Адаптивный порог - реализация метода порогового значения минимальной ошибки - PullRequest
Новая
       35

Адаптивный порог - реализация метода порогового значения минимальной ошибки

2 голосов
/ 13 января 2010

Я пытаюсь реализовать в MATLAB следующий метод определения минимальной ошибки (Дж. Киттлер и Дж. Иллингворт).

Вы можете посмотреть PDF:

Мой код: 

function [ Level ] = MET( IMG )
%Maximum Error Thresholding By Kittler
%   Finding the Min of a cost function J in any possible thresholding. The
%   function output is the Optimal Thresholding.

for t = 0:255 % Assuming 8 bit image
    I1 = IMG;
    I1 = I1(I1 <= t);
    q1 = sum(hist(I1, 256));

    I2 = IMG;
    I2 = I2(I2 > t);
    q2 = sum(hist(I2, 256));

    % J is proportional to the Overlapping Area of the 2 assumed Gaussians
    J(t + 1) = 1 + 2 * (q1 * log(std(I1, 1)) + q2 * log(std(I2, 1)))...
        -2 * (q1 * log(q1) + q2 * log(q2));
end

[~, Level] = min(J);

%Level = (IMG <= Level);

end

Я пробовал это на следующем изображении: Letters

Оригинальный размер изображения .

Цель - извлечь двоичное изображение букв (букв иврита). Я применил код к подблокам изображения (40 х 40). И все же я получил результаты, которые хуже метода кластеризации K-средних .

Я что-то пропустил? У кого-нибудь есть идея получше?

Спасибо.

P.S. Кто-нибудь добавил бы «Adaptive-Thresholding» к тегам темы (я не могу, поскольку я новичок).

Ответы [ 2 ]

4 голосов
/ 13 января 2010

Thresholding - довольно сложный бизнес. За многие годы работы с пороговыми изображениями я не нашел ни одной методики, которая бы всегда работала хорошо, и я пришел к недоверию к заявлениям о всеобщей превосходной производительности в журналах CS.

Метод определения пороговых значений максимальной ошибки работает только для хорошо бимодальной гистограммы (но он хорошо работает и для них). Ваше изображение выглядит как сигнал и фон, возможно, недостаточно четко разделены, чтобы этот метод определения порога работал.

Если вы хотите убедиться, что код работает нормально, вы можете создать тестовую программу, подобную этой, и проверить, получаете ли вы хорошую начальную сегментацию, а также на каком уровне «бимодальности» код разбивается.

2 голосов
/ 08 июня 2011

Я думаю, что ваш код не совсем правильный. Вы используете абсолютную гистограмму изображения вместо относительной гистограммы, которая используется в статье. Кроме того, ваш код довольно неэффективен, так как он вычисляет две гистограммы для каждого возможного порога. Я сам реализовал алгоритм. Может быть, кто-то может использовать это: 

function [ optimalThreshold, J ] = kittlerMinimimErrorThresholding( img )
%KITTLERMINIMIMERRORTHRESHOLDING Compute an optimal image threshold.
%   Computes the Minimum Error Threshold as described in
%   
%   'J. Kittler and J. Illingworth, "Minimum Error Thresholding," Pattern
%   Recognition 19, 41-47 (1986)'.
%   
%   The image 'img' is expected to have integer values from 0 to 255.
%   'optimalThreshold' holds the found threshold. 'J' holds the values of
%   the criterion function.

%Initialize the criterion function
J = Inf * ones(255, 1);

%Compute the relative histogram
histogram = double(histc(img(:), 0:255)) / size(img(:), 1);

%Walk through every possible threshold. However, T is interpreted
%differently than in the paper. It is interpreted as the lower boundary of
%the second class of pixels rather than the upper boundary of the first
%class. That is, an intensity of value T is treated as being in the same
%class as higher intensities rather than lower intensities.
for T = 1:255

    %Split the hostogram at the threshold T.
    histogram1 = histogram(1:T);
    histogram2 = histogram((T+1):end);

    %Compute the number of pixels in the two classes.
    P1 = sum(histogram1);
    P2 = sum(histogram2);

    %Only continue if both classes contain at least one pixel.
    if (P1 > 0) && (P2 > 0)

        %Compute the standard deviations of the classes.
        mean1 = sum(histogram1 .* (1:T)') / P1;
        mean2 = sum(histogram2 .* (1:(256-T))') / P2;
        sigma1 = sqrt(sum(histogram1 .* (((1:T)' - mean1) .^2) ) / P1);
        sigma2 = sqrt(sum(histogram2 .* (((1:(256-T))' - mean2) .^2) ) / P2);

        %Only compute the criterion function if both classes contain at
        %least two intensity values.
        if (sigma1 > 0) && (sigma2 > 0)

            %Compute the criterion function.
            J(T) = 1 + 2 * (P1 * log(sigma1) + P2 * log(sigma2)) ...
                     - 2 * (P1 * log(P1) + P2 * log(P2));

        end
    end

end

%Find the minimum of J.
[~, optimalThreshold] = min(J);
optimalThreshold = optimalThreshold - 0.5;
...