A solução de formato fechado para limite de imagem em vários níveis
DOI:
https://doi.org/10.5935/jetia.v7i31.777Resumo
Este artigo propõe uma formulação analítica baseada no mínimo erro quadrático. Resultados semelhantes também foram encontrados para a correlação cruzada, variância dentro da classe e entre as classes. A princípio, uma distribuição contínua é hipotetizada (apenas para fins de derivação) para produzir uma forma modificada do conhecido método OTSU. Essa hipótese é “idêntica” a Otsu em termos de desempenho de produção e a necessidade de uma pesquisa exaustiva. Porém, além de ser derivado da forma contínua, o esquema proposto requer menos poder computacional. Acontece que o limite ótimo é igual à média das médias das regiões adjacentes. Para algumas imagens, o esquema pode resultar em limiares de vários níveis. Foi então sugerido um formulário direto para obter uma solução não exaustiva. A ideia é simplesmente aproximar a função de erro não contínua (usada pela formulação de mínimos quadrados e OTSU) com um polinômio de quarta ordem definido na faixa de intensidade de cinza normalizada [0,1]. O limite ótimo pode então ser encontrado em função das raízes de um polinômio de segunda ordem cujos coeficientes são a solução de um sistema linear 2x2. O desempenho da solução não exaustiva proposta é ligeiramente inferior ao OTSU em geral, no entanto; algumas imagens produziram desempenho aprimorado. No entanto, o esquema proposto pode ser facilmente generalizado para o caso de vários níveis, sem a necessidade de uma pesquisa exaustiva. Para n + 1 níveis (ou seja, n limiares), a saída é obtida resolvendo um sistema linear nxn seguido por encontrar as raízes de um polinômio de ordem n. O custo computacional é claramente superior à pesquisa exaustiva. Além disso, conforme validado com algumas imagens, o desempenho é encorajador. A extensão para o caso geral de agrupamento está altamente envolvida, com exceção do caso de dois níveis (para qualquer dimensão) que foi derivado com sucesso neste trabalho.
Downloads
Referências
M. Sezgin, and B. Sankur, “Survey over image thresholding techniques and quantitative performance evaluation”, J. Electronic Imag., 13: pp 146-165, 2004. DOI: 10.1117/1.1631315.
N. Otsu, “A threshold selection method from gray-level histograms”, IEEE Trans. Syst. Man Cybernet., 9: pp 62-66, 1979. DOI: 10.1109/TSMC.1979.4310076.
J. Kapur, P. Sahoo and A. Wong, “A new method for gray-level picture thresholding using the entropy of the histogram”, Comput. Vis. Graph. Image Process., 29: 273-285, 1985. DOI: 10.1016/0734-189X(85)90125-2
J. Zhang, and J. Hu, “Image segmentation based on 2D Otsu method with histogram analysis”, Proceedings of the International Conference on Computer Science and Software Engineering, Dec. 2008, IEEE Xplore Press, Hubei, China, pp: 105-108. DOI: 10.1109/CSSE.2008.206.
A. Abutaleb, “Automatic thresholding of gray-level pictures using two-dimensional entropy”, Comput. Vis. Graph. Image Process., 47: 22-32, 1989. DOI: 10.1016/0734-189X(89)90051-0.
X. Zheng, H. Ye and Y. Tang, “Image bi-level thresholding based on gray level-local variance histogram”, Entropy, 19: pp 1-8, 2017. DOI: 10.3390/e19050191.
D. Liu, and J. Yu, “Otsu method and k-means”, Proceedings of the 9th International Conference on Hybrid Intelligent Systems, Aug. 2009, IEEE Xplore Press, Shenyang, China, pp: 344-349. DOI: 10.1109/HIS.2009.74.
S. Ameer, “Histogram Matching Schemes for Image Thresholding”, American Journal of Engineering and Applied Sciences, pp 413 – 419, 2019. https://thescipub.com/pdf/ajeassp.2019.413.419.pdf
S. Ameer, “An Eigen Structure Involving the Histogram for Image Thresholding”, IET-Image Processing, 2020, pp 1–4. DOI: 10.1049/iet-ipr.2019.1428.
S. Ameer, “Image Thresholding Using the Complement Feature”, American Journal of Engineering and Applied Sciences, 2020, pp 311 – 317. https://thescipub.com/pdf/ajeassp.2020.311.317.pdf.








