Worldlex Wiki 
En traitement d'images numériques , le seuillage est la méthode la plus simple de segmentation d'images . À partir d'une image en niveaux de gris , le seuillage peut être utilisé pour créer des images binaires .
Définition
Les méthodes de seuillage les plus simples remplacent chaque pixel d'une image par un pixel noir si l'intensité de l'image est supérieure à la valeur attendue.
seuillage automatique
Dans certains cas, le seuil
Il existe de nombreuses méthodes de seuillage automatique, la plus connue et la plus utilisée étant la méthode d'Otsu . Sezgin et al. (2004) ont classé les méthodes de seuillage en grandes catégories selon les informations traitées par l'algorithme . Il convient toutefois de noter qu'une telle classification est nécessairement imparfaite, certaines méthodes pouvant appartenir à plusieurs catégories (par exemple, la méthode d'Otsu peut être considérée à la fois comme un algorithme de mise en forme d'histogramme et un algorithme de clustering).
- Les méthodes basées sur la forme de l'histogramme , où, par exemple, les pics, les creux et les courbures de l'histogramme lissé sont analysés. Notez que ces méthodes, plus que d'autres, font certaines hypothèses sur la distribution de probabilité de l'intensité de l'image (c'est-à-dire la forme de l'histogramme),
- Les méthodes basées sur le clustering, où les échantillons de niveaux de gris sont regroupés en deux parties comme arrière-plan et premier plan,
- Les méthodes basées sur l'entropie donnent lieu à des algorithmes qui utilisent l'entropie des régions de premier plan et d'arrière-plan, l' entropie croisée entre l'image originale et l'image binarisée, etc.,
- Les méthodes basées sur les attributs d'objet recherchent une mesure de similarité entre les images en niveaux de gris et les images binarisées, telle que la similarité de forme floue, la coïncidence des contours, etc.
- Les méthodes spatiales utilisent une distribution de probabilité d'ordre supérieur et/ou une corrélation entre les pixels.
seuillage global vs local
Dans la plupart des méthodes, le même seuil est appliqué à tous les pixels d'une image. Cependant, dans certains cas, il peut être avantageux d'appliquer un seuil différent à différentes parties de l'image, en fonction de la valeur locale des pixels. Cette catégorie de méthodes est appelée seuillage local ou adaptatif. Elles sont particulièrement adaptées aux images présentant un éclairage non homogène, comme dans l'image du sudoku à droite. Dans ce cas, un voisinage est défini et un seuil est calculé pour chaque pixel et son voisinage. De nombreuses méthodes de seuillage global peuvent être adaptées à un fonctionnement local, mais il existe également des méthodes développées spécifiquement pour le seuillage local, telles que les algorithmes de Niblack
Des logiciels tels qu'ImageJ proposent un large éventail de méthodes de seuillage automatique, à la fois globales et locales.
Avantages du seuillage local par rapport au seuillage global
- Adaptabilité aux caractéristiques locales de l'image : le seuillage local peut s'adapter aux variations d'éclairage, de contraste et de texture au sein de différentes parties de l'image. Cette adaptabilité facilite le traitement des images présentant des conditions d'éclairage non uniformes ou des textures complexes.
- Préservation des détails locaux : en appliquant des seuils adaptés à différentes régions, le seuillage local peut préserver les détails fins et les contours qui pourraient être perdus lors d’un seuillage global, en particulier dans les zones présentant des intensités ou des gradients variables.
- Sensibilité réduite au bruit : le seuillage local peut être moins sensible au bruit que le seuillage global, car la décision de seuillage est basée sur des statistiques locales plutôt que sur l’image entière.
Exemples d'algorithmes de seuillage local
- Méthode de Niblack : L’algorithme de Niblack calcule un seuil local pour chaque pixel en fonction de la moyenne et de l’écart type de son voisinage. Il ajuste ce seuil selon les caractéristiques locales de l’image, ce qui le rend adapté aux variations d’éclairage.
- Méthode de Bernsen : L’algorithme de Bernsen calcule le seuil de chaque pixel en tenant compte du contraste local au sein d’un voisinage. Il utilise une taille de fenêtre fixe et est robuste au bruit et aux variations d’intensité du fond.
- Méthode de Sauvola : L’algorithme de Sauvola étend la méthode de Niblack en intégrant un facteur dynamique qui adapte le seuil en fonction du contraste local et de l’intensité moyenne. Ce facteur adaptatif améliore les résultats de binarisation, notamment dans les régions présentant des contrastes variables.
Extensions du seuillage binaire
Images multibandes
Les images couleur peuvent également être seuillées. Une méthode consiste à définir un seuil distinct pour chacune des composantes RVB de l'image, puis à les combiner par une opération ET . Cette approche reflète le fonctionnement de l'appareil photo et le stockage des données sur l'ordinateur, mais ne correspond pas à la perception humaine des couleurs. C'est pourquoi les modèles de couleurs TSL et HSV sont plus fréquemment utilisés ; il convient de noter que, la teinte étant une grandeur circulaire, un seuillage circulaire est nécessaire. Le modèle de couleurs CMJN peut également être utilisé .
Seuils multiples
Au lieu d'un seuil unique donnant une image binaire, il est également possible d'introduire plusieurs seuils croissants.
Limites
Le seuillage fonctionnera mieux dans certaines conditions :
- faible niveau de bruit
- variance intra-classe plus élevée que la variance inter-classe, c'est-à-dire que les pixels d'un même groupe ont des intensités plus proches les unes des autres que des pixels d'un autre groupe,
- éclairage homogène, etc.
Dans les cas difficiles, le seuillage sera probablement imparfait et produira une image binaire avec des faux positifs et des faux négatifs .