画像処理におけるしきい値処理とは何ですか？

この記事で取り上げた概念を視覚的に解説した動画を、以下からご覧ください。

人間は画像を一貫性のある意味のある絵として認識しますが、コンピューターは画像をデジタル画像の最小構成要素である小さなピクセルの格子として捉えます。画像処理と呼ばれるプロセスでは、画像を改善し有用な情報を抽出するために、これらのピクセルを調整または分析できます。

エッジ検出などの手法と並ぶ一般的な画像処理技術に、画像のしきい値処理があります。この手法では、各ピクセルを設定値と比較することで、グレースケール画像（各ピクセルが濃淡を表す画像）を白黒画像に変換します。これにより、重要な領域と背景を明確に分離できます。

しきい値処理は、画像を意味のある領域に分割して分析しやすくする技術である画像セグメンテーションでよく使われます。通常、機械が視覚データを解釈するための最初の手順の1つです。この記事では、しきい値処理とは何か、どのように機能するか、現実世界のどのような場面で利用されるかを解説します。

画像のしきい値処理に関する基本用語#

しきい値処理の仕組みを詳しく見る前に、まずその基本的な考え方と画像処理での使われ方を確認しましょう。

二値画像のしきい値処理#

画像内の物体と背景を分離したい場合を考えてみましょう。その方法の一つがしきい値処理です。画像を単純化し、すべてのピクセルを完全な黒または白にします。その結果、各ピクセルの値が0（黒）または255（白）となる二値画像が得られます。この処理は画像処理でよく役立ち、画像内の重要な部分を明確に際立たせます。

図1. しきい値処理前のグレースケール画像と処理後の二値画像。（出典: blog.devops.dev）

ヒストグラム#

同様に、画像全体の明るさの分布を把握したい場合は、ヒストグラムが役立ちます。これは、黒（0）から白（255）までの各ピクセル輝度が出現する頻度を示すグラフです。

ヒストグラムを見ると、画像が暗いか、明るいか、あるいはその中間かが分かります。パターンやコントラストのレベルを一目で確認できるため、画像を白黒に変換する際に適切なしきい値を選びやすくなります。

前景と背景#

しきい値処理を行うと、画像は前景と背景の2つに分けられます。通常は白で表示される前景は、テキスト、形状、検出対象の物体など、重要な要素を強調します。黒で表示される背景は、それ以外のすべてです。この分離により、機械は画像内の重要な情報に集中できます。

セグメンテーション#

前述のとおり、セグメンテーションは明るさやテクスチャなどの特徴に基づいて、画像を意味のある領域に分割します。しきい値処理はそのためのシンプルな方法であり、コンピュータービジョンのパイプラインで最初のステップの一つとしてよく使われます。

コンピュータービジョンは、機械が人間と同じように視覚データを処理・解釈できるようにするAIの一分野です。処理の早い段階でしきい値処理を使うと、コンピュータービジョンシステムは物体を背景から分離できるため、検出や認識などの後続処理が正確に行いやすくなります。

グローバルしきい値処理#

しきい値処理について理解が深まったところで、画像にしきい値処理を適用する方法と、画像処理におけるさまざまな種類を見ていきましょう。

たとえば、グローバルしきい値処理は二値画像を作成する最も簡単な方法の一つです。画像全体に単一の輝度値を適用します。このしきい値より明るいピクセルは白く、それより暗いピクセルは黒くなります。これにより、物体を背景から分離できます。

均一な照明と強いコントラストがある画像で最も効果を発揮します。一方、照明が不均一な場合やコントラストの低い領域では、単一のしきい値では細部を捉え損ねたり、エッジがぼやけたりすることがあります。

この問題に対処するために、大津のしきい値処理などの手法が使われます。値を手動で設定するのではなく、大津のしきい値処理では画像のヒストグラムを分析し、ピクセル輝度を前景と背景に最適に分けるしきい値を選びます。

図2. 大津のしきい値処理を適用する前と後の土星の画像。(出典)

局所（適応型）しきい値処理#

グローバルしきい値処理とは異なり、適応型または局所しきい値処理では、画像の異なる部分ごとにしきい値を計算します。そのため、影のあるスキャン文書やテクスチャのある表面など、照明が不均一な画像により効果的です。

画像を小さな領域に分割し、各ブロックの局所しきい値を計算することで、前景と背景のコントラストを維持します。このアプローチは、画像内で照明が変化するテキスト認識、医用画像処理、表面検査などのタスクで広く使われています。

画像処理における適応型しきい値処理の一般的な手法には、適応型平均しきい値処理と適応型ガウシアンしきい値処理があります。適応型平均しきい値処理では、局所近傍の平均ピクセル輝度を中心ピクセルのしきい値として使います。一方、適応型ガウシアンしきい値処理では、ガウスウィンドウによる加重平均を使い、中心に近いピクセルをより重視します。

画像処理におけるしきい値処理の実世界での活用例#

次に、画像のしきい値処理が実世界のどのような用途で使われているかを見ていきましょう。

文書の二値化とOCRにおける画像のしきい値処理#

古書や手書きの手紙は、保存したり、印刷または手書きの文字を読み取る技術である光学文字認識（OCR）を使ってデジタルテキストに変換したりするために、スキャンされることがよくあります。テキストを抽出する前に、通常は文書のクリーニングや前処理が必要です。スキャン画像には影、薄れたインク、不均一な照明が含まれることが多く、文字認識が難しくなる場合があります。

鮮明さを高めるため、しきい値処理を使ってグレースケール画像を二値形式に変換し、テキストを背景から分離しやすくします。文字のような暗い領域は黒く、明るい背景は白くなるため、OCRシステムがテキストを読み取りやすくなります。

図3. 歴史的文書とそのしきい値処理後の画像の例。(出典)

医用画像処理におけるしきい値処理の使用#

同様に、医用画像処理では、X線画像内の骨や肺など、特定の構造を分離するためにしきい値処理がよく使われます。グレースケール画像を二値形式に変換することで、関心領域を周囲の組織から分離し、画像をさらに分析しやすくなります。より複雑なケースでは、多段階しきい値処理を適用して画像を複数の領域に分け、異なる種類の組織や構造を同時に識別できます。

図4. 胸部X線画像に多段階しきい値処理を適用。（出典: sciencedirect.com）

画像処理におけるしきい値処理のメリットとデメリット#

画像処理でしきい値処理を使う主なメリットをいくつか紹介します。

• リソース消費が少ない: しきい値処理は低電力デバイスでも適切に動作し、クラウドへのアクセスや高性能ハードウェアを必要としないため、組み込みシステムやオフライン環境に適しています。
• 解釈しやすい: シンプルなロジックにより、しきい値処理の出力は理解やデバッグが容易です。これは、透明性が重要となるヘルスケアや文書処理などの分野で特に重要です。
• 迅速なテスト: しきい値処理を使うと、チームは初期段階のプロジェクトでセグメンテーションのアイデアをすばやく検討し、より複雑なモデルへ進む前に試すことができます。

画像のしきい値処理は多くの場面で役立ちますが、いくつかの制約もあります。しきい値処理を使う際に考慮すべき課題を紹介します。

• 適応性に欠ける: しきい値処理は固定ルールに従うため、手動で調整しない限り、新しい照明条件やデータの変動に対応できません。
• ノイズの影響を受けやすい: 影や反射によるわずかな明るさの変化でも結果が損なわれることがあり、特に細部やテクスチャのある画像では影響が顕著です。
• 固定的でルールベース: AIモデルとは異なり、しきい値処理はデータから学習したり、時間とともに改善したりしません。設計された限られた条件でのみ機能します。

画像のしきい値処理を超えて: コンピュータービジョンが適した選択肢となる場合#

しきい値処理は、制御された環境でのシンプルなセグメンテーションタスクに適しています。しかし、複数の物体や背景ノイズを含む複雑な画像には、うまく対応できないことがよくあります。固定ルールに依存するため、しきい値処理には多くの実世界の用途で必要となる柔軟性がありません。

こうした限界を超えるため、多くの最新システムではコンピュータビジョンが使われています。しきい値処理とは異なり、ビジョンAIモデルは複雑なパターンや特徴を検出するようトレーニングされるため、精度と適応性が大幅に高まります。

たとえば、Ultralytics YOLO11のようなコンピュータビジョンモデルは、物体を検出し、画像をリアルタイムでセグメント化できます。そのため、自動運転車で信号を検出したり、農業で作物の問題を特定したりするタスクに適しています。

特に、Ultralytics YOLO11は、コンピュータービジョンタスクを幅広くサポートしています。たとえばインスタンスセグメンテーションでは、画像内の各物体を個別にセグメント化します。また、ポーズ推定（物体の位置や姿勢の判定）や物体追跡（動画フレーム間で移動する物体の追跡）など、ほかのビジョンベースのタスクも実行できます。

図5. YOLO11を使うと、物体を簡単に検出・セグメント化できます。(出典)

しきい値処理はシンプルなタスクや初期アイデアのテストには適していますが、速度、精度、柔軟性が必要なアプリケーションには、通常、コンピュータービジョンのほうが適しています。

重要なポイント#

しきい値処理は、物体と背景の分離に素早く簡単に使えるため、画像処理に役立つツールです。スキャンした文書や医用画像、工場での製品の欠陥検査に適しています。

しかし、画像や動画が複雑になるにつれて、画像のしきい値処理のような基本的な画像処理手法では対応が難しくなることがあります。そのような場合は、高度なコンピュータービジョンモデルが役立ちます。Ultralytics YOLO11のようなモデルは、より多くのタスクを理解して実行し、多数の物体を同時に検出し、リアルタイムで動作できるため、さまざまな用途で役立ちます。

AIについてもっと知りたいですか？コミュニティとGitHubリポジトリをご覧ください。ロボティクス分野のAIと農業分野のコンピュータービジョンについて、ソリューションページをご覧ください。ライセンスの選択肢を確認して、今日からコンピュータービジョンの開発を始めましょう！