Was ist histogrammbasierte Schwellenwertbildung?
Histogrammbasierte Schwellenwertbildung wählt einen oder mehrere Intensitätsschwellenwerte aus der Werteverteilung eines Bildes. Anhand dieser Schwellenwerte werden Pixel in Klassen wie Vordergrund und Hintergrund eingeteilt.
So funktioniert histogrammbasierte Schwellenwertbildung
Histogrammbasierte Schwellenwertbildung wandelt Intensitätsstatistiken in Entscheidungsgrenzen zur Trennung von Pixelgruppen um. Ein binäres Verfahren verwendet einen Schwellenwert, während mehrstufige Verfahren den Wertebereich in mehrere gekennzeichnete Intervalle aufteilen. Automatische Algorithmen können die Kompaktheit innerhalb von Klassen oder die Trennung zwischen Klassen optimieren. Ihre Annahmen treffen jedoch am besten zu, wenn das Histogramm unterscheidbare Häufungen enthält. Diese Phase erzeugt häufig eine erste Maske, die anschließend durch Morphologie, die Analyse zusammenhängender Komponenten oder eine menschliche Prüfung verfeinert wird.
Wichtige Fakten
- Das Otsu-Verfahren wählt einen Schwellenwert, indem es die Klassentrennung anhand des Histogramms optimiert. Es kann jedoch schlechte Ergebnisse liefern, wenn sich die Verteilungen von Vordergrund und Hintergrund stark überschneiden oder sehr unterschiedlich große Flächen belegen.
- Ein globaler Schwellenwert verwendet überall denselben Entscheidungswert. Adaptive Schwellenwertbildung berechnet dagegen Werte aus lokalen Nachbarschaften und ist oft robuster gegenüber Schatten oder Beleuchtungsgradienten.
- Die Wahl des Schwellenwerts hängt von der Intensitätsdarstellung ab: Derselbe numerische Schwellenwert kann nach Gammaänderungen, Normalisierung oder einer Umwandlung der Bittiefe eine andere Pixelmenge klassifizieren.
Wann histogrammbasierte Schwellenwertbildung wichtig ist
Entwickler nutzen histogrammbasierte Schwellenwertbildung für Dokumentbinarisierung, Objektmasken und einfache Segmentierung. Ungleichmäßige Beleuchtung oder überlappende Klassenverteilungen können einen globalen Schwellenwert unzuverlässig machen.