Source-linked AI summary
Image Segmentation by Using Threshold Techniques
Salem Saleh Al-amri, N. V. Kalyankar, Khamitkar S. D.
TL;DR
thresholding은 image segmentation을 단순화할 수 있지만 효과적인 threshold를 선택하기는 어렵다. 이 논문은 세 개의 satellite image에 다섯 가지 threshold technique을 적용해 비교하고, HDT와 EMT의 성능이 가장 우수하다고 보고한다.
문제
grayscale image를 유용한 binary foreground-background segment로 변환하기 위한 적절한 threshold value T를 선택하는 일은 항상 쉽지는 않다.
방법
이 논문은 세 개의 satellite image에 Mean, P-Tile, HDT, EMT, visual threshold technique을 적용해 비교한다.
결과
세 개의 satellite image에서 HDT와 EMT가 가장 우수한 threshold technique으로 보고된다.
핵심 시사점 및 한계
이 비교는 평가한 satellite-image 사례에서 HDT와 EMT를 선호되는 technique으로 식별한다.
Abstract
from arXiv · showhide
This paper attempts to undertake the study of segmentation image techniques by using five threshold methods as Mean method, P-tile method, Histogram Dependent Technique (HDT), Edge Maximization Technique (EMT) and visual Technique and they are compared with one another so as to choose the best technique for threshold segmentation techniques image. These techniques applied on three satellite images to choose base guesses for threshold segmentation image.
1 서론
Image segmentation 방법은 intensity discontinuity 또는 similarity를 중심으로 구성되며, 기존 항공 이미지 비교 연구에서는 statistic iterative thresholding이 noise 억제 능력을 향상하고 분할이 어려운 이미지에서 우수한 성능을 보인다고 보고했다.
- Segmentation 원리: Threshold segmentation은 두 가지 intensity 특성, 즉 edge와 같은 급격한 변화에서 이미지를 분할하는 discontinuity와 사전 정의된 기준에 따라 영역을 그룹화하는 similarity를 중심으로 한다.
- Statistical thresholding: Statistic iterative 접근법은 이미지 gray histogram과 Gaussian statistical distribution에서 thresholding을 도출한다.
- 기존 thresholding 결과: Histogram 및 adaptive 방법과 비교했을 때, statistic iterative thresholding은 noise 억제 능력을 향상했으며 full-value thresholding으로 분할하기 어려운 항공 이미지에서 우수한 성능을 보였다.
2 임계값
Thresholding은 선택한 값 T를 사용해 grayscale image를 binary image로 변환함으로써 전경과 배경을 분리한다. T를 선택하는 일은 항상 쉽지 않으므로 image 특성을 이용하는 automatic scheme이 필요하다.
- Thresholding: Thresholding은 전경 객체의 위치와 형태를 보존하면서 data complexity를 줄이는 binary images로 grayscale images를 변환한다.이러한 단순화는 이후 object-recognition processing을 지원한다.
- Threshold selection: 실제 환경에서 적절한 threshold value T를 선택하기는 어렵다.
- Automatic thresholding: Automatic threshold scheme은 human intervention 없이 객체의 intensity, 크기, image fraction, object type의 개수를 이용해 threshold를 선택한다.
4 임계값 기법
이 논문은 임계값 기반 영상 분할을 정의하고 Mean, P-Tile, HDT, EMT, Visual의 다섯 가지 기법을 위성 영상에 적용한다. 각 기법은 pixel 분포, 객체 영역, 균질성 또는 조명에 대한 서로 다른 가정을 대상으로 한다.
- 4.1 Mean 기법: Mean 기법은 평균 pixel 값을 임계값으로 사용하며, 객체와 배경 영역이 대략 동일한 영상에 적합하지만 이러한 조건은 거의 발생하지 않는다.
- 4.2 P-Tile 기법: P-Tile 기법은 예상 객체 영역 백분율에서 gray-level 임계값을 선택하며, 더 밝은 객체가 영상의 고정 비율을 차지한다고 가정한다.이 비율은 P%로 나타낸다.
- 4.3 Histogram Dependent Technique: HDT는 임계값 미만과 초과의 pixel 전반에서 그룹 내 분산을 최소화하여, 서로 균질하고 잘 분리된 두 영역을 구분하는 임계값을 추정한다.경계를 제외한 객체와 배경 영역이 대체로 균질할 때 적합하다.
- 4.4 Edge Maximization Technique: EMT는 여러 균질 영역 또는 조명 변화를 포함하는 영상에 사용되며, 그렇지 않으면 객체와 배경 부분이 서로 합쳐지거나 혼동될 수 있다.논문은 영역이 크고 균질하며 잘 분리되어 있을 때 자동 임계값 선택의 성능이 더 우수하다고 기술한다.
- 5.1 테스트 절차: 이 기법들은 MATLAB R2007a (7.4a)로 구현되었고 세 가지 위성 영상 유형에서 테스트되었으며, 그림은 127, 167, 43의 Visual 임계값을 보여준다.
- 4 임계값 기법: 적용된 임계값 기법은 Mean, P-Tile, Histogram Dependent Technique (HDT), Edge Maximization Technique (EMT), Visual의 다섯 가지다.이 기법들은 세 가지 유형의 위성 영상에서 평가된다.
6 결론
이 논문은 세 개의 위성 이미지에서 다섯 가지 threshold-segmentation 기법을 비교한다. Histogram Dependent Technique (HDT)와 Edge Maximization Technique (EMT)가 가장 우수한 방법이라고 결론짓는다.
- 6 결론: HDT와 EMT가 threshold 기반 image segmentation에 가장 적합한 기법으로 확인된다.결론에서는 평가한 위성 이미지에 대한 비교 실험을 통해 이 결과를 보고한다.
- 6 결론: 이 연구는 세 개의 위성 이미지에 다섯 가지 threshold-segmentation 방법을 적용하여 비교 실험을 수행한다.평가한 방법은 Mean, P-Tile, Histogram Dependent Technique (HDT), Edge Maximization Technique (EMT), visual Technique이다.
- 6 결론: 비교 대상에는 Mean, P-Tile, HDT, EMT, visual threshold 기법이 포함된다.
저자 프로필
저자 프로필은 Salem Saleh Al-amri, N.V. Kalyankar, S.D. Khamitkar의 학력, 기관 내 역할, 회원 자격, 출판 및 지도 이력을 제시한다.
- Salem Saleh Al-amri: Salem Saleh Al-amri는 공학 및 컴퓨터과학 관련 학위를 보유하고 있으며, 컴퓨터과학 Ph.D. 과정을 밟고 있고 예멘 Aden University에서 강의한다.그는 Mechanical Engineering B.E.와 Computer Science (IT) M.Sc.를 취득했으며, 국제 및 국내 학술대회 참가 이력을 제시한다.
- Dr. N.V. Kalyankar: Dr. N.V. Kalyankar는 과학, 핵물리학, 고등교육, 물리학 분야의 학위를 보유하고 있으며 Yeshwant Mahavidyalaya College의 학장을 맡고 있다.그의 프로필에는 학술 회원 자격과 저서 1권, 저널 논문 23편, 세미나 논문 2편, 학술대회 논문 3편도 기재되어 있다.