربه نشان داده است که با دستیابی به یک اپراتور انسانی، وضعیت های مبهم ناشی از داده های پراکنده نتایج بهتری کسب می کنند. اکثر روشهایی که تاکنون پیشنهاد شده اند این بدان معنی است که می تواند راهی مناسب برای به دست آوردن یک متد آستانه بهینه باشدو تعیین معیار مناسب برای ارزیابی "خوبی" آستانه از یک دیدگاه کلی تر باشد. در این مورد ابتدایی از انتخاب آستانه که فقط هیستوگرام  سطح خاکستری  بدون دانش قبلی کافی است . این به تنهایی به عنوان یک تکنیک استاندارد در پردازش تصویر مهم نیست ، بلکه دارای اهمیت  و ضرورتی برای تصمیم گیری بدون نظارت در تشخیص الگو می باشد. روشی جدید از نقطه نظرات  تحلیل و بررسی  تفکیک کننده پیشنهاد شده است ؛ این به طور مستقیم به امکان سنجی ارزیابی  "خوبی" از آستانه و انتخاب خودکار یک آستانه بهینه نزدیک می شود .

پیکسل های یک تصویر در سطح خاکستری  L نشان داده میشوند 1,2,..,L] [ وتعداد پیکسل ها در سطح i توسط n_i و تعداد کل پیکسل ها توسط N = n1 + n2 +… + nL  ، هیستوگرام سطح خاکستری نرمال شده و به عنوان یک توزیع احتمال در نظر گرفته می شود.

حال فرض کنید که پیکسل ها را به دو کلاس C0 و C1  (پس زمینه و اشیاء)  یا برعکس  توسط آستانه در سطح K تقسیم می کنیم،CO پیکسل هایی با سطح [1,…,k]و C1 پیکسل هایی با سطح  [k+1,…,L]. را نشان می دهد،  سپس احتمالات کلاس به ترتیب ، میزان وقوع و میانگین سطح کلاس را ارائه می دهند.

واریانس درون کلاس ، واریانس بین کلاسی  و واریانس کل سطوح را به ترتیب داریم، سپس مشکل ما برای یک مسئله بهینه سازی کاهش می یابد  برای جستجوی آستانه k یکی از توابع شی (معیارهای اندازه گیری)  که به حداکثر می رسد .این دیدگاه کلاسها در سطح خاکستری از هم جدا می شوند یا  برعکس ،آستانه ای که بهترین جدایی  از کلاس ها را در سطح خاکستری ارائه می دهد بهترین سطح آستانه خواهد بود.

نتیجه گیری :

روشی برای انتخاب آستانه به طور خودکار از یک هیستوگرام سطح خاکستری از دیدگاه تجزیه و تحلیل تمایز گرفته شده است. این به طور مستقیم با مشکل ارزیابی خوبی آستانه ها سروکار دارد. آستانه مطلوب (یا مجموعه ای از آستانه ها) توسط معیار تبعیض آمیز انتخاب می شود. یعنی با استفاده از حداکثر اندازه گیری  یا اندازه گیری تفکیک کلاسهای نتیجه در سطح خاکستری است.  روش پیشنهادی با ماهیت غیر پارامتری و بدون نظارت در انتخاب آستانه مشخص می شود و از مزایای مطلوب زیر برخوردار است:

1. این روش بسیار ساده است، فقط  از صفر و لحظات تجمعی مرتبه اول هیستوگرام سطح خاکستری  استفاده می شود.

2. آستانه بهینه (یا مجموعه ای از آستانه ها) به طور خودکار و پایدار انتخاب می شوند  نه بر اساس تمایز (یعنی یک خاصیت محلی مانند دره) بلکه بر روی ادغام (یعنی یک خاصیت جهانی) از هیستوگرام است.

3. جنبه های مهم دیگر نیز می تواند مورد تجزیه و تحلیل قرار گیرد (به عنوان مثال، برآورد میانگین سطح کلاس، ارزیابی تفکیک کلاس و غیره).

4. روش کاملاً عمومی است، دامنه وسیعی از رویه تصمیم گیری نظارت نشده را در بر می گیرد.

دامنه برنامه های کاربردی آن فقط به آستانه تصویر سطح خاکستری محدود نمی شود، مانند مواردی که در مطالب قبلی توضیح داده شده است، بلکه ممکن است موارد دیگری از طبقه بندی بدون نظارت را نیز در برگیرد که یک هیستوگرام برخی از ویژگی ها یا ویژگی برای طبقه بندی تبعیض آمیز است. اشیاء موجود   با در نظر گرفتن این نکات، روشی که در این مکاتبات ارائه شده ممکن است به عنوان ساده ترین استاندارد کمکی برای انتخاب آستانه خودکار توصیه شود که می تواند برای مسائل عملی مختلفی اعمال شود                 . 

منبع

https://ieeexplore.ieee.org/document/4310076