Ngưỡng tốt nhất để chuyển đổi thang độ xám sang màu đen và trắng

Question

Cách tốt nhất để tự động tìm ra ngưỡng tốt nhất để chuyển đổi hình ảnh thang độ xám sang màu đen và trắng là gì? Tôi có thể tìm ra các giá trị ngưỡng khá tốt bằng tay, nhưng tôi muốn tự động chọn giá trị ngưỡng.

Chỉnh sửa: Tôi đã đọc một chút về vấn đề này và bằng cách xem biểu đồ cho hình ảnh có thể hữu ích, ví dụ: nếu hình ảnh có biểu đồ hai phương thức thì việc chọn ngưỡng giữa các chế độ có vẻ hợp lý. Tuy nhiên, đối với biểu đồ đa phương thức hoặc phẳng, nó xuất hiện phức tạp hơn. Vì vậy, tôi nghĩ rằng tôi có một số đọc nhiều hơn để làm. Cám ơn mọi người đã phản hồi!

Answer 1

0,5 thường kết thúc mất nhiều thông tin trừ khi hình ảnh gốc cực kỳ sáng. Trong thực tế, bất kỳ ngưỡng tuyệt đối nào cũng sẽ làm lộn xộn một loại hình ảnh này hoặc hình ảnh khác.

Phương pháp tốt hơn là tạo biểu đồ độ sáng và chọn ngưỡng gần chế độ. Điều này sẽ hoạt động tốt hơn trên hầu hết các hình ảnh so với bất kỳ ngưỡng tuyệt đối nào.

Answer 2

Tiêu chí của bạn cho ngưỡng "tốt" là gì? Bạn có thể muốn bắt đầu với cường độ xám trung bình của hình ảnh ...

Answer 3

Tôi cho rằng ngưỡng sẽ phụ thuộc vào bóng tối trung bình (hoặc phân phối màu) trên từng hình ảnh một cách độc lập. Nếu bạn đi với một giá trị tùy ý, sau đó bạn sẽ kết thúc mất rất nhiều dữ liệu nếu hình ảnh bắt đầu ra khá rửa sạch.

Ngoài ra, bạn có thể mô phỏng một số màu xám bằng cách thưa thớt một khu vực có màu đen và trắng. 50% màu xám là một bàn cờ khác, 75% bạn tô màu một nửa các ô vuông trắng còn lại, 25% bạn đảo ngược màu đen và trắng, v.v.

Tôi không nghĩ rằng có câu trả lời cố định cho câu hỏi này mà không xem xét từng câu hỏi hình ảnh riêng lẻ.

Answer 4

Halftoning dựa trên ngưỡng thường dẫn đến mất nhiều thông tin. Tùy thuộc vào mục đích, bạn có thể muốn xem xét dithering.

Tôi thích giao diện của bộ lọc Stucki, vì nó sắc nét và bảo toàn chi tiết. Here's a C# project thực hiện thuật toán. Bạn có thể tải xuống nguồn nếu bạn quan tâm.

Answer 5

Tôi sẽ xem xét thuật toán thresholding thích ứng. Một cái như vậy không khó thực hiện là Otsus method.

Tính năng này hoạt động bằng cách giả sử rằng bạn có pixel nền trước và pixel nền và cố gắng tìm cách tách chúng tốt nhất.

Answer 6

Các K-Means Clustering Method hoạt động tuyệt vời nếu bạn làm như sau:

1. Phân vùng hình ảnh vào khối Sub.
2. Áp dụng K-Means Clustering trên mỗi khối phụ. Kết quả là một hình ảnh nhị phân (Hãy giả sử những gì bạn muốn là '1' và phần còn lại '0').
3. Thực hiện lại bước 2, lần này trên các khối chồng chéo.
4. Áp dụng toán tử 'AND' trên hình ảnh phụ (Đối với khối phụ chồng chéo).

Thật dễ dàng để thực hiện trong Matlab.
Nếu cần, tôi có thể chia sẻ mã.