Was bedeutet Schwellenwertbildung in der Bildverarbeitung?

Wir Menschen sehen Bilder als zusammenhängende, aussagekräftige Bilder, während Computer sie als Gitter aus winzigen Pixeln, den kleinsten Bestandteilen eines digitalen Bildes, betrachten. In einem Prozess, der Bildverarbeitung genannt wird, können diese Pixel angepasst oder analysiert werden, um das Bild zu verbessern und nützliche Informationen zu extrahieren.

Eine gängige Bildverarbeitungstechnik ist die Schwellenwertbildung. Diese Methode wandelt Graustufenbilder (bei denen jedes Pixel eine Grauschattierung darstellt) in Schwarz-Weiß-Bilder um, indem jedes Pixel mit einem bestimmten Wert verglichen wird. Dadurch wird eine klare Trennung zwischen wichtigen Bereichen und dem Hintergrund geschaffen.

Die Schwellenwertbildung wird häufig bei der Bildsegmentierung verwendet, einer Technik, die ein Bild in aussagekräftige Regionen unterteilt, um es leichter analysieren zu können. In der Regel ist dies einer der ersten Schritte, um Maschinen bei der Interpretation visueller Daten zu helfen. In diesem Artikel werden wir uns ansehen, was Schwellenwerte sind, wie sie funktionieren und wo sie in der Praxis eingesetzt werden. Fangen wir an!

Grundlegende Terminologie der Bildschwellenwertbestimmung

Bevor wir uns mit der Funktionsweise des Schwellenwerts befassen, sollten wir uns zunächst die grundlegenden Ideen dahinter und seine Verwendung in der Bildverarbeitung genauer ansehen.

Schwellenwert für binäre Bilder

Angenommen, Sie arbeiten mit einem Bild und möchten die Objekte darin vom Hintergrund trennen. Eine Möglichkeit, dies zu tun, ist die Schwellenwertbildung. Dabei wird das Bild so vereinfacht, dass jedes Pixel entweder ganz schwarz oder ganz weiß ist. Das Ergebnis ist ein Binärbild, bei dem jedes Pixel einen Wert von 0 (schwarz) oder 255 (weiß) hat. Dieser Schritt ist bei der Bildverarbeitung oft nützlich, weil er die wichtigen Teile des Bildes deutlich hervorhebt.

‍

Histogramm

Wenn Sie verstehen wollen, wie die Helligkeitswerte über ein Bild verteilt sind, kann Ihnen ein Histogramm helfen. Dabei handelt es sich um ein Diagramm, das zeigt, wie häufig die einzelnen Pixelintensitäten von Schwarz (0) bis Weiß (255) vorkommen. 

Anhand des Histogramms können Sie sehen, ob das Bild dunkel, hell oder irgendwo dazwischen ist. Dies erleichtert die Auswahl eines geeigneten Schwellenwerts für die Umwandlung des Bildes in Schwarz-Weiß, da Sie Muster und Kontraststufen auf einen Blick erkennen können.

Vordergrund und Hintergrund

Nachdem ein Bild mit Schwellenwerten versehen wurde, wird es in zwei Teile geteilt: den Vordergrund und den Hintergrund. Der Vordergrund, der in der Regel in Weiß dargestellt wird, hebt die wichtigen Elemente hervor, wie Text, Formen oder Objekte, die Sie erkennen möchten. Der Hintergrund, der in Schwarz dargestellt wird, ist alles andere. Diese Trennung hilft den Maschinen, sich auf das zu konzentrieren, was im Bild wichtig ist.

Segmentierung

Wie bereits erwähnt, wird bei der Segmentierung ein Bild anhand von Merkmalen wie Helligkeit oder Textur in sinnvolle Regionen unterteilt. Die Schwellenwertbildung ist eine einfache Möglichkeit, dies zu tun und ist oft einer der ersten Schritte in einer Computer Vision Pipeline. 

Computer Vision ist ein Zweig der künstlichen Intelligenz, der es Maschinen ermöglicht, visuelle Daten zu verarbeiten und zu interpretieren, ähnlich wie es Menschen tun. Durch die Verwendung von Schwellenwerten in einem frühen Stadium des Prozesses können Bildverarbeitungssysteme Objekte von ihrem Hintergrund trennen, was die Genauigkeit späterer Schritte wie Erkennung oder Erkennung erleichtert.

Globale Schwellenwertbildung

Nachdem wir nun besser verstanden haben, was ein Schwellenwert ist, wollen wir uns ansehen, wie ein Bild mit einem Schwellenwert versehen wird und welche verschiedenen Arten von Schwellenwerten es in der Bildverarbeitung gibt.

Die globale Schwellenwertbildung ist beispielsweise eine der einfachsten Methoden zur Erstellung eines binären Bildes. Dabei wird ein einziger Intensitätswert auf das gesamte Bild angewendet. Pixel, die heller sind als dieser Schwellenwert, werden weiß, während dunkle Pixel schwarz werden. Dies hilft, das Objekt vom Hintergrund zu trennen.

Er funktioniert am besten, wenn das Bild gleichmäßig beleuchtet ist und einen starken Kontrast aufweist. Bei ungleichmäßiger Beleuchtung oder kontrastarmen Bereichen kann ein einziger Schwellenwert jedoch Details übersehen oder Kanten verwischen.

Um dies zu bewältigen, werden Methoden wie die Schwellenwertmethode von Otsu verwendet. Anstatt einen Wert manuell festzulegen, analysiert die Schwellenwertmethode von Otsu das Histogramm des Bildes und wählt einen Schwellenwert, der die Pixelintensitäten am besten in Vorder- und Hintergrund trennt. 

‍

Lokale (adaptive) Schwellenwertbildung

Im Gegensatz zur globalen Schwellenwertbildung wird bei der adaptiven oder lokalen Schwellenwertbildung der Schwellenwert für verschiedene Teile des Bildes separat berechnet. Dies macht es effektiver für Bilder mit ungleichmäßiger Beleuchtung, wie z. B. gescannte Dokumente mit Schatten oder strukturierten Oberflächen.

Dabei wird das Bild in kleine Regionen unterteilt und für jeden Block ein lokaler Schwellenwert berechnet, der dazu beiträgt, den Kontrast zwischen Vorder- und Hintergrund zu erhalten. Dieser Ansatz wird häufig bei Aufgaben wie Texterkennung, medizinischer Bildgebung und Oberflächeninspektion verwendet, bei denen die Beleuchtung im Bild variiert.

Zu den gängigen Ansätzen für die adaptive Schwellenwertbildung in der Bildverarbeitung gehören die adaptive mittlere Schwellenwertbildung und die adaptive Gaußsche Schwellenwertbildung. Bei der adaptiven Mittelwertschwellenbildung wird die durchschnittliche Pixelintensität in einer lokalen Umgebung als Schwellenwert für das mittlere Pixel verwendet. Bei der adaptiven Gaußschen Schwellenwertbildung hingegen wird ein gewichteter Mittelwert mit einem Gaußschen Fenster verwendet, wobei den Pixeln, die näher an der Mitte liegen, mehr Bedeutung beigemessen wird.

Praktische Anwendungen des Schwellenwerts in der Bildverarbeitung

Als Nächstes wollen wir uns ansehen, wo Bildschwellenwerte in realen Anwendungen eingesetzt werden.

Bildschwellenwertbildung für Dokumentenbinarisierung und OCR

Alte Bücher und handgeschriebene Briefe werden oft gescannt, um sie zu bewahren oder mit OCR (Optical Character Recognition), einer Technologie zum Lesen gedruckter oder handgeschriebener Zeichen, in digitalen Text umzuwandeln. Bevor der Text extrahiert werden kann, muss das Dokument in der Regel bereinigt oder vorverarbeitet werden. Gescannte Bilder weisen oft Schatten, verblasste Tinte oder ungleichmäßige Beleuchtung auf, was die Zeichenerkennung erschweren kann.

Um die Klarheit zu verbessern, werden Graustufenbilder mit Hilfe der Schwellenwertbildung in ein Binärformat umgewandelt, wodurch der Text vom Hintergrund isoliert wird. Dunklere Bereiche, wie z. B. die Buchstaben, werden schwarz, während der hellere Hintergrund weiß wird - das macht es für OCR-Systeme viel einfacher, den Text zu lesen.

‍

Verwendung von Schwellenwerten in der medizinischen Bildverarbeitung 

Auch in der medizinischen Bildgebung wird die Schwellenwertbildung häufig eingesetzt, um bestimmte Strukturen in Scans zu isolieren, z. B. Knochen oder Lungen in Röntgenbildern. Durch die Umwandlung von Graustufenbildern in ein binäres Format lassen sich interessierende Regionen leichter vom umgebenden Gewebe trennen und das Bild für die weitere Analyse vorbereiten. In komplexeren Fällen kann eine mehrstufige Schwellenwertbildung angewendet werden, um das Bild in mehrere unterschiedliche Regionen zu unterteilen, so dass verschiedene Arten von Gewebe oder Strukturen gleichzeitig identifiziert werden können.

‍

Vor- und Nachteile der Schwellenwertbildung in der Bildverarbeitung

Hier sind einige der wichtigsten Vorteile der Schwellenwertbildung in der Bildverarbeitung:

• Geringer Ressourcenverbrauch: Thresholding funktioniert gut auf Geräten mit geringem Stromverbrauch und benötigt keinen Cloud-Zugang oder High-End-Hardware, wodurch es sich für eingebettete Systeme und Offline-Einrichtungen eignet.
  ‍
• Einfach zu interpretieren: Dank der einfachen Logik sind die Ergebnisse der Schwellenwertberechnung leicht zu verstehen und zu debuggen, was in Bereichen wie dem Gesundheitswesen oder der Dokumentenverarbeitung, wo Transparenz wichtig ist, von entscheidender Bedeutung ist.
  ‍
• Schnelles Testen: Mit Hilfe von Schwellenwerten können Teams in frühen Projektphasen schnell Segmentierungsideen testen, bevor sie zu komplexeren Modellen übergehen.

Das Schwellenwertverfahren für Bilder ist zwar in vielen Szenarien nützlich, hat aber auch seine Grenzen. Hier sind einige Herausforderungen im Zusammenhang mit der Schwellenwertbildung zu berücksichtigen:

• Mangelnde Anpassungsfähigkeit: Die Schwellenwertbildung folgt festen Regeln und passt sich neuen Lichtverhältnissen oder Veränderungen in den Daten nicht ohne manuelle Anpassung an.
  ‍
• Empfindlich gegenüber Rauschen: Kleine Helligkeitsänderungen durch Schatten oder Reflexionen können die Ergebnisse verfälschen, insbesondere bei der Arbeit mit detaillierten oder strukturierten Bildern.
  ‍
• Statisch und regelbasiert: Im Gegensatz zu KI-Modellen lernt die Schwellenwertmethode nicht aus den Daten und verbessert sich auch nicht mit der Zeit. Sie funktioniert nur innerhalb der engen Bedingungen, für die sie entwickelt wurde.

Jenseits von Bildschwellenwerten: Wenn Computer Vision das richtige Werkzeug ist

Die Schwellenwertbildung funktioniert gut für einfache Segmentierungsaufgaben in kontrollierten Umgebungen. Bei der Verarbeitung komplexer Bilder mit mehreren Objekten oder Hintergrundrauschen hat sie jedoch oft Schwierigkeiten. Da die Schwellenwertbildung auf festen Regeln beruht, fehlt ihr die Flexibilität, die für die meisten realen Anwendungen erforderlich ist.

Um diese Grenzen zu überwinden, nutzen viele moderne Systeme jetzt die Computer Vision. Im Gegensatz zum Schwellenwertverfahren werden Vision AI-Modelle darauf trainiert, komplexe Muster und Merkmale zu erkennen, was sie wesentlich genauer und anpassungsfähiger macht.

Computer-Vision-Modelle wie Ultralytics YOLO11 können zum Beispiel Objekte erkennen und Bilder in Echtzeit segmentieren. Damit eignen sie sich ideal für Aufgaben wie das Erkennen von Verkehrssignalen in autonomen Fahrzeugen oder das Erkennen von Ernteproblemen in der Landwirtschaft. 

YOLO11 unterstützt insbesondere eine Reihe von Computer-Vision-Aufgaben, wie z. B. die Segmentierung von Instanzen, bei der jedes Objekt in einem Bild separat segmentiert wird. Es kann auch andere bildverarbeitungsbasierte Aufgaben ausführen, einschließlich der Pose-Schätzung (Bestimmung der Position oder Haltung eines Objekts) und der Objektverfolgung (Verfolgung eines Objekts, während es sich über Videobilder hinweg bewegt).

Während das Schwellenwertverfahren für einfache Aufgaben oder das Testen erster Ideen gut geeignet ist, sind Anwendungen, die Schnelligkeit, Genauigkeit und Flexibilität erfordern, in der Regel besser mit der Computer Vision zu bewältigen.

Die wichtigsten Erkenntnisse

Die Schwellenwertbildung ist ein wichtiges Werkzeug in der Bildverarbeitung, denn sie ist schnell und einfach anzuwenden, um Objekte vom Hintergrund zu trennen. Sie eignet sich gut für gescannte Dokumente, medizinische Bilder und die Überprüfung von Produktfehlern in Fabriken. 

Da Bilder und Videos jedoch immer komplexer werden, können grundlegende Bildverarbeitungsmethoden wie das Schwellenwertverfahren für Bilder Probleme bereiten. Hier können fortschrittliche Computer-Vision-Modelle zum Einsatz kommen. Modelle wie YOLO11 können mehr Aufgaben verstehen und ausführen, viele Objekte auf einmal erkennen und in Echtzeit arbeiten, was sie für viele Anwendungsfälle nützlich macht.

Möchten Sie mehr über AI erfahren? Besuchen Sie unsere Community und unser GitHub-Repository. Informieren Sie sich auf unseren Lösungsseiten über KI in der Robotik und Computer Vision in der Landwirtschaft. Entdecken Sie unsere Lizenzierungsoptionen und beginnen Sie noch heute mit der Entwicklung von Computer Vision!