Görüntü eşikleme

Farklı işlemlerle yapılmış eşikleme görüntüleri

Dijital görüntü işlemede, eşikleme, görüntüleri bölümlere ayırmada kullanılan bir yöntemdir. Görüntülere gri tonlama eklendikten sonra ikili (binary) bir görüntü elde edilir. İkili görüntüler oluşturmak için eşikleme kullanılabilir.^[1]

Tanım

Eşikleme işlemi, bir görüntüde bulunan her bir pikseli siyah piksel ile değiştirir. Görüntü yoğunluğu ${\displaystyle I_{i,j}}$ sabit bir T'den (eşik değeri) küçükse o piksel siyah piksel olarak sınıflandırılır. Eğer görüntü yoğunluğu, sabit bir T'den (eşik değeri) büyükse o piksel ise beyaz piksel olarak sınıflandırılır.^[2] Yukarıdaki örnek bu işleme bir örnektir.

Eşikleme Yöntemleri

Farklı algoritmalar ile eşikleme yöntemleri uygulanabilmektedir. Ancak bir eşik değeri belirlenmesi gerekmektedir.^[3]

Histogramın tepe noktalarının, çukurlarının ve eğrilerinin analiz edildiği şekle bağlı yöntemler
Gri tonlamalı görüntülerin arka plan ve nesne olarak iki bölüme ayrıldığı veya Gaussian methodu ile kümeleme tabanlı yöntemler
Entropiye dayanan yöntemler^[4]
Nesne özniteliğine dayalı yöntemler
Yüksek dereceli olasılık dağılımını veya pikseller arasındaki korelasyonu kullanan yöntemler
Her piksel için farklı eşik değeri seçilebilen lokal (yerel) yöntemler

Çok Bantlı Eşikleme

Renkli görüntüler de eşiklenebilir. Başka bir eşikleme yöntemi olarak, görüntünün RGB bileşenlerinin her biri için ayrı bir eşik belirlenir. Ardından bu eşikler AND işlemiyle birleştirilir. Bu işlem toplanan verilerin nasıl depolandığını belirtir. Ancak insanların renkleri tanıma şekline karşılık gelmez. Bu sebeple, HSL ve HSV renk modelleri daha çok kullanılır. HSV'nin renk ölçeği dairesel olduğu için dairesel eşikleme gerekir. Bunların yanında CMYK renk modeli de kullanılabilir.^[5]

Olasılık Dağılımları

Genellikle histogram şekline bağlı yöntemler ve diğer birçok eşikleme algoritması; görüntü yoğunluğu ve olasılık dağılımı hakkında bazı varsayımlarda bulunur. En yaygın eşikleme yöntemleri, iki modlu dağılımlarda çalışır, ancak tek modlu dağılımlar, çok modlu dağılımlar ve dairesel dağılımlar için de algoritmalar geliştirilmiştir.

Otomatik Eşikleme

Otomatik eşikleme, arka plan görüntüsünün gürültüsünü en aza indirgerken, piksellerde bulunan yararlı bilgileri ortaya çıkarmanın bir yoludur. Bu, orijinal gri tonlamalı görüntüyü ikili görüntüye dönüştürmeden önce eşik değerini optimize etmek için bir geri besleme döngüsü kullanılarak gerçekleştirilir. Buradaki durum görüntüyü iki bölüme ayırmaktır: Arka plan ve nesne.^[6]

İlk eşik değeri, orijinal görüntünün 8 bitlik değeri seçilerek başlanır. Orijinal görüntü iki bölüme ayrılır. Eşik değere eşit veya daha düşük pikseller arka plan olarak belirlenir. Eşik değerden daha büyük pikseller ise nesne yani ön plan olarak belirlenir. Oluşan iki yeni görüntünün ortama mean değerleri bulunur. Elde edilen iki değerin ortalaması alınarak yeni eşik değeri hesaplanır. Önceki eşik değeri ile hesaplanan eşik değeri arasındaki fark belirlenen sınırın altındaysa işlem doğru bir şekilde tamamlanmıştır. Eğer sınırın altında değilse, hesaplanan eşik değeri orijinal görüntüye tekrar uygulanır. Bu durum eşik değer sınırın altında kalana kadar devam eder.

Eşikleme ile ilgili notlar

Yukarıda bahsedilen durum kullanıcı tarafından tanımlanabilir. Belirlenen sınır değerinin büyük olması, eşik değerlerin arasındaki farkın daha büyük olmasına imkan sağlayacaktır. Bunun avantajları, işlemin daha hızlı gerçekleşmesi olabilir. Ancak arka plan ile nesne arasındaki sınır, daha az nettir. Eşik değerlerin seçilmesi genellikle gri tonlamalı görüntünün ortalama değeri alınarak yapılır. Otomatik eşikleme, arka plan ile nesnenin konstrast oranı mevcut olduğunda en iyi şekilde çalışır. Bu, görüntünün minimum parlama ve iyi aydınlatma koşullarında çekilmesi gerektiği anlamına gelir.

Kaynakça

^ Shapiro, Linda G. (2001). Computer vision. George C. Stockman. Upper Saddle River, NJ: Prentice Hall. ISBN 0-13-030796-3. OCLC 45393572. 19 Eylül 2019 tarihinde kaynağından arşivlendi. Erişim tarihi: 24 Mayıs 2021.
^ Luessi, Martin; Eichmann, Marco; Schuster, Guido M.; Katsaggelos, Aggelos K. (Ocak 2009). "Framework for efficient optimal multilevel image thresholding". Journal of Electronic Imaging. 18 (1): 013004. doi:10.1117/1.3073891. ISSN 1017-9909.
^ Sezgin, Mehmet; Sankur, Bülent (1 Ocak 2004). "Survey over image thresholding techniques and quantitative performance evaluation". Journal of Electronic Imaging. 13 (1): 146-165. doi:10.1117/1.1631315. ISSN 1017-9909.
^ Zhang, Yudong; Wu, Lenan (1 Nisan 2011). "Optimal Multi-Level Thresholding Based on Maximum Tsallis Entropy via an Artificial Bee Colony Approach". Entropy (İngilizce). 13 (4): 841-859. doi:10.3390/e13040841. 20 Haziran 2019 tarihinde kaynağından arşivlendi. Erişim tarihi: 24 Mayıs 2021.
^ Pham, Nhu-An; Morrison, Andrew; Schwock, Joerg; Aviel-Ronen, Sarit; Iakovlev, Vladimir; Tsao, Ming-Sound; Ho, James; Hedley, David W (27 Şubat 2007). "Quantitative image analysis of immunohistochemical stains using a CMYK color model". Diagnostic Pathology. 2: 8. doi:10.1186/1746-1596-2-8. ISSN 1746-1596. PMC 1810239 $2. PMID 17326824.
^ Umbaugh, Scott E. (2017). Digital Image Processing and Analysis with MATLAB and CVIPtools, Third Edition. 3rd. ISBN 978-1-4987-6607-4. OCLC 1016899766.

[1] Shapiro, Linda G. (2001). Computer vision. George C. Stockman. Upper Saddle River, NJ: Prentice Hall. ISBN 0-13-030796-3. OCLC 45393572. 19 Eylül 2019 tarihinde kaynağından arşivlendi. Erişim tarihi: 24 Mayıs 2021.

[2] Luessi, Martin; Eichmann, Marco; Schuster, Guido M.; Katsaggelos, Aggelos K. (Ocak 2009). "Framework for efficient optimal multilevel image thresholding". Journal of Electronic Imaging. 18 (1): 013004. doi:10.1117/1.3073891. ISSN 1017-9909.

[3] Sezgin, Mehmet; Sankur, Bülent (1 Ocak 2004). "Survey over image thresholding techniques and quantitative performance evaluation". Journal of Electronic Imaging. 13 (1): 146-165. doi:10.1117/1.1631315. ISSN 1017-9909.

[4] Zhang, Yudong; Wu, Lenan (1 Nisan 2011). "Optimal Multi-Level Thresholding Based on Maximum Tsallis Entropy via an Artificial Bee Colony Approach". Entropy (İngilizce). 13 (4): 841-859. doi:10.3390/e13040841. 20 Haziran 2019 tarihinde kaynağından arşivlendi. Erişim tarihi: 24 Mayıs 2021.

[5] Pham, Nhu-An; Morrison, Andrew; Schwock, Joerg; Aviel-Ronen, Sarit; Iakovlev, Vladimir; Tsao, Ming-Sound; Ho, James; Hedley, David W (27 Şubat 2007). "Quantitative image analysis of immunohistochemical stains using a CMYK color model". Diagnostic Pathology. 2: 8. doi:10.1186/1746-1596-2-8. ISSN 1746-1596. PMC 1810239 $2. PMID 17326824.

[6] Umbaugh, Scott E. (2017). Digital Image Processing and Analysis with MATLAB and CVIPtools, Third Edition. 3rd. ISBN 978-1-4987-6607-4. OCLC 1016899766.

[1]

[2]

[3]

[4]

[5]

[6]