Пороговая обработка изображений¶

Пороговая обработка изображений — это метод сегментации цифровых изображений, основанный на преобразовании полутонового или цветного изображения в бинарное (двухуровневое) путём сравнения яркости (или интенсивности) каждого пикселя с заданным пороговым значением. В результате пиксели, значение которых превышает порог, относятся к одному классу (например, «объект»), а остальные — к другому («фон»). Это один из базовых и наиболее простых алгоритмов обработки изображений, широко применяемый в системах компьютерного зрения, машинного обучения и промышленной автоматизации.

¶История

Истоки пороговой обработки восходят к ранним этапам цифровой обработки сигналов и изображений в 1960-х годах. Первые алгоритмы, такие как метод Оцу (1979), предложенный японским учёным Нобуо Оцу, позволили автоматически выбирать оптимальный порог на основе гистограммы изображения. В 1980-х годах с развитием вычислительной техники и появлением первых систем машинного зрения пороговая обработка стала стандартным инструментом для задач распознавания образов, контроля качества и медицинской диагностики. В 1990-х — 2000-х годах были разработаны адаптивные и локальные методы, учитывающие неоднородность освещения, что расширило область применения.

¶Принцип работы

Пороговая обработка сводится к следующему преобразованию: для каждого пикселя с интенсивностью \(I(x, y)\) и порогом \(T\) результирующее бинарное значение \(B(x, y)\) определяется как:

\[ B(x, y) = \begin{cases} 1 & \text{если } I(x, y) \geq T \\ 0 & \text{если } I(x, y) < T \end{cases} \]

В случае цветных изображений порог может применяться к каждому каналу (RGB, HSV) или к предварительно вычисленной яркости. Порог \(T\) может быть фиксированным (глобальным) или изменяться в зависимости от локальных характеристик изображения (адаптивным).

¶Классификация методов

¶По способу выбора порога

• Глобальная пороговая обработка — один порог применяется ко всему изображению. Проста, но чувствительна к неравномерному освещению и шумам.
• Локальная (адаптивная) пороговая обработка — порог вычисляется для каждой области изображения (например, на основе среднего или медианного значения в окне). Позволяет компенсировать перепады яркости.
• Многоуровневая пороговая обработка — используется несколько порогов для разделения изображения на более чем два класса (например, на три уровня: тёмный, средний, светлый).

¶По алгоритму вычисления порога

• Метод Оцу — автоматический выбор порога, минимизирующего внутриклассовую дисперсию. Оптимален для бимодальных гистограмм.
• Метод треугольника (алгоритм Закера) — основан на построении линии от вершины гистограммы до её максимальной точки. Используется для изображений с ярко выраженным пиком.
• Метод среднего — порог устанавливается как среднее арифметическое всех значений интенсивности.
• Метод медианы — порог равен медианному значению гистограммы.
• Метод минимальной ошибки (Киттлера и Иллингворта) — минимизирует вероятность ошибочной классификации пикселей.
• Метод энтропии (Капура, Саху, Вонга) — максимизирует энтропию между классами.

¶По типу применения

• Простая бинаризация — прямое сравнение с порогом.
• Инверсная бинаризация — пиксели ниже порога становятся объектом (1), выше — фоном (0).
• Пороговая обработка с усечением — значения выше порога заменяются на порог, ниже — остаются без изменений.
• Пороговая обработка с обнулением — значения ниже порога обнуляются, выше — остаются.

¶Применение

¶Распознавание текста (OCR)

Пороговая обработка используется для выделения символов на отсканированных документах, вывесках или фотографиях текста. Бинаризация позволяет отделить чёрный текст от белого фона, что упрощает последующее распознавание.

¶Медицинская диагностика

В анализе рентгеновских снимков, МРТ и КТ пороговая обработка помогает выделить области интереса — опухоли, сосуды, костные структуры. Например, метод Оцу применяется для сегментации лёгких на снимках грудной клетки.

¶Промышленный контроль качества

На производственных линиях пороговая обработка используется для обнаружения дефектов (трещин, царапин, неоднородностей) на поверхности деталей, микросхем или упаковки. Системы технического зрения (например, на базе библиотек OpenCV) выполняют бинаризацию в реальном времени.

¶Биометрия и безопасность

В системах распознавания лиц, отпечатков пальцев или радужной оболочки глаза пороговая обработка применяется для выделения ключевых точек и контуров. Например, бинаризация изображения отпечатка пальца упрощает поиск минуций (особенностей узора).

¶Робототехника и автономные системы

Мобильные роботы и беспилотные автомобили используют пороговую обработку для выделения дорожной разметки, препятствий или границ проезжей части. Адаптивные методы компенсируют изменения освещения в течение дня.

¶Обработка спутниковых снимков

В геоинформационных системах (ГИС) пороговая обработка применяется для классификации земного покрова — выделения водных объектов, лесов, полей или городской застройки на основе спектральных каналов.

¶Преимущества и недостатки

¶Преимущества

• Простота реализации — алгоритм требует минимальных вычислительных ресурсов.
• Высокая скорость — пороговая обработка выполняется за один проход по изображению.
• Интуитивная понятность — результат легко интерпретировать.
• Широкая поддержка — реализована во всех библиотеках компьютерного зрения (OpenCV, scikit-image, MATLAB).

¶Недостатки

• Чувствительность к шуму — случайные выбросы яркости могут привести к ложным пикселям.
• Зависимость от освещения — глобальный порог неэффективен при неравномерном освещении.
• Ограниченность для сложных сцен — не подходит для изображений с перекрывающимися объектами или плавными переходами.
• Потеря информации — бинаризация уничтожает полутона и градиенты.

¶Интересные факты

• Метод Оцу, несмотря на свою простоту, остаётся одним из самых цитируемых алгоритмов в области обработки изображений (более 50 000 ссылок в научных публикациях).
• В некоторых системах машинного зрения пороговая обработка комбинируется с морфологическими операциями (эрозия, дилатация) для устранения шума и улучшения формы объектов.
• Для цветных изображений часто применяют пороговую обработку в цветовом пространстве HSV (Hue, Saturation, Value), где порог устанавливается по оттенку (Hue), что позволяет выделять объекты определённого цвета независимо от освещения.
• В задачах сегментации медицинских изображений пороговая обработка часто используется как первый этап перед более сложными методами, такими как водораздел или нейронные сети.

¶Источники

• Otsu, N. (1979). «A Threshold Selection Method from Gray-Level Histograms». IEEE Transactions on Systems, Man, and Cybernetics.
• Gonzalez, R. C., Woods, R. E. (2008). Digital Image Processing. 3rd ed. Pearson.
• Bradski, G., Kaehler, A. (2008). Learning OpenCV: Computer Vision with the OpenCV Library. O’Reilly Media.
• Shapiro, L. G., Stockman, G. C. (2001). Computer Vision. Prentice Hall.
• Документация библиотеки scikit-image: «Thresholding» (раздел «Image segmentation»).