Невозможно установить порог яркости изображения: Невозможно установить порог яркости изображения finereader. Получить информацию об изображении. Установка параметров сканирования

Фильтрация и техническая ретушь. Обработка фотографий после сканирования

Сканирование — это просто: Фильтрация и техническая ретушь

Для обработки растровых изображений создано огромное количество программных фильтров. В этой статье мы рассмотрим только те из них, что используются для улучшения резкости и удаления технических дефектов.

Ни один сканер, сколь бы хороши его параметры ни были, не дает необходимой степени резкости. Основная причина заложена в самом принципе сканирования — в дискретизации. Кроме того, детали изображения размываются из-за погрешностей оптики сканера и шума, вносимого его электронным трактом. При большом увеличении слайдов и фотографий начинает проявляться их зернистая структура, и это также приводит к потере резкости. У печатных оригиналов приходится бороться с муаром, что тоже не проходит бесследно для резкости изображения.

Во многих сканерах, особенно профессионального класса, встроены аппаратные модули для повышения резкости и подавления полиграфического растра. Их, конечно, надо использовать в процессе сканирования — они не требуют дополнительного времени и часто работают лучше, чем фильтры, включенные в PhotoShop.

Фильтр нерезкого маскирования (Unsharp Mask)

Практически единственным способом увеличения резкости после сканирования является применение фильтра Unsharp Mask. Действие его основано на особенностях зрения человека, воспринимающего местное повышение контраста на границах областей с различными яркостями как субъективное увеличение резкости. Иначе говоря, этот фильтр подчеркивает контуры предметов.

В PhotoShope этот фильтр управляется тремя параметрами:

A — (Amount) коэффициент усиления яркости на границе (в процентах к исходной величине C),

В развитых программах сканирования количество управляющих параметров 5 и более. В действительности этот фильтр включает в себя не один, а два — на первом этапе действует фильтр Blur. Он сглаживает контуры на ширину радиуса B. Это необходимо для того, чтобы определить разницу между начальным профилем яркости и сглаженным, а затем эту разницу увеличить на параметр A.

Как подобрать оптимальные значения этих параметров в каждом конкретном случае?

Фильтр Unsharp Mask

Я бы предложил следующую методику:

— установите масштаб просмотра изображения равным натуральному, т. е. чтобы сантиметр на линейках вокруг картинки в PhotoShop был равен действительно сантиметру. При таком масштабе легче оценить степень эффекта. Параметр А установите равным 150% в качестве начального значения, порог C — в значение 0, а радиус B подбирается так, чтобы хорошо проработались мелкие детали и при этом не возникло бы заметных ореолов вокруг крупных предметов (особенно на гладком фоне). Обычно предлагается в качестве начального значения задать радиус равным коэффициенту качества сканирования 1.5-2 (см. Алгоритм сканирования), т. е. чтобы радиус действия фильтра был примерно равен ячейке растра. Если на изображении много мелких деталей (например фактурная ткань), то, возможно, придется уменьшать параметры А и B, чтобы на изображении не появилось «терки».

Напротив, если резкость оригинала невысока, а радиус B уже на пределе (ореолы становятся заметны), то для усиления действия фильтра увеличивают параметр A. Порог С надо стараться выбирать минимальным. Если на скане не видно шума (зерна), то С можно устанавливать в значение 0. Если зерно присутствует, то значение порога увеличивают на 4-8 единиц, чтобы избежать усиления шумовой составляющей. Избавляться полностью от шума не стоит, ведь в этом проявляется зернистая (мозаичная) структура любого фотослоя, будь то слайд или фотография, более того, именно умеренное проявление зерна говорит о том, что уровень порога фильтрации C выбран правильно. Надо учитывать также, что в процессе печати изображение «разбивается» растром, каждая ячейка которого осредняет данные примерно 4 пикселей электронного изображения. Это приводит к сглаживанию шума и его маскировке регулярной структурой растра.

Для изображений, используемых только для просмотра на мониторе, например в окне интернет-броузера, следует полностью избавляться от шума, а радиус фильтрации выбирать не более одного пикселя. Дело в том, что шум и ореолы в процессе JPG компрессии могут значительно усилиться.

Фильтр сглаживания (Blur)

Иногда приходится решать обратную задачу: вместо увеличения резкости надо изображение немного «размыть». Это случается при неправильно выбранных параметрах сканирования. Часто размытие применяют и по художественным соображениям. Например, с помощью селекции и фильтра Gaussian Blur отделяют главный объект изображения от фона.

Фильтр Gaussian Blur

Этот фильтр управляется одним параметром — радиусом. Чтобы сгладить излишнее действие фильтра Sharp, достаточно радиус установить в значение 0.3-0.5 пиксела. Большие значения могут сильно размыть мелкие детали. Для творческих задач радиус фильтрации можно выбирать от 0 до 250 пикселей, но при больших значениях сильно увеличивается время фильтрации, ведь для каждой точки изображения компьютеру придется рассчитывать матрицу с десятками тысяч элементов (250 х 250=62500). Фильтр Blur может помочь и в борьбе с дефектами оригиналов и пылью, которая ухудшает результаты сканирования.

Фильтр ретуширования пыли и царапин (Dust & Stratches)

Неотъемлемым этапом подготовки электронных изображений является очистка их от царапин, пылинок, пятен, засветок и т. д. Это очень трудоемкая операция, особенно, когда размеры изображения велики. Очень часто этот этап приходится делать вручную с помощью клонирующего штампика, так как не создано пока универсальных «умных» процедур, которые бы эффективно распознавали дефекты на фоне мелких деталей изображения.*

Фильтр Dust & Stratches

Но если фон довольно гладкий или детали велики относительно дефектов, то на этих участках можно с успехом применить фильтр Dust & Stratches. Он так же, как фильтр Unsharp Mask, ищет скачки яркости на границе дефектов и затем закрашивает их цветом окружающего фона на глубину радиуса. Чтобы отличить дефекты от зерна пленки, нужен параметр Threshold (порог).

Фильтр добавления шума (Add Noise)

Ретуширующим инструментом может служить фильтр Noise. Он добавляет в изображение шум, т. е. небольшие случайные отклонения яркости и цвета для каждого пиксела изображения и тем самым маскирует дефекты. Этот фильтр бывает полезен для сглаживания «ступеней» в градиентах — это известная проблема растрирования, — а также для ретуширования пятен, бликов или «дырок», возникающих при неправильной установке белой точки. (см. Оригиналы для сканирования).

Изображения с очень узким тоновым тоновым диапазоном невозможно улучшить без появления шума и ступенчатости в гладком фоне.

Изображение до и после применения фильтра Noise

Применением фильтра Noise можно улучшить изображение, пострадавшее от чрезмерного расширения тонового диапазона. Это хорошо видно по гистограмме: из «расчески» она становится вполне приемлемой.

Гистограмма до и после применения фильтра Noise

В этом фильтре можно задать два типа генератора шума: uniform — равномерный, или «белый», — так его называют в математике и

Современные методы послойного ретуширования

Если дефекты относительно малочисленны и локальны, то с ними легко справиться просто с помощью клонирующего штампа. Что делать, когда слайд основательно поцарапан? Наилучшим решением, конечно, будет применение масляного слоя между слайдом и стеклом сканера. Масло заполняет дефекты слайда и как бы восстанавливает его поверхность. Это происходит из-за того, что слайд и масло имеют одинаковые коэффициенты преломления.

Вот несколько интересных способов ретуширования массовых дефектов. Смысл одного из них заключается в выделении дефектных областей в режиме Quick Mask.

Изображение с дефектами до и после после выделения в режиме Quick Mask

Надо выбрать подходящую кисть и скрупулезно закрасить все дефекты. Чем точнее выделенная область будет соответствовать поврежденным областям, тем лучше. Сохраните эту маску в отдельном канале. Затем надо дублировать исходный (дефектный) слой и применить к нему ретуширующий фильтр: например Blur или Dust & Stratches. Причем подбирать величину эффекта надо так, чтобы полностью удалить дефекты, несмотря на потерю деталей изображения. Теперь осталось взять из отфильтрованного слоя только те области, которые закроют дефекты, это поможет сделать ранее сохраненная маска.

Выделение дефектов в режиме Quick Mask

А вот результат смешения дефектного и ретуширующего слоя:

Результат смешения дефектного и ретуширующего слоя

Этот способ, несмотря на кажущуюся сложность*, имеет ряд неоспоримых преимуществ:

• не надо подбирать смещения клонирующего штампа для каждой царапины;
• можно плавно регулировать наложение двух слоев с помощью регулируемой прозрачности.

Недавно появилась новая модификация этого метода с использованием снимка (SnapShot) и ревертирующей кисти (History Brush Tool).

Использование снимка и ревертирующей кисти

Сначала ко всему изображению применяют ретуширующий фильтр и делают снимок. Не забудьте установить для него в палитре History значок источника . Затем надо вернуться к исходному изображению командой отмены Undo. Таким образом, мы получили два варианта изображения: исходное и отфильтрованное. Теперь с помощью ревертирующей кисти можно закрасить все дефекты, используя в качестве источника ранее сделанный снимок.

В особо сложных случаях, когда дефекты поражают мелко детализированные изображения, удобно применять ретушь в отдельном слое. Для этого надо включить в настройках для клонирующего штампа возможность работать на всех слоях (All Layers).

Убираем ненужные объекты (провода) с помощью клонирующего штампа

Здесь показаны способы подбора ретуширующих смещений для инструмента «Клонирующий штамп».

Подбор ретуширующих смещений

Иногда полезно проводить ретушь при 200% увеличении. Это, конечно, требует значительных затрат времени, но зато позволяет применять очень мелкие кисти (1-4 пикселя). Например, так можно справиться с ретушированием царапин на градиентном фоне. При исправлении больших области старайтесь действовать не длинными мазками, а отдельными пятнами. Еще лучше копировать подобные по цвету и фактуре участки.

Для ретуширования дефектов на темном фоне удобно отключать видимость отдельных каналов.

Отключение видимости каналов помогает не только при ретуши, но и при построении обтравочного контура в глубоких тенях.

Отключение отдельных каналов для ретуширования дефектов на темном фоне

В CMYK это обычно канал Cyan. Изображение становится значительно светлее и дефекты более заметными. При этом отключение видимости канала не мешает действовать на нем клонирующему штампу.

* Со времени написания статьи развитие технологий подарило миру много полезных инструментов. Мы можем порекомендовать в качестве «ретушировщиков» AKVIS Retoucher, а также инструменты последних версий редактора AliveColors.

Facebook

Twitter

Вконтакте

Pinterest

Настройка телевизора Самсунг

Однозначно определить оптимальные настройки изображения Samsung на самом деле невозможно. Уж очень от многих факторов они зависят. Бытовые условия просмотра играют не менее важную роль, чем личный вкус, режим работы и модель. Кроме того, все телевизоры одной модели незначительно отличаются от экземпляра к экземпляру.

В материале описано, как настроить ТВ Самсунг, чтобы изображение устраивало лично вас. Для удобства настройки настройки ТВ Samsung сгруппированы в таблицы. Вооружившись знанием, за что конкретно отвечает тот или иной параметр, вы всего за несколько шагов сможете получить гораздо лучшее изображение от LED телевизора, такого как Samsung TU7100, или QLED, например, Samsung Q80T.

Настройка телевизора Самсунг (калибровка)

Режим изображения

Режим изображения определяет грубое направление настройки телевизора Samsung в зависимости от того, в каких условиях освещения вы используете телевизор и для чего. Режимы изображения Samsung являются отправной точкой на пути к идеальной картинке на экране телевизора.

● Динамический: в этом режиме контент отображается более контрастно для ярко освещённых помещений.
● Стандартный: в этом режиме используются настройки по умолчанию для стандартных условий просмотра.
● Обычный: уменьшает нагрузку на глаза и повышает комфортность просмотра.
● Кино: этот режим изображения отлично подходит для просмотра фильмов в темноте.
● Filmmaker Mode: контент (например, фильм) можно просматривать в исходном виде. В этом режиме изображение может выглядеть темнее.

Дополнительные настройки ТВ Самсунг

● Подсветка: эта настройка позволяет регулировать яркость телевизора с целью адаптирования её к условиям освещения в комнате.
● Яркость: позволяет регулировать нижний порог яркости. Более высокое значение осветляет тёмные области, поэтому можно увидеть больше деталей.
● Местное затемнение: затемняет подсветку отдельных зон телевизора для получения максимального контраста. Эту настройку следует скорректировать в соответствии с личным вкусом. К сожалению, её невозможно полностью отключить. Но есть возможность выбора между Low, Standard или High.
● Контраст: здесь контраст между тёмными и светлыми участками изображения может быть увеличен за счёт детализации теней, чтобы различные области изображения лучше выделялись на фоне друг друга.
● Чёткость: этот параметр позволяет сделать всё изображение более чётким и резким, образуя контуры вокруг предметов на экране.
● Цвет: эта функция позволяет менять насыщенность цветов для увеличения их интенсивности.
● Тон (З/К): позволяет изменить красный или зелёный оттенок изображения.
● Цифровой фильтр шумов (Digital Clean View): эта функция позволяет эффективно подавлять мелкий шум изображения на экране.
● Motion Plus для игр: здесь находятся функции для улучшения обработки движения Samsung TV. Auto Motion Plus означает процедуру интерполяции Samsung.
● Снижение размытия: этот параметр выполняет исправление размытия движущегося объекта.
● Снижение дрожания: дрожание (джаддер) – это подёргивания изображения, возникающие, когда частота обновления экрана телевизора не кратна частоте сигнала.
● Чёткое изображение LED (LED Clear Motion): эта опция телевизора добавляет чёрный кадр (Black Frame Insertion) между двумя соседними, чтобы движения казались более чёткими. Но когда эта функция включена, изображение становится немного темнее. И это приводит к «мерцанию», которое хотя и не всем бросается в глаза, но всё же может иметь последствия.

● Подавление помех: снижает шум изображения с целью снизить помехи вследствие, например, мерцания.
● Улучшение контраста: позволяет улучшить контрастность изображения и статическую постобработку изображения.
● Режим HDR+: создаёт искусственный эффект HDR для материала SDR.
● Режим «Фильм»: в этом режиме выполняется настройка цветовой температуры в сочетании с настраиваемыми значениями яркости и контрастности.
● Оттенок: этот параметр позволяет настроить изображение телевизора Samsung на нужную цветовую температуру. Здесь можно выбрать между вариантами Тёплый 1 или Тёплый 2, исходя из собственных ощущений.
● Баланс белого: параметр позволяет удалять цветовые оттенки из белых и серых тонов.
● Гамма: позволяет выполнять дополнительные настройки цветокоррекции, которые влияют на распределение яркости по тонам.
● Режим только RGB: эта функция обеспечивает более тонкую настройку цветов в изображении. Желаемые цвета будут воспроизводиться более интенсивно.
● Настройки цветового пространства: позволяют точно регулировать цветовой интервал. Существуют настройки «Исходный», «Авто» или «Польз.».

Расширенные настройки изображения телевизора Samsung

● Игровой режим: когда этот параметр активирован, отключается дополнительная обработка, чтобы не было задержек и игра проходила более плавно. В более дорогих моделях можно выбрать дополнительные функции, такие как FreeSync VRR или Dynamic Black Enhancer. Если нужна интерполяция движения, то нужно активировать Auto Motion Plus в игровом режиме.

● Экономный режим: с помощью этой настройки изображения телевизора Samsung можно отрегулировать яркость, избежав перегрева устройства и снизив общее энергопотребление. Для этого есть следующие варианты:
1. Обнаружение окружающего освещения: яркость телевизора может автоматически регулироваться в зависимости от окружающих условий. Так снизится энергопотребление.
2. Минимальная подсветка: при активации функции обнаружения окружающего освещения минимальную яркость экрана можно настроить вручную.
3. Режим энергосбережения: позволяет снизить энергопотребление телевизора.
4. Подсветка движения: с помощью этой настройки яркость изображения регулируется в соответствии с движением на экране. Это снижает энергопотребление.
5. Автоматическое выключение: если в течение более 4 часов не выполнялось никаких действий, телевизор автоматически выключится, чтобы снизить ненужное потребление энергии.
● FreeSync: опция обеспечивает минимальную задержку вывода изображения для обеспечения динамической частоты обновления изображения VRR. Это воспроизводит игровой процесс без каких-либо неприятных визуальных эффектов, таких как разрывы изображения, заикания или «дёргания». Работает с Xbox One S и Xbox One X, а также с ПК с видеокартами AMD, поддерживающими FreeSync.
● Фильтр шума MPEG: эта функция устраняет ошибки изображения за счёт уменьшения шума сжатия MPEG и, таким образом, влияет на качество изображения. Можно выбрать между Off, Low, Medium, High и Auto.

● Уровень чёрного HDMI: можно настроить уровень чёрного цвета источника HDMI, чтобы можно было компенсировать матовость отттенков или низкую контрастность внешних устройств.
● Цвет HDMI UHD: параметр должен быть активирован для всех подключений HDMI, к которым подключены источники с содержимым HDR.

Изменение размера изображения

● Размер картинки: иногда фильмы или телепрограммы сохраняются в специальном формате. Для этого настройку телевизора Samsung Smart можно осуществить вручную.
1. Стандартный 16:9: формат изображения с соотношением сторон 16:9 представлен в большинстве программ.
2. 4:3: этот формат изображения особенно распространён в старых фильмах.
3. Пользовательский: этот формат можно адаптировать к индивидуальному содержимому изображения.
● Широкий авто: автоматическая настройка ширины экрана в соответствии с содержимым изображения.
● По размеру экрана: здесь весь формат автоматически адаптируется к экрану.

Теперь, когда нам известно, что определяет тот или другой параметр настроек, можно попытаться ответить на вопрос, как настроить телевизор Samsung любой серии. Итак, приступим.

Экономный режим

Настройки > Общие > Экономный режим. Во-первых, все настройки в экономном режиме должны быть отключены. В противном случае они могут оказать нежелательное влияние на качество изображения. Можно оставить Автоотключение – эта настройка не влияет на картинку.

Интеллектуальный режим

Настройки > Общие > Настройки интеллектуального режима. Это режим доступен в моделях QLED, а также в «The Frame» и «The Serif». Здесь нужно оставить включённым только Адаптивный звук.

Режим изображения

Настройки > Изображение > Режим изображения. Для большинства пользователей режим изображения «Кино» является лучшим. У него в основном лучшие пресеты и множество вариантов настройки.

Дополнительные настройки

Настройки > Изображение > Дополнительные настройки. Здесь можно сделать все тонкие настройки. Лучше всего пройтись по настройкам в порядке, указанном в таблице. Все значения параметров являются рекомендуемыми. Вы можете использовать их, подкорректировав по своему вкусу.

Auto Motion Plus

Настройки > Изображение > Дополнительные настройки > Auto Motion Plus. Здесь вы найдёте настройки интерполяции движения на телевизорах Samsung. Размытие и дрожание обычно выставляют на 0. Для Blu-ray или DVD дисков, возможно, придётся сделать некоторое смягчение этих параметров.

Настройки для HDR контента

Настройки > Общие > Диспетчер внешних устройств > Расширение входного сигнала. Если у вас есть HDR материал для воспроизведения с внешних источников, таких как Blu-Ray плеер или Xbox One, нужно включить расширенный входной сигнал.

Настройки > Изображение > Дополнительные настройки. Если HDR контент кажется слишком тёмным, измените следующие настройки.

Игровой режим

Настройки > Общие > Диспетчер внешних устройств > Настройки игрового режима. Если вы используете свой телевизор Samsung для игр, нужно включить игровой режим, а затем выполнить следующие настройки, чтобы немного улучшить изображение.

Настройки Motion Plus для игр

По аналогии с настройками Auto Motion Plus, здесь можно оптимизировать изображение движущихся объектов. Это особенно важно для консолей или игр с низкой частотой кадров (fps).

Итоги настройки Samsung TV

Теперь ваш телевизор Samsung должен быть настроен правильно. Все остальные настройки в основном не нужны. Конечно, всегда есть различия между экземплярами. Поэтому вы должны действовать спокойно и по инструкции и спокойно. Внесите коррективы в эти рекомендуемые значения, чтобы получить идеальное для вас изображение. Для ещё более точной или лучшей настройки телевизора необходима калибровка телевизора Samsung с соответствующими калибровочными устройствами и программное обеспечением.

Настройка Картинка-В-Картинке — Panasonic TH-65PF20 Operating Guide — Page 44 of 70

Налож. карт-в-карт

—

ВЫКЛ

0%

ВЫКЛ

1

Настройка Картинка-В-Картинке

Картинка-В-Картинке
Режим расположения
Прозрачность
Соотношение прозрачности
Вставка
Порог вставки

2/2

Установка

Установка мультиэкрана

Настройка Картинка-В-Картинке

Верт. положение

Установка таймера

44

Настройка Картинка-В-Картинке

Установите функцию дисплея с двумя экранами, которая активизируется при нажатии 

.

Нажимом кнопок выбирается
“Настройка Картинка-В-Картинке”.

Нажимом кнопки отображается меню 
“Настройка Картинка-В-Картинке”.

Нажать для отображения меню “Установка”.

1

2

3

Нажмите для выбора меню для регулировки.

Нажатием выберите опцию в меню.

Вставка вспомогательного экрана (Во время действия опции Налож. карт-в-карт)

1 

 Выберите опцию “ВКЛ” в пункте “Вставка”.

2 

 Выберите опцию “Порог вставки”. (От 1 до 10 %)

     Установите  пороговое  значение  уровня  яркости  для  разделения  между  прозрачными  и  непрозрачными 

областями на вспомогательном экране.

    Пример установки  Изображение для вставки (вспомогательный экран)            Порог вставки
                             

Фоновое изображение 

(основной экран)

Вставка двух изображений

На фоновом изображении 
отображаются  только  те 
области на накладываемом 
изображении, которые ярче 
значения “Порог вставки”.

10 %

1 %

Примечание: Пункт “Прозрачность” невозможно установить, когда опция “Вставка” находится в положении “ВКЛ”.

Прозрачное отображение вспомогательного экрана (Во время действия опции Налож. карт-в-карт)

1 

 Выберите опцию “ВКЛ” в пункте “Прозрачность”.

2 

 Установите уровень прозрачности для вспомогательного экрана в пункте “Соотношение прозрачности”. (От 0 до 100 %)

    Пример установки  Прозрачное изображение (вспомогательный экран)
                             

0 %: Непрозрачное

100 %: Полностью прозрачное

Примечание:  Пункт “Вставка” невозможно установить, когда опция “Прозрачность” находится в положении “ВКЛ”.

Картинка-В-Картинке

Картинка-В-Картинке Установите 
функцию с двумя экранами.

Карт-в-картинке

Доп. карт-в-карт

Налож. карт-в-карт

Режим расположения

Режим  отображения  можно  изменять  отдельно  для  каждой  функции, 
установленной в пукте “Настройка Картинка-В-Картинке”.

  Для опции “Карт-в-картинке”: 

— (Один экран)

Картинки рядом

Карт-вне-карт

Карт-в-карт

  Для опции “Доп. карт-в-карт”:   

— (Один экран)

От 1 до 8

  Для опции “Налож. карт-в-карт”: 

— (Один экран)

Полн

Карт-в-карт

Примечание: Режим отображения изменяется одинаковым образом при нажатии 

.

Методы и алгоритмы выбора оптимальных порогов разделения объектов при анализе изображений массивов горных пород Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 622:658.011.56

© Л.В. Иванов, М.Г. Горбонос, Б.Ф. Коньшин, 2015

Л.В. Иванов, М.Г. Горбонос, Б.Ф. Коньшин

МЕТОДЫ И АЛГОРИТМЫ ВЫБОРА ОПТИМАЛЬНЫХ ПОРОГОВ РАЗДЕЛЕНИЯ ОБЪЕКТОВ ПРИ АНАЛИЗЕ ИЗОБРАЖЕНИЙ МАССИВОВ ГОРНЫХ ПОРОД

Рассмотрены методы и алгоритмы выбора оптимальных значений для порогов разделения объектов при анализе изображений массивов горных пород. Ключевые слова: массив горных пород, буровзрывные работы, фотопланограмма, гранулометрический состав массив анализ изображения.

Введение

Наиболее быстрым способом оценки гранулометрического состава массива для оперативной корректировки параметров паспорта буровзрывных работ является анализ фотопланограммы взрываемого уступа карьера [1]. Она представляет собой растровое изображение (рис. 1), которое отображается в памяти компьютера в виде точек. Каждая точка несет числовое значение своей яркости в диапазоне от 0 до 255 (в случае монохромных изображений) [2].

Более темным тонам соответствует более низкое значение яркости, а следовательно меньшее числовое значение точки. Светлым тонам соответствует большее числовое значение из данного диапазона. Поэтому все трещины и тени представлены (с точки зрения анализа человеком) более темными точками, а скальная поверхность массива — более светлыми. На этом базируется методика распознавания для

Рис. 1. Увеличенная часть изображения

любой разновидности фотопланиметрического метода. Принципиальная модель анализа фотопланограммы выглядит следующим образом (рис. 2) [3].

Исходным множеством объектов «П» является совокупность пикселей всего изображения.

После применения процедуры сегментации изображения исходное множество П преобразуется в элементы множества М1.

Применение процедуры фильтрации объектов по уровню яркости разбивает множество М1 на два подмножества М2 (с недостаточной яркостью) и М3. В М3 содержатся только те объекты, которые обладают достаточной яркостью для объекта типа «отдельность».

Процедура фильтрации объектов по площади, проведенная над множеством М3 исключает из него объекты, площадь которых соответствует площади объектов мелкой выработки (множество М4). В результате множество «О» содержит только объекты-отдельности, их площади и позиции сохраняются в перечне объектов-отдельностей.

Проблема сепарабельности объектов

В силу возникающей при восприятии изображения неопределенности [4], представленные множества М2 (тени), М4 (мелкая выработка) и О (от-

дельности) в одном и том же пространстве признаков могут пересекаться (рис. 3).

Это связано с тем, что чем крупнее объект, относящийся к множеству О, тем большую тень он будет давать для множества М2. А та, в свою очередь, в силу своих размеров и возможной недостаточности глубины может оказываться в области О. Также, в силу малого размера и не достаточно низкой яркости некоторых теней множества М2, они могут попадать в область объектов мелкой выработки М4. Соответственно при разделении множеств О и М2, М4 и М2 неизбежно появление ошибок. В силу неважности объектов множества М4 для последующего анализа, неопределенность, связанную с разделением М4 и М2 можно не учитывать.

В случае же отнесения объекта множества О к множеству М2, он пропадет из итогового списка отдельностей и дальнейшая оценка гранулометрического состава будет искажена.

Проверить адекватность разделения, не прибегая к помощи другого вида анализа, нельзя. В теоретическом плане эта проблема до сих пор остается не решенной. В работе Олдендер-фера и Блэшфилда «Кластерный анализ» [5] подробно рассматриваются и в итоге отвергаются дополнительные пять методов проверки устойчивости:

1. кофенетическая корреляция [6] — не рекомендуется и ограниченна в использовании;

2. тесты значимости (дисперсионный анализ) [7] — всегда дают значимый результат;

Рис. 2. Модель анализа изображения массива горных пород

Рис. 3. Отражение неопределенности восприятия объектов

3. методика повторных (случайных) выборок [8] — не доказывает обоснованность решения;

4. тесты значимости для внешних признаков [9] — пригодны только для повторных измерений;

5. методы Монте-Карло [10] — очень сложны и доступны только опытным математикам.

В связи с этим потребовалось провести анализ выходных множеств объектов на каждом этапе классификации, начиная с процедуры сегментации, т.к. чем лучше сформировано исходное множество объектов, тем более точные результаты дают последующие процедуры классификации.

-Размер,

Рис. 4. Количество найденных сегментов и процент занимаемой площади наибольшего куска в зависимости от уровня порога

На рис. 4 представлены диаграммы количества найденных сегментов и максимальной площади сегмента в % от общей площади изображения, построенные на основе полученной выборки с тестового примера (рис. 1).

Зависимость количества найденных сегментов от уровня порога носит почти линейный характер, поэтому установить по ней какой-либо оптимум почти невозможно. К счастью, зависимость процента занимаемой площади для наибольшего куска от этого же порога имеет не нелинейный характер, и позволяет судить о процессе изнутри.

До отклонения в 30 единиц объединение шло плавно, постепенно наращивая площади сегментов за счет незначительных отклонений. Максимальный размер куска не превышал 10% от общей площади изображения. Но как только порог превысил 30 единиц, произошло слияние нескольких независимых сегментов, приведших к новообразованию в четверть общей площади изображения, что можно расценивать как переход порога в неоптимальную зону. Дальнейшее его увеличение приводит к все большему и большему накоплению ошибки,

вплоть до трактовки 50% изображения как единой зоны.

Полученные выводы позволили формализовать выбор оптимального порога разделения объектов. Введем следующие обозначения:

d — порог разделения объектов по яркости для процедуры сегментации;

T = и,, t0,…, t) — множество обна-

1 1′ 2′ ‘ п

руженных сегментов для порога d;

5 = Э, э0,…, э } — множество пло-

1 1′ 2′ ‘ п

щадей обнаруженных сегментов tn;

0,10 и 0,25 — выявленные в результате экспериментальных исследований значения допустимой минимальной и максимальной площади сегмента от всего изображения.

Соответственно границы оптимального порога разделения объектов для процедуры сегментации задаются следующим образом:

0,10 < Мах{5п} < 0,25

Еа5 (1)

Для выбора оптимального значения порога фильтрации объектов по уровню яркости (классификация на отдельности и тени) можно воспользоваться характерной зависимостью,

Соответственно оптимальный порог найден, когда новая итерация не вносит никаких изменений, т.е. выполнено условие:

с

= с

(2)

Рис. 5. Теневые объекты

связанной с особой устойчивостью теневых объектов. Она заключается в том, что по своей природе тени обладают заведомо меньшей вариативностью яркости, чем светлые отдельности, и поэтому даже с весьма узким порогом сегментации модель все равно объединяет их в достаточно крупные объекты (рис. 5)

Соответственно за оптимальный порог фильтрации по яркости можно принять яркость первого встретившегося крупного объекта при движении вниз от середины гистограммы яркости изображения (рис. 6).

Оптимальное значение порога фильтрации по площади можно получить с помощью выявленной зависимости снижения эффективности (рис. 7) каждой следующей итерации фильтра (2) при постепенном увеличении порога разделения по площади:

Введем следующие обозначения:

6 = {0,05, 0,10,…,6п} -множество значений порога разделения объектов по площади;

О — начальное множество объектов;

С = {с, с„,…,с } — мно-

1 1′ 2′ ‘ п’

жество перечней объектов из множества О, не прошедших фильтрацию с порогом 6 .

Выводы

Таким образом, значения порогов разделения объектов по каким-либо критериям становится адаптивными к обрабатываемому изображению, что позволяет более точно производить изначальную разбивку и последующую классификацию объектов на отдельности и тени. А это, в свою очередь, приводит к общему повышению качества распознавания объектов на изображении и большей точности последующего построения гранулометрического состава массива.

яркость■

Рис. 6. Поиск оптимума порога фильтрации по уровню яркости

20

41 10

¡V. >| —

1 1

0.05 0.1 0.2 0.3 0.4 0.5 0.6 0,7 0.8 0.9 1.0

Порог, % площади

Рис. 7. Количество оставшихся объектов при повышении значения порога разделения по площади

СПИСОК ЛИТЕРАТУРЫ

1. Кутузов Б.Н. Методы ведения взрывных работ. Ч. 1. Разрушение горных пород взрывом; 2-е изд. — М.: МГИ, 2009. — 471 с.

2. Грузман И.С., Киричук В.С., Косых В.П., Перетягин Г.И., Спектор А.А. Цифровая обработка изображений в информационных системах — Новосибисрк: НГТУ, 2002. — 168 с.

3. Иванов Л.В. Оценка потерь полезной информации при автоматизированном бесконтактном анализе состояния массива горных пород // Горный информационно-аналитический бюллетень. — 2013. — № 2. — C. 3-8.

4. Утробин В.А. Элементы теории активного восприятия изображений // Информатика и системы управления. — 2010. -C. 61-69.

КОРОТКО ОБ АВТОРАХ_

5. Олдендерфер М.С., Блэшфилд Р.К. Кластерный анализ; пер. с англ./ Под ред. И.С. Енюкова — М.: Финансы и статистика, 1989. — 215 с.

6. Райзин В.Дж. Классификация и кластер — М.: Мир, 1980. — 391 с.

7. Шеффе Г. Дисперсионный анализ -М.: Наука, 1980. — 512 с.

8. Крянев А. В, Лукин Г. В. Математические методы обработки неопределенных данных — М.: Физматлит, 2006. — 213 с.

9. Ким Дж.-О., Мьюллер Ч.У., Клек-ка У.Р. Факторный, дискриминантный и кластерный анализ — М.: Финансы и статистика, 1989. — 215 с.

10. Соболь И.М. Метод Монте-Карло -М.: Наука, 1985. — 76 с. ЕШ

Иванов Лев Викторович — аспирант,

Горбонос Михаил Григорьевич — кандидат технических наук, профессор, Коньшин Борис Федорович — кандидат технических наук, доцент, МГИ НИТУ «МИСиС».

UDC 622:658.011.56

METHODS AND ALGORITHMS FOR SELECTING THE OPTIMAL THRESHOLD OF THE SEPARATION OF OBJECTS IN THE IMAGE ANALYSIS OF ROCKS

Ivanov L.V., Graduate Student,

Gorbonos M.G., Candidate of Technical Sciences, Professor, Kon’shin B.F., Candidate of Technical Sciences, Assistant Professor, MGI NITU «MISiS».

This article discusses the methods and algorithms for choosing optimal values for the thresholds for separating objects in the analysis of images of rock massifs.

Key words: array of rocks, blasting, fotoprogramma, granulometric composition of the array image analysis.

REFERENCES

1. Kutuzov B.N. Metody vedeniya vzryvnykh rabot. Ch. 1. Razrushenie gornykh porod vzryvom; 2-e izd. (Blasting methods, part 1. Rock fragmentation by blasting; 2nd edition), Moscow, MGI, 2009, 471 p.

2. Gruzman I.S., Kirichuk V.S., Kosykh V.P., Peretyagin G.I., Spektor A.A. Tsifrovaya obrabotka izobraz-henii v informatsionnykh sistemakh (Digital image processing in information systems), Novosibisrk, NGTU, 2002, 168 p.

3. Ivanov L.V. Gornyi informatsionno-analiticheskii byulleten’, 2013, no 2, pp. 3-8.

4. Utrobin V.A. Informatika i sistemy upravleniya, 2010, pp. 61-69.

5. Oldenderfer M.S., Bleshfild R.K. Klasternyi analiz; per. s angl. Pod red. I.S. Enyukova (Cluster analysis; English-Russian translation, Enyukov I.S. (Ed.)), Moscow, Finansy i statistika, 1989, 215 p.

6. Raizin V.Dzh. Klassifikatsiya i klaster (Classification and cluster), Moscow, Mir, 1980, 391 p.

7. Sheffe G. Dispersionnyi analiz (Dispersion analysis), Moscow, Nauka, 1980, 512 p.

8. Kryanev A.V, Lukin G.V. Matematicheskie metody obrabotki neopredelennykh dannykh (Mathematical methods of uncertain data processing), Moscow, Fizmatlit, 2006, 213 p.

9. Kim Dzh.-O., M’yuller Ch.U., Klekka U.R. Faktornyi, diskriminantnyi i klasternyi analiz (Factor, discriminatory and cluster analysis), Moscow, Finansy i statistika, 1989, 215 p.

10. Sobol’ I.M. Metod Monte-Karlo (Monte Carlo method), Moscow, Nauka, 1985, 76 p.

отрегулируйте настройки B&C для выбора порога

, вероятно, ваше желание более распространено — я бы также был счастлив, если бы порог не убивал настройки B&C.

К сожалению, это не так просто, и вдобавок нужно позаботиться о том, чтобы такой модификацией не сломать существующие плагины / макросы.

В настоящее время отображение пороговых значений выполняется путем изменения таблицы поиска; все пороговые значения получают красный цвет в таблице поиска 8-битного изображения, в которое 16-битное или плавающее изображение преобразуется для отображения (что, кстати, также приводит к некоторым ошибкам округления).
Поскольку порогом может быть любое значение, это означает, что все значения должны быть в LUT.
Если мы увеличили контраст, часть изображения будет насыщенной, и невозможно будет различить пиксели с пороговым значением и без него в насыщенной области, потому что все пиксели имеют одинаковое 8-битное значение.
Вот откуда взялось текущее поведение.

Возможные пути выхода:

(1) Изменение ShortProcessor и FloatProcessor: setThreshold не будет возвращаться к getMin (), getMax () и использовать текущее масштабирование в градациях серого (min, max) для расчета значений minT, maxT, которые используются для 8-битных отображать.
Вопрос в том, что делать, если одно из пороговых значений выходит за пределы минимального, максимального диапазона шкалы серого (а не глобального минимума или максимума значений пикселей). В таком случае можно было бы расширить минимальный, максимальный диапазон; но нужно учитывать, что произойдет, если пользователь просто быстро переместит ползунок порога через «запрещенный» диапазон …
Можно также подумать об модифицированном методе getBufferedImage (), который не просто использует стандартный convertToByte, но модифицированный метод преобразования, который имеет одно специальное значение серого для насыщенных пикселей с пороговым значением; и для этого необходимо изменить класс ImageProcessor (что звучит немного как уродливый взлом).
Для обеспечения совместимости со старыми макросами, которые могут зависеть от текущего поведения, необходимо установить флажок где-нибудь в параметрах «Разрешить определение порога с измененным B&C» или тому подобное.

(2) Добавление некоторого типа наложения. Наложенным изображением может быть либо полное изображение, либо просто красная пороговая область (IndexColorModel с прозрачностью). Это потребует больше памяти, вероятно, также снизит производительность и будет труднее интегрировать в ImageJ (но это будет иметь то преимущество, что его можно будет применить к изображениям RGB, где опасность разрушения изображения из-за цветового порога будет уменьшена) .

Если кому как хорошее и простое в реализации решение, то я тоже был бы рад увидеть его в ImageJ!

Михаил
________________________________________________________________
29 января 2012 г. в 01:09 Йоханнес Ларш написал:

> привет, Уэйн, спасибо за ответ.
> Боюсь, это не подходящее решение для меня, потому что
> 1) Мне нужно выбрать порог на 16-битном изображении для отслеживания частиц на основе выбранного порога, а затем выполнить измерения интенсивности на основе информации о частицах
> 2) Я хотел бы иметь возможность быстро переключаться между диалоговыми окнами B&C и threshold, чтобы определить полезный порог.Я делаю это как часть полуавтоматического скрипта, который проходит через сотни стеков, поэтому мне не нужно каждый раз выполнять этот дополнительный шаг преобразования.
>
> Есть ли способ отключить функцию сброса в диалоговом окне порогового значения? Я не против углубиться в код ImageJ, я просто не знаю, в чем проблема.
>
> спасибо,
> Йоханнес
>
> 28 января 2012 г., 18:02, Rasband, Wayne (NIH / NIMH) [E] написал:
>> 28 января 2012 г., в 13:32 Йоханнес Ларш написал:
>>
>>> Привет,
>>>
>>> У меня проблема с диалогом «порог».Я хотел бы отрегулировать
>>> Настройки яркости и контрастности (диалоговое окно B&C), а затем выберите
>>> Порог с помощью ползунков в диалоговом окне «Порог».
>>>
>>> Каждый раз, когда я вношу какие-либо изменения в диалоговом окне «Порог», ImageJ сбрасывает
>>> Настройки яркости и контрастности по умолчанию. Я предполагаю, что он пытается
>>> для отображения полной гистограммы интенсивности для порога, но я не
>>> хочу этого.
>>> В моем конкретном случае у меня есть изображения с несколькими яркими пикселями и
>>> соответствующий сигнал при гораздо меньшей интенсивности. Я не могу выбрать полезный
>>> порог, когда сигнал низкой интенсивности не виден.
>>>
>>> Есть ли способ запретить ImageJ сбрасывать масштабирование интенсивности для
>>> порог?
>>
>> Диалоговое окно «Изображение> Настроить> Порог» сбрасывает настройки яркости / контрастности 16-битных и 32-битных (плавающих) изображений.Чтобы обойти эту проблему, отрегулируйте яркость / контрастность, преобразуйте в 8-битное (Изображение> Тип> 8-битное), затем установите порог. Если необходимы измерения интенсивности, преобразуйте порог в выделение (Правка> Выделение> Создать выделение), затем вернитесь к исходному изображению (Файл> Вернуть).
>>
>> -уэйн

Обнаружение пороговым значением · Анализ изображений флуоресцентной микроскопии с помощью ImageJ

Применение глобальных пороговых значений — это хорошо для простых изображений, для которых порог явно существует, но на практике так бывает редко простой — и часто без порога, ручного или автоматического, не дает полезные результаты.Этот раздел предвосхищает следующую главу о фильтрах. показывая, что с некоторой дополнительной обработкой пороговое значение может быть погашено даже если изначально кажется, что он работает плохо.

Пороговая обработка шумных данных

Шум — одна из проблем, влияющих на пороговые значения, особенно в живой ячейке. изображения. Верхняя половина рисунка 4 воспроизводит ядра из рисунка 2, но с добавлением дополнительного шума для моделирования неидеальных условий визуализации. Хотя ядра все еще отчетливо видны на изображении (A), два класса пикселей ранее легко разделить на гистограмме, теперь они слились вместе (B).В метод треугольного порога, который хорошо зарекомендовал себя раньше, теперь дает менее привлекательные результаты (C), потому что шум вызвал диапазоны фон и пиксели ядер должны перекрываться. Однако, применяя гауссовский фильтр сглаживает изображение, тем самым уменьшая значительную часть случайного шума (см. Фильтры), в результате чего гистограмма значительно больше аналогично исходному, (почти) бесшумному изображению, а порог снова вполне успешен (F).

Местный порог

Другая распространенная проблема — появляются структуры, которые необходимо обнаружить. поверх фона, который сам по себе имеет разную яркость.Например, в красный канал клеток HeLa нет единого глобального порога способность идентифицировать и разделять все «точечные» структуры; любой выбор пропустит многие места, потому что порог достаточно высокий чтобы избежать фона также будет слишком высоко, чтобы уловить все пятна происходит в более темных областях (рис. 5a – c).

В таких случаях было бы лучше, если бы мы могли определить разные пороги для разных частей изображения: локальный порог .Несколько способов сделать это реализованы на Фиджи , и описано на http://imagej.net/Auto_Local_Threshold. Однако если эти недостаточны, легко реализовать собственное локальное пороговое значение и получить больший контроль над результатом, если мы подумаем о проблеме с немного другой угол. Предположим, у нас есть второе изображение, содержащее значения, равные пороговым значениям, которые нужно применить, и которые могут быть разные для каждого пикселя. Если мы просто вычтем это второе изображение сначала мы можем применить глобальный порог, чтобы определить, что мы хотеть.

Сложная часть — создание второго изображения, но снова приходят фильтры. в полезном. Один из вариантов — медианный фильтр , который эффективно перемещается через каждый пиксель изображения, оценивает соседние пиксели в порядке значений и выбирает средний — тем самым удаление чего-либо более яркого или более темного, чем его окружение (D). Вычитание изображения с медианной фильтрацией из оригинала дает результат к которому может быть полезно применить глобальный порог (E).

Несколько разных способов регулировки яркости изображения

Красивое изображение состоит из множества различных вещей, большинство из которых являются субъективными.В этой статье я хочу кратко обсудить одну конкретную переменную, а именно яркость изображения. Хотя я не планирую вдаваться в подробности и вдаваться в технические подробности, я все же хочу показать вам, как вы можете настроить яркость изображения и окончательный вид вашего изображения, используя несколько различных методов в вашем программном обеспечении для пост-обработки. Хотя я использую Lightroom, метод и концепция должны быть одинаковыми, независимо от того, какое программное обеспечение вы предпочитаете использовать для редактирования изображений.

Для начала разберемся, что означает термин «яркость».Все мы знаем, что означает понятие «яркий» в нашей повседневной жизни. Например, если я говорю, что солнце яркое, вы точно понимаете, что я имею в виду. Это не то же самое значение, что «яркость» в фотографии. Когда вы меняете яркость изображения, вы в основном влияете на его средние тона. Сравните это с изменением экспозиции, которая равномерно влияет на светлые участки, средние тона и тени, и вы увидите, что регулировка яркости изображения может быть весьма действенной.

Давайте рассмотрим несколько примеров.Чтобы вы знали, что происходит, это скриншоты из модуля разработки в Lightroom. В частности, мы рассмотрим ползунки в подмодуле «Тон» с правой стороны. Вот снимок, сделанный камерой моей жены, когда мы ехали по шоссе 1 возле Биг-Сура. Вы можете видеть, что общая экспозиция выглядит довольно хорошо, но изображение выглядит немного плоским.

Регулируя ползунок «Белые», вы можете увидеть, как он меняет изображение.Здесь вы можете увидеть разницу между -100 и +100:

Вы могли заметить, что все изображение, кажется, имеет изменение контрастности. Когда уровень белого увеличивается (+100), небо и ее кожа сильно страдают, а тени на ее рубашке почти не меняются. Когда уровень белого уменьшается (-100), изображение выглядит более плоским.

Давайте сделаем то же самое с ползунком «Черные». Вы можете увидеть, как он изменяет изображение, когда мы настраиваем ползунок между +100 и -100:

На этот раз эффект противоположен тому, когда мы настраиваем белый цвет.Когда уровни черного увеличиваются (+100), изображение выглядит плоским, а когда уровень черного уменьшается (-100), изображение становится более контрастным.

Теперь сравните это с настройкой экспозиции на +1 и -1 ступень:

Вы можете видеть, что когда мы настраиваем экспозицию, это влияет на все. Уровни светов и теней (изображения, а не элементов управления) увеличиваются или уменьшаются в зависимости от того, увеличиваем мы или уменьшаем экспозицию.

Итак, теперь, когда у вас есть представление о том, как регулировка ползунков белого и черного тона влияет на изображение, давайте посмотрим, как мы можем использовать их для регулировки яркости изображения во время редактирования.

Здесь вы видите изображение, которое немного недоэкспонировано. Вы могли заметить, что ползунки тона были немного отрегулированы. По умолчанию, когда я импортирую изображения, в изображение вносятся небольшие изменения, чтобы придать ему немного большей привлекательности. Давайте воспользуемся этим как отправной точкой и посмотрим, что можно сделать, чтобы это изображение выглядело лучше.

В качестве ориентира для яркости и общей экспозиции изображения обращайте внимание на числа под гистограммой на каждом из следующих изображений. Это дает вам точный процент RGB (красный, синий, зеленый) для определенных областей вашего изображения (который вы можете выбрать, просто переместив курсор в любую часть изображения).На этом первом изображении вы можете увидеть значения, указанные как «R 65,8 G 64,6 B 49,2%». Регулируя яркость каждого изображения, я стремился получить как можно более близкие значения «R». Хотя вы не видите мой курсор, он был у меня в одном и том же месте для каждого скриншота (часть желтого цвета на части растения, ближайшей к камере).

Давайте посмотрим, что произойдет, если я просто увеличу экспозицию, чтобы изображение выглядело правильно экспонированным. Теперь дела обстоят намного лучше! Моя целевая стоимость — 88 рэндов.3. На мой взгляд, это изображение все еще выглядит не совсем правильно. Тени недостаточно темные, и изображение выглядит размытым.

Давайте посмотрим, как сброс экспозиции и настройка только белого влияет на изображение. Здесь вы можете видеть, что мое целевое значение составляет 88,4 рэнд, и желтые части растения выглядят одинаково, но остальная часть изображения сильно изменилась. На мой взгляд, он выглядит более темным и слишком контрастным.

Теперь давайте объединим настройки экспозиции и уровня белого / черного и посмотрим, что получится.На этом изображении моя целевая стоимость — 87,8 рэнд. Более светлые части изображения выглядят хорошо, а тени остаются более темными. Все изображение контрастно и, на мой взгляд, гораздо более привлекательно, чем два предыдущих изображения.

Вы могли заметить, что, хотя я настраивал и экспозицию, и уровни белого / черного тона, мне не нужно было настраивать ни один из них так сильно, как тогда, когда это была единственная настройка, которую я выполнял. изготовление к изображению.

Как насчет последнего примера? Вот изображение с недавней свадьбы, которую я сфотографировал, которая имеет немного больший динамический диапазон и лучшую начальную экспозицию, чем приведенный выше пример растения.Не вдаваясь в подробности, я позволю вам взглянуть на два разных финальных редактирования, которые я сделал… один был сделан только с ползунками белого / черного тона, а другой — с комбинацией ползунков белого / черного тона и экспозиции:

Оба эти изображения выглядят очень похожими. Удивительно, как практически одно и то же редактирование можно выполнить двумя совершенно разными методами. Для своих свадебных фотографий я предпочитаю немного менее контрастный вид второго изображения (w / b + экспозиция).Если бы это было более модное изображение, было бы предпочтительнее немного больше контраста.

Я надеюсь, что вы нашли это интересным и полезным. Понимание того, что есть несколько способов повлиять на яркость изображения, может открыть возможности постобработки, которые вы, возможно, не изучали раньше. Все изображения индивидуальны, и вам придется поэкспериментировать с множеством различных типов изображений, прежде чем вы почувствуете, какой метод лучше всего подходит для той или иной ситуации.

Если вы хотите узнать больше о пост-обработке изображений, не пропустите наше предстоящее видео: Уровень 1 — Рабочий процесс и постобработка.

python — Автоматическая регулировка контрастности и яркости цветной фотографии листа бумаги с OpenCV

Раньше я делал аналогичные вещи для немного другой цели, так что это может не идеально соответствовать вашим потребностям, но надеюсь, что это поможет (также я написал этот код ночью для личного использования, поэтому он уродлив). В некотором смысле этот код был предназначен для решения более общего случая по сравнению с вашим, где у нас может быть много структурированного шума на заднем плане (см. Демонстрацию ниже).

Что делает этот код? Если взять фотографию листа бумаги, он будет отбеливать его, чтобы его можно было безупречно распечатать.См. Примеры изображений ниже.

Тизер: так ваши страницы будут выглядеть после этого алгоритма (до и после). Обратите внимание, что даже аннотации цветных маркеров исчезли, поэтому я не знаю, подойдет ли это вашему варианту использования, но код может быть полезен:

Чтобы получить идеально чистый результат , вам, возможно, придется немного поиграться с параметрами фильтрации, но, как видите, даже с параметрами по умолчанию он работает довольно хорошо.

Предположим, вы каким-то образом выполнили этот шаг (похоже, что в приведенных вами примерах).Результаты этого шага приведены ниже (примеры, которые я здесь использую, возможно, сложнее, чем тот, который вы предоставили, хотя он может не совсем соответствовать вашему случаю):

Отсюда сразу видим следующие проблемы:

• Освещение состояние не ровное. Это означает, что все простые методы бинаризации не будут работать. Я пробовал много решений, доступных в OpenCV , а также их комбинации, ни одно из них не сработало!
• Сильный фоновый шум. В моем случае мне нужно было удалить сетку бумаги, а также чернила с другой стороны бумаги, которая видна через тонкий лист.

Цель этого шага — сбалансировать контраст всего изображения (поскольку ваше изображение может быть немного переэкспонировано / недоэкспонировано в зависимости от условий освещения).

Сначала это может показаться ненужным шагом, но его важность нельзя недооценивать: в некотором смысле он нормализует изображения к аналогичному распределению экспозиций, чтобы вы могли выбрать значимые гиперпараметры позже (например,г. параметр DELTA в следующем разделе, параметры фильтрации шума, параметры для морфологических материалов и т. д.)

  # Каким-то образом я обнаружил, что значение `gamma = 1.2` лучшее в моем случае
def adjust_gamma (изображение, гамма = 1.2):
    # построить таблицу поиска, отображающую значения пикселей [0, 255] в
    # их скорректированные значения гаммы
    invGamma = 1.0 / гамма
    table = np.array ([((i / 255.0) ** invGamma) * 255
        для i в np.arange (0, 256)]). astype ("uint8")

    # применить гамма-коррекцию с помощью таблицы поиска
    вернуть cv2.LUT (изображение, таблица)
  

Вот результаты настройки гаммы:

Как видите, теперь он немного более … «сбалансирован». Без этого шага все параметры, которые вы выберете вручную на последующих шагах, станут менее надежными!

На этом этапе мы адаптивно преобразуем текстовые капли в двоичную форму. Позже я добавлю больше комментариев, но идея в основном следующая:

• Делим изображение на блока размером BLOCK_SIZE .Хитрость заключается в том, чтобы выбрать его размер достаточно большим, чтобы вы по-прежнему получали большой кусок текста и фона (то есть больше, чем любые символы, которые у вас есть), но достаточно маленький, чтобы не страдать от каких-либо изменений условий освещения (например, «большой, но все же местный»).
• Внутри каждого блока мы выполняем локально адаптивную бинаризацию: мы смотрим на медианное значение и предполагаем, что это фон (потому что мы выбрали BLOCK_SIZE достаточно большим, чтобы большая его часть была фоном).Затем мы дополнительно определяем DELTA — по сути, это просто порог «насколько далеко от медианы мы все еще будем рассматривать его как фон?».

Итак, функция process_image выполняет свою работу. Более того, вы можете изменить функции препроцессора и постпроцесса в соответствии с вашими потребностями (однако, как вы можете видеть из приведенного выше примера, алгоритм довольно надежен на , то есть он работает довольно хорошо прямо из коробки. без слишком большого изменения параметров).

Код этой части предполагает, что передний план темнее фона (т.е. чернила на бумаге). Но вы можете легко изменить это, настроив функцию препроцесса : вместо 255 - изображение верните только изображение .

  # Это, наверное, единственные важные параметры в
# весь конвейер (шаги с 0 по 3).
BLOCK_SIZE = 40
ДЕЛЬТА = 25

# Сделайте необходимую шумоочистку и прочее.
# Я просто делаю простое размытие, но вы можете
# добавить больше материалов.def препроцесс (изображение):
    image = cv2.medianBlur (изображение, 3)
    return 255 - изображение

# Опять же, этот шаг полностью необязателен, и вы даже можете оставить
# тело пустое. Я только что сделал открытие. Алгоритм такой
# довольно надежный, так что это не сильно повлияет.
def постпроцесс (изображение):
    ядро = np.ones ((3,3), np.uint8)
    image = cv2.morphologyEx (изображение, cv2.MORPH_OPEN, ядро)
    вернуть изображение

# Просто вспомогательная функция, которая генерирует координаты блока
def get_block_index (image_shape, yx, block_size):
    y = np.arange (max (0, yx [0] -размер_блока), min (image_shape [0], yx [0] + размер_блока))
    x = np.arange (max (0, yx [1] -размер_блока), min (image_shape [1], yx [1] + размер_блока))
    вернуть np.meshgrid (y, x)

# Здесь начинается фокус. Выполняем бинаризацию из
# среднее значение локально (img_in на самом деле является частью изображения).
# Здесь выполняются следующие предположения:
# 1. Большинство пикселей в срезе - это фон.
# 2. Вероятно, среднее значение гистограммы интенсивности.
# принадлежит фону.Допускаем мягкую наценку ДЕЛЬТА
# чтобы учесть любые нарушения.
# 3. Нам нужно сохранить все, кроме фона.
#
# Здесь мы также выполняем простые морфологические операции. Это было просто
# что-то, что я эмпирически нашел "полезным", но я предполагаю
# это довольно надежно для разных наборов данных.
def adaptive_median_threshold (img_in):
    med = np.median (img_in)
    img_out = np.zeros_like (img_in)
    img_out [img_in - med  

В результате получаются такие красивые капли, которые точно повторяют след чернил:

Имея капли, покрывающие символы, и еще немного, мы, наконец, можем приступить к процедуре отбеливания.

Если присмотреться к фотографиям листов бумаги с текстом (особенно на тех, на которых написано от руки), переход от «фона» (белая бумага) к «переднему плану» (чернила темного цвета) не резкий, но очень постепенный.Другие ответы на основе бинаризации в этом разделе предлагают простое пороговое значение (даже если они локально адаптируются, это все еще пороговое значение), которое нормально работает для печатного текста, но дает не очень хорошие результаты при написании рук.

Итак, мотивация этого раздела состоит в том, что мы хотим сохранить эффект постепенного перехода от черного к белому, как естественные фотографии листов бумаги с натуральными чернилами. Конечная цель этого - сделать пригодным для печати.

Основная идея проста: чем больше значение пикселя (после порогового значения выше) отличается от локального минимального значения, тем более вероятно, что оно принадлежит фону. Мы можем выразить это с помощью семейства сигмовидных функций, масштабированных до диапазона локального блока (так, чтобы эта функция адаптивно масштабировалась по всему изображению).

  # Это функция, используемая для создания
def sigmoid (x, orig, rad):
    k = np.exp ((x - ориг) * 5 / рад)
    вернуть k / (k + 1.)

# Здесь мы объединяем локальные блоки.Немного длинновато, пожалуйста
# следите за местными комментариями.
def comb_block (img_in, маска):
    # Сначала мы предварительно заполняем замаскированную область img_out белым цветом
    # (т.е. фон). Маска извлекается из предыдущего раздела.
    img_out = np.zeros_like (img_in)
    img_out [маска == 255] = 255
    fimg_in = img_in.astype (np.float32)

    # Затем сохраняем передний план (буквы, написанные чернилами)
    # в массиве `idx`. Если их нет (т.е. просто фон),
    # переходим к следующему блоку.
    idx = np.где (маска == 0)
    если idx [0] .shape [0] == 0:
        img_out [idx] = img_in [idx]
        вернуть img_out

    # Находим диапазон яркости наших пикселей в этой локальной части
    # и локально обрежьте блок изображения до этого диапазона.
    lo = fimg_in [idx] .min ()
    привет = fimg_in [idx] .max ()
    v = fimg_in [idx] - lo
    г = привет - лоу

    # Теперь мы используем старую добрую бинаризацию OTSU, чтобы получить приблизительную оценку
    # областей переднего и заднего плана.
    img_in_idx = img_in [idx]
    ret3, th4 = cv2.threshold (img_in [idx], 0,255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

    # Затем мы нормализуем материал и постепенно применяем сигмоид.
    # объединить материалы.
    bound_value = np.min (img_in_idx [th4 [:, 0] == 255])
    bound_value = (bound_value - lo) / (r + 1e-5)
    f = (v / (r + 1e-5))
    f = сигмоид (f, граничное_значение + 0,05, 0,2)

    # Наконец, мы повторно нормализуем результат до диапазона [0..255]
    img_out [idx] = (255. * f) .astype (np.uint8)
    вернуть img_out

# Мы выполняем процедуру комбинирования на локальных блоках, чтобы масштабирование
# параметры сигмовидной функции могут быть настроены на локальную настройку
def comb_block_image_process (изображение, маска, размер_блока):
    out_image = np.zeros_like (изображение)
    для строки в диапазоне (0, image.shape [0], block_size):
        для столбца в диапазоне (0, image.shape [1], block_size):
            idx = (строка, столбец)
            block_idx = get_block_index (image.shape, idx, block_size)
            out_image [block_idx] = comb_block (
                изображение [block_idx], маска [block_idx])
    вернуть out_image

# Постобработка (должна быть надежной и без нее, но я рекомендую
# немного поэкспериментируйте и найдите то, что лучше всего подходит для ваших данных.
# Я просто оставил поле пустым.def comb_postprocess (изображение):
    вернуть изображение

# Основная функция этого раздела. Выполняет весь конвейер.
def comb_process (img, маска):
    image_in = cv2.cvtColor (img, cv2.COLOR_BGR2GRAY)
    image_out = comb_block_image_process (изображение_в, маска, 20)
    image_out = комбинированный_процесс (image_out)
    вернуть image_out
  

Некоторые материалы комментируются, поскольку они не являются обязательными. Функция common_process берет маску из предыдущего шага и выполняет весь конвейер композиции.Вы можете попробовать поиграть с ними для ваших конкретных данных (изображений). Результаты аккуратные:

Возможно, в этом ответе я добавлю больше комментариев и пояснений к коду. Загрузим все это (вместе с кодом обрезки и деформации) на Github.

python - Использование порогового изображения для изменения значений яркости в реальном изображении

То, что я пытаюсь сделать:

1. Сделайте снимок
2. Примените к изображению фильтр Гаусса
3. Выровнять изображение на основе функции EqualiseHist OpenCv
4. Из выровненного изображения возьмите изображение с пороговым значением:

, если в пороговом изображении пиксель равен черному, тогда в фактическом изображении уменьшите яркость этого пикселя, если его белый цвет в пороговом изображении, увеличьте яркость в фактическом изображении

Ниже приведен код, который у меня есть на данный момент:

  img = cv2.imread ('1.bmp')


img = cv2.GaussianBlur (img, (5,5), 0)

"" "Возьмите изображение и вставьте его в цветовой спектр HSV" ""

h, s, v = cv2.split (cv2.cvtColor (img, cv2.COLOR_BGR2HSV))

"" "Выровняйте гистограмму для значения V" ""

eq_V = cv2.equalizeHist (v)

"" "Объединить все значения в одно изображение" ""

eq_image = cv2.cvtColor (cv2.merge ([h, s, eq_V]), cv2.COLOR_HSV2BGR)

ret1, th2 = cv2.threshold (eq_image, 127,255, cv2.THRESH_BINARY)


[строки, столбцы, каналы] = img.shape

blacks = np.zeros ((строки, столбцы, каналы))
белые = нп.нули ((строки, столбцы, каналы))



для строки в диапазоне (строк):
    для столбца в диапазоне (столбцы):
        если th2 [строка, столбец] .all () == 0:
            "" "Выровнять значение v" ""
            черные [строка, столбец] = v [строка, столбец]

        еще:
            "" "Выровнять значение v" ""
            белые [строка, столбец] = v [строка, столбец]


addTogether = cv2.add (черные, белые)


cv2.imshow ("рамка", addTogether.astype (np.uint8))
cv2.waitKey (0)
cv2.destroyAllWindows ()
  

Моя проблема

Часть, с которой я борюсь, - это шаг 4.упомянутое выше. В настоящее время я создаю изображение на основе черного и белого, а затем складываю эти изображения вместе, чтобы вернуться к исходному состоянию изображения.

Мне кажется, что я не могу сделать / выяснить, как настроить значение v hsv для изображения, а затем как объединить все изображение вместе с новыми значениями v вместе со значениями оттенка и насыщенности.

Изображение с последней попытки

Auto Threshold и Auto Local Threshold - новые контекстные алгоритмы сегментации для интеллектуальной микроскопии

Требуется ImageJ 1.42м или новее.
Эти два плагина преобразовывают 8-битные изображения в двоичную форму, используя различные глобальные (основанные на гистограмме) и локальные (адаптивные) методы определения пороговых значений.

Последняя версия
Auto_Threshold v1.17, дата: 22 мая 2017 г.
Auto_Local_Threshold v1.11, дата: 8 марта 2021 г.

Установка

ImageJ : скопируйте файл (Auto_Threshold.jar) в папку ImageJ / Plugins и либо перезапустите ImageJ, либо запустите команду Help> Update Menus .После этого должны появиться две новые команды в Image> Adjust> Auto
Threshold и Image> Adjust> Auto Local Threshold .

Fiji : этот плагин является частью дистрибутива Fiji, его не нужно загружать (он может отображать другой номер версии).

Использование

Метод выбирает применяемый алгоритм (подробно описан ниже).
Параметры Игнорировать черный и Игнорировать белый устанавливают ячейки гистограммы изображения для уровней серого [0] и [255] на 0
соответственно.Это может быть полезно, если оцифрованное изображение имеет недоэкспонированные или переэкспонированные пиксели.
Белый объект на черном фоне устанавливает белыми пиксели со значениями выше порогового значения (в противном случае он устанавливает белыми значения, меньшие или равные пороговому значению).
Установить порог вместо порога (отдельные изображения) устанавливает пороговую таблицу LUT без изменения данных пикселей. Это работает только для одиночных изображений. При обработке стека доступны две дополнительные опции: Стек может использоваться для обработки всех срезов (порог каждого среза будет вычисляться отдельно).Если этот параметр не отмечен, будет обработан только текущий фрагмент.
Использовать гистограмму стека сначала вычисляет гистограмму всего стека, затем вычисляет порог на основе этой гистограммы и, наконец, преобразовывает все срезы в бинаризацию с этим единственным значением. Выбор этой опции также автоматически выбирает опцию Stack выше.

Обратите внимание, что пороговая фаза всегда отображается белым цветом [255].
Начиная с версий 1.8 и 1.1 двух плагинов соответственно, порог бинаризованного изображения также автоматически устанавливается на 255 (т.е.е. не показаны красным), поэтому анализатор частиц должен иметь возможность выбирать белые пиксели для анализа.

Важные примечания:
1. Доступ к этому подключаемому модулю осуществляется через пункт меню «Изображение»> «Автоматический порог», однако методы определения порогового значения также были частично реализованы в апплете порогового значения ImageJ, доступном через пункт меню «Изображение> Настроить> Порог…». Хотя плагин Auto Threshold может использовать или игнорировать крайние значения гистограммы изображения (игнорировать черный, игнорировать белый), апплет не может: метод «по умолчанию» игнорирует крайние значения гистограммы, а другие методы - нет.Это означает, что применение двух команд к одному и тому же изображению может привести к явно разным результатам. По сути, плагин Auto Threshold с правильными настройками может воспроизводить результаты апплета, но не наоборот.

2. Начиная с версии 1.12 плагин поддерживает пороговую обработку 16-битных изображений. Поскольку плагин Auto Threshold обрабатывает все пространство шкалы серого, он может работать медленно при работе с 16-битными изображениями. Обратите внимание, что апплет порогового значения ImageJ также обрабатывает 16-битные изображения, но на самом деле ImageJ сначала вычисляет гистограмму с 256 ячейками.Следовательно, могут быть различия в результатах, полученных на 16-битных изображениях при использовании апплета, и в истинных 16-битных результатах, полученных с помощью этого плагина. Обратите внимание, что для ускорения гистограмма заключена в квадратные скобки, чтобы включать только диапазон ячеек, содержащих данные (и избегать обработки пустых ячеек гистограммы на обоих крайних точках).

3. Результатом 16-битных изображений и стеков (при обработке всех срезов) является 8-битный контейнер, показывающий результат белым цветом [255] в соответствии с концепцией «двоичного изображения» (т.е.е. 8 бит со значениями 0 и 255). Однако для стеков, в которых пороговым значением является только 1 срез, результатом по-прежнему будет 16-битный контейнер с фазой с пороговым значением, показанной белым цветом [65535]. Это сделано для того, чтобы данные в оставшихся срезах остались нетронутыми. Параметр «Попробовать все» сохраняет 16-битный формат, чтобы показать методы, которые могут не достичь порога. Изображения и стопки, которые невозможно порог, остаются неизменными.

4. Одно и то же изображение в 8 и 16 битах (без масштабирования) возвращает одно и то же пороговое значение, однако метод Ли первоначально возвращал разные значения, когда данные изображения были смещены (например,г. при добавлении фиксированного значения ко всем пикселям). Текущая реализация позволяет избежать этой проблемы, связанной с смещением.

5. Одно и то же изображение, масштабированное фиксированным значением (например, при умножении всех пикселей на фиксированное значение), возвращает аналогичный пороговый результат (в пределах 2 уровней шкалы серого исходного немасштабированного изображения) для всех методов, кроме Хуанга, Ли и Треугольника из-за как работают эти алгоритмы. Например. Метод треугольника, примененный к 8-битному изображению и к одному и тому же изображению
, преобразованному в 16-битное с масштабированием, может привести к различным пороговым значениям.Это связано с тем, что масштабирование от 8 до 16 бит создает пустые интервалы между масштабированными значениями серого. Метод «Треугольник» (на основе геометрического подхода) находит те искусственные пробелы в новой 16-битной гистограмме, которые удовлетворяют ограничениям метода, но которых не было бы в исходном 8-битном изображении. Этого нельзя предотвратить (например, обнаружив пустые ячейки гистограммы), поскольку это может помешать анализу, когда на изображении существуют настоящие пустые ячейки (в отличие от артефактических).

Попробовать все

Какой метод лучше всего сегментирует ваши данные? Вы можете попытаться ответить на этот вопрос, используя опцию Попробовать все .Это создает монтаж с результатами всех методов, так что можно изучить, как различные алгоритмы работают с изображением или стеком. Если вы используете стеки, вы поймете, что иногда не рекомендуется сегментировать каждый фрагмент отдельно, а не использовать единый порог для всех фрагментов (попробуйте mri-stack.tif из образцов изображений, чтобы понять эту проблему).


Исходное изображение


Попробуйте все методы.

При обработке стека с большим количеством фрагментов монтажные работы могут стать очень большими (примерно в 13 раз больше исходного размера стека), что может привести к нехватке оперативной памяти.Появится всплывающее окно (если в стопках больше 25 фрагментов), чтобы подтвердить, должна ли процедура отображать монтаж стека. Выберите № , чтобы вычислить пороговые значения и отобразить их в окне журнала.

По умолчанию

Это оригинальный метод автоматического определения порога, доступный в ImageJ, который является разновидностью алгоритма IsoData (см. Ниже). В этом плагине опция Default должна возвращать те же значения, что и Image> Adjust> Threshold> Auto ,
при выборе Ignore black и Ignore white .
В то время как ImageJ пытается угадать, какие пиксели принадлежат объекту, а какие - фону, это можно переопределить и принудительно выполнить сегментацию желаемой фазы с помощью параметра «Белые объекты на черном фоне». Код в ImageJ, реализующий эту функцию, - это метод getAutoThreshold () в классе ImageProcessor. Метод IsoData также известен как итерационное промежуточное средство .

Хуан

Реализует метод нечеткой пороговой обработки Хуанга. Здесь используется энтропийная функция Шеннона (можно также использовать энтропийную функцию Ягера)

1. Хуанг Л. К., Ван М. Дж.(1995) Пороговое значение изображения путем минимизации мер нечеткости, распознавание образов, 28 (1): 41-51.

Портировано из подпрограмм fourier_0.8 ME Celebi http://sourceforge.net/projects/fourier-ipal

Хуан2

Это повторная реализация метода нечеткой пороговой обработки Хуанга, разработанного Йоханнесом Шинделином для более эффективной обработки 16-битных изображений и значительного ее ускорения. Однако на некоторых изображениях он не возвращает точно такой же результат, как исходный метод.

Intermodes

Это предполагает бимодальную гистограмму. Гистограмма итеративно сглаживается с использованием скользящего среднего размера 3, пока не останется только два локальных максимума: j и k. Затем порог t вычисляется как (j + k) / 2. Изображения с гистограммами, имеющими крайне неравные пики или широкую и плоскую впадину, не подходят для этого метода.

1. Prewitt JMS, Mendelsohn ML. (1966) Анализ изображений клеток, в Annals of the New York Academy of Sciences, vol. 128, стр.1035-1053.

Портировано из кода Matlab Антти Ниемисто. См. Http://www.cs.tut.fi/~ant/histthresh/ для получения отличной слайд-презентации и исходного кода Matlab.

IsoData

Итерационная процедура на основе алгоритма изоданных:

1. Ридлер Т.В., Калвард С. (1978) Определение порога изображения с использованием метода итеративного выбора, IEEE Trans. Система, человек и кибернетика, SMC-8: 630-632.

Это должно возвращать те же значения, что и Image> Adjust> Threshold> Auto, но это было реализовано здесь, чтобы
позволял предварительно выбирать светлые или темные фазы в изображении.(ImageJ пытается угадать, что является объектом, а что фоном).
Процедура делит изображение на объекты и фон, принимая начальный порог, затем вычисляются средние значения пикселей на пороговом уровне или ниже и пикселей выше. Вычисляются средние значения этих двух значений, порог увеличивается, и процесс повторяется до тех пор, пока порог не станет больше, чем составное среднее. Это
, порог = (средний фон + средние объекты) / 2.

Описание метода, размещенное в sci.image.processing на 1996/06/24 Тим Моррис:

 Тема: Re: Метод определения порога?
Алгоритм, реализованный в NIH Image, устанавливает порог как то значение серого, G, для которого среднее значение средних значений серого ниже и выше G равно G.
      
L = среднее значение серого для пикселей с интенсивностью <= G
      
H = среднее значение серого для пикселей с интенсивностью> G
      
такое G = (L + H) / 2?
да: выход
нет: увеличить G и повторить 

Ли

реализует метод определения порога минимальной перекрестной энтропии Ли на основе итеративной версии (см.2) алгоритма.

1. Ли СН, Ли СК. (1993) Пороговое значение минимальной перекрестной энтропии, Распознавание образов, 26 (4): 617-625.
2. Ли Чемпион, Там ПКС. (1998) Итерационный алгоритм для установления порога минимальной кросс-энтропии, Письма о распознавании образов, 18 (8): 771-776.
3. Сезгин М., Санкур Б. (2004) Обзор методов определения пороговых значений изображения и количественной оценки производительности, Журнал электронной визуализации, 13 (1): 146-165. http://citeseer.ist.psu.edu/sezgin04survey.html

Портировано из fourier_0.8 подпрограмм http://sourceforge.net/projects/fourier-ipal


MaxEntropy

Реализует метод определения порога Капура-Саху-Вонга (максимальная энтропия):

1. Капур Дж. Н., Саху П.К., Вонг AKC. (1985) Новый метод определения порога изображения на уровне серого с использованием энтропии гистограммы, графических моделей и обработки изображений, 29 (3): 273-285.

Портировано из подпрограмм fourier_0.8 ME Celebi http://sourceforge.net/projects/fourier-ipal

Среднее

В качестве порогового значения используется среднее значение уровней серого.Он используется некоторыми другими методами как порог первого предположения.

1. Гласби, Калифорния (1993), «Анализ алгоритмов пороговой обработки на основе гистограмм», CVGIP: Графические модели и обработка изображений 55: 532-537.

MinError (I)

Итеративная реализация порогового значения минимальной ошибки Киттлера и Иллингворта. Кажется, что эта версия сходится чаще, чем исходная реализация. Тем не менее иногда алгоритм не сходится к решению.В этом случае в окно журнала выводится предупреждение, а результатом по умолчанию является первоначальная оценка порога, который вычисляется с использованием метода Mean.

1. Киттлер, Дж. И Иллингворт, Дж. (1986), «Установление порога минимальной ошибки», Распознавание образов 19: 41-47

Портировано из кода Antti Niemistö на Matlab. См. Http://www.cs.tut.fi/~ant/histthresh/ для получения отличной слайд-презентации и исходного кода Matlab.

Минимум

Подобно методу Intermodes, здесь предполагается бимодальная гистограмма.Гистограмма итеративно сглаживается с использованием скользящего среднего размера 3, пока не останется только два локальных максимума. Порог t таков, что yt-1> yt <= yt + 1. Изображения с гистограммами, имеющими крайне неравные пики или широкую и плоскую впадину, не подходят для этого метода.

1. Prewitt JMS, Mendelsohn ML. (1966) Анализ изображений клеток, в Annals of the New York Academy of Sciences, vol. 128, с. 1035-1053.

Портировано из кода Antti Niemistö в Matlab См. Http: // www.cs.tut.fi/~ant/histthresh/ за отличную слайд-презентацию и оригинальный код Matlab.

Моменты

Метод Цая пытается сохранить моменты исходного изображения в пороговом результате.

1. Цай В. (1985) Пороговая обработка с сохранением момента: новый подход, Компьютерное зрение, графика и обработка изображений, т. 29, стр. 377-393.

Портировано из подпрограмм ME Celebi fourier_0.8 http://sourceforge.net/projects/fourier-ipal

Оцу

Алгоритм пороговой кластеризации Оцу.Он ищет порог, который минимизирует внутриклассовую дисперсию, определяемую как взвешенная сумма дисперсий двух классов

1. Оцу Н. (1979) Метод выбора порога из гистограмм уровней серого, IEEE Trans. Sys., Man., Cyber. 9: 62-66.
DOI: 10.1109 / TSMC.1979.4310076.

Статья в Википедии о методе Оцу: http://en.wikipedia.org/wiki/Otsu’s_method

Перенос из подпрограмм fourier_0.8 ME Celebi http://sourceforge.net/projects/fourier-ipal

Процентиль

Предполагает, что доля пикселей переднего плана равна 0.5.

1. Doyle W. (1962) Операция, полезная для распознавания образов, инвариантных к подобию, Journal of the Association for Computing Machinery, vol. 9, стр. 259-267.

Портировано из кода Matlab Антти Ниемисто. См. Http://www.cs.tut.fi/~ant/histthresh/ для получения отличной слайд-презентации и исходного кода Matlab.

RenyiEntropy

Аналогично методу MaxEntropy , но с использованием энтропии Реньи.

1. Капур Дж. Н., Саху П.К., Вонг AKC.(1985) Новый метод определения порога изображения на уровне серого с использованием энтропии гистограммы, графических моделей и обработки изображений, 29 (3): 273-285.

Портировано из подпрограмм ME Celebi fourier_0.8 http://sourceforge.net/projects/fourier-ipal

Шанбхаг

1. Shanhbag A.G. (1994) «Использование меры информации как средство определения порога изображения» Графические модели и обработка изображений, 56 (5): 414-419.

Портировано из fourier_0.8 подпрограмм http://sourceforge.net/projects/fourier-ipal


Треугольник

Это реализация метода треугольника:

1. Зак, Г. В., Роджерс, В. Э. и Латт, С. А., 1977, Автоматическое измерение частоты обмена сестринских хроматид, Журнал гистохимии и цитохимии 25 (7), стр. 741-753.

Включено из плагина Йоханнеса Шинделина Triangle_Algorithm:
http://wbgn013.biozentrum.uni-wuerzburg.de/ImageJ/triangle-algorithm.html
http://www.ph.tn.tudelft.nl/Courses/FIP/noframes/fip-Segmenta.html#Heading118

Алгоритм «Треугольник», будучи геометрическим методом, не может сказать, смещены ли данные в ту или иную сторону, но предполагает максимальный пик в сторону одного конца гистограммы и одного конца в сторону другого. Это вызывает проблему при отсутствии информации о типе изображения, которое нужно обработать, или когда максимум не приближается к одному из крайних значений гистограммы (что приводит к двум возможным областям пороговых значений между этим максимумом и крайними значениями).Здесь алгоритм был расширен, чтобы выяснить, к какой стороне максимального пика данные идут дальше всего, и найти порог в самом большом диапазоне.

йен

Реализует метод определения йены из:

1. Yen JC, Chang FJ, Chang S. (1995) Новый критерий для автоматического многоуровневого порогового определения, IEEE Trans. по обработке изображений, 4 (3): 370-378
2. Сезгин М. и Санкур Б. (2004) «Обзор методов определения пороговых значений изображения и количественная оценка производительности», журнал Electronic Imaging, 13 (1): 146-165 http: // citeseer.ist.psu.edu/sezgin04survey.html

Портировано из подпрограмм ME Celebi fourier_0.8 http://sourceforge.net/projects/fourier-ipal

Использование

Метод выбирает применяемый алгоритм (подробно описан ниже).
Радиус устанавливает радиус (в пиксельных единицах) локальной области, по которой будет вычисляться порог,
Белый объект на черном фоне устанавливает белыми пиксели со значениями выше порогового значения (в противном случае устанавливается значение белый - значения, меньшие или равные порогу).
Специальные параметры 1 и 2 устанавливают определенные значения для каждого метода. Они подробно описаны ниже для каждого метода. Если вы обрабатываете стек, доступна одна дополнительная опция: Стек может использоваться для обработки всех срезов.

Попробовать все

Какой метод лучше всего сегментирует ваши данные? Вы можете попытаться ответить на этот вопрос, используя опцию Попробуйте все . Это дает монтаж с результатами всех методов, так что можно изучить, как различные алгоритмы работают с изображением или стеком.Методы Bernsen , Contrast и Midgrey могут возвращать аналогичные результаты, поскольку они основаны на той же базовой идее о том, как определить, является ли пиксель объектом или фоном.


Исходное изображение


Попробуйте все методы.

При обработке стопок с большим количеством фрагментов монтажные работы могут стать очень большими (в несколько раз больше исходного размера стопки), что может привести к нехватке оперативной памяти. Появится всплывающее окно (если в стопках больше 25 фрагментов), чтобы подтвердить, должна ли процедура отображать монтаж стека.

Бернсен

Реализует пороговый метод Бернсена. Обратите внимание, что в этой реализации используются круглые окна вместо прямоугольных в оригинале.
Параметр 1 : порог контрастности. Значение по умолчанию - 15. Любое число, отличное от 0, изменит значение.
Параметр 2 : не используется, игнорируется. В этом методе используется порог контрастности, задаваемый пользователем. Если локальный контраст (max-min в радиусе пикселя) выше или равен порогу контрастности, порог устанавливается на локальном средне-сером значении (среднее из минимальных и максимальных значений серого в локальном окне).
Если локальный контраст ниже порога контрастности, считается, что соседство состоит только из одного класса, и пиксель устанавливается на объект или фон в зависимости от значения серого.

 если (локальная_контрастность <= контраст_порог)
 пиксель = (mid_gray> = 128)? объект: фон
еще
 пиксель = (пиксель> = mid_gray)? объект: фон 

1. Бернсен, Дж. (1986), «Динамическое определение пороговых значений изображений на уровне серого», Proc. 8-го Междунар.Конф. по распознаванию образов
2. Сезгин, М. и Санкур, Б. (2004), «Обзор методов определения пороговых значений изображения и количественная оценка производительности», Journal of Electronic Imaging 13 (1): 146-165

На основе процедуры fourier_0.8 ME Селеби. http://sourceforge.net/projects/fourier-ipal

Контраст

На основе простого переключателя контрастности. Устанавливает значение пикселя на белый (255) или черный (0) в зависимости от того, является ли его текущее значение ближайшим к локальному максимуму или минимуму соответственно.

Процедура является крайним случаем переключения увеличения контрастности, см., Например:

1. Soille P. Анализ морфологических изображений: принципы и приложения. Springer, 2004, стр. 259.

Эта процедура не имеет заданных пользователем параметров, кроме радиуса ядра.

Среднее

Выбирает порог как среднее локального распределения оттенков серого. В одном из вариантов этого метода используется среднее значение - C, где C - постоянная величина.

 пиксель = (пиксель> среднее - c)? объект: фон 


Параметр 1 : значение C.Значение по умолчанию - 0. Любое другое число изменит свое значение.
Параметр 2 : не используется, игнорируется.
Ссылка: http://homepages.inf.ed.ac.uk/rbf/HIPR2/adpthrsh.htm


Медиана

Выбирает порог в качестве медианы локального распределения оттенков серого. В одном из вариантов этого метода используется медиана - C, где C - константа.

 пиксель = (пиксель> медиана - c)? объект: фон 

Параметр
1 : значение C.Значение по умолчанию - 0. Любое другое число изменит свое значение.
Параметр 2 : не используется, игнорируется.

Ссылка: http://homepages.inf.ed.ac.uk/rbf/HIPR2/adpthrsh.htm

MidGrey

В качестве порогового значения выбирается средний серый цвет локального распределения оттенков серого (т. Е. (Макс + мин) / 2. В одном из вариантов этого метода используется средний серый цвет - C, где C - константа.

 пиксель = (пиксель> ((макс + мин) / 2) - c)? объект: фон 

Параметр 1 : значение C.Значение по умолчанию - 0. Любое другое число изменит свое значение.
Параметр 2 : не используется, игнорируется.


Ссылка: http://homepages.inf.ed.ac.uk/rbf/HIPR2/adpthrsh.htm


Ниблэк

Реализует метод определения порога Ниблэка:

 пиксель = (пиксель> среднее + k * стандартное_отклонение - c)? объект: фон 

Параметр 1 : значение k. Значение по умолчанию - 0,2 для ярких объектов и -0,2 для темных объектов.Любое другое число, кроме 0, изменит свое значение.
Параметр 2 : значение C. Это смещение со значением по умолчанию 0. Любое другое число, кроме 0, изменит свое значение. Этот параметр был добавлен в версии 1.3 и не является частью исходной реализации алгоритма. Исходный алгоритм
применяется, когда c = 0.

1. Ниблак, В. (1986), Введение в цифровую обработку изображений »Прентис-Холл

На основе процедуры fourier_0.8 ME Селеби.http://sourceforge.net/projects/fourier-ipal

Оцу

Реализует локальную версию глобальной пороговой кластеризации Оцу. Алгоритм ищет порог, который минимизирует внутриклассовую дисперсию, определяемую как взвешенная сумма дисперсий двух классов.
Локальный набор представляет собой круговую область интереса, и центральный пиксель проверяется на соответствие пороговому значению Оцу, найденному для этой области.

1. Оцу Н. (1979) Метод выбора порога из гистограмм уровней серого, IEEE Trans.Sys., Man., Cyber. 9: 62-66.
DOI: 10.1109 / TSMC.1979.4310076.

См. Также статью в Википедии о глобальном пороговом методе Оцу: http://en.wikipedia.org/wiki/Otsu’s_method
Портировано из кода C ++ Джорданом Бевиком.

Фансалкар

Это модификация метода пороговой обработки Sauvola для работы с низкоконтрастными изображениями.

1. Phansalskar N. et al. Адаптивная локальная пороговая обработка для обнаружения ядер в окрашенных разнообразием цитологических изображениях.Международная конференция по связи и обработке сигналов (ICCSP), 2011, 218-220.

В этом методе порог t вычисляется как:

 t = среднее * (1 + p * exp (-q * среднее) + k * ((stdev / r) - 1)) 

, где среднее значение и стандартное отклонение - локальное среднее значение и стандартное отклонение соответственно.
Phansalkar рекомендует k = 0,25, r = 0,5, p = 2 и q = 10. В этом плагине k и r являются параметрами 1 и 2 соответственно, но значения p и q фиксированы.
Параметр 1 : значение k. Значение по умолчанию - 0,25. Любое другое число, кроме 0, изменит свое значение.
Параметр 2 : значение r. Значение по умолчанию - 0,5. Это значение отличается от значения Sauvola, поскольку в нем используется нормализованная интенсивность изображения. Любое другое число, кроме 0, изменит свое значение.
Реализовано на основе бумажного описания Phansalkar, хотя в этой версии используется круглое, а не прямоугольное локальное окно.

Совола

Реализует метод определения порога Sauvla, который является разновидностью метода Niblack

 пиксель = (пиксель> среднее значение * (1 + k * (стандартное_отклонение / r - 1)))? объект: фон