Tresholding of Color Images Based on Means

Abstract

Thresholding is one of the most stable methods for image clustering. Nevertheless, determination of proper thresholds for every image is difficult process in terms of computation cost. Furthermore, the methods developed so far have only been applied for gray scale images. In this study, an algorithm which works with both gray scale and color images has been developed. Histogram data of each channel and recursive means have been employed for threshold estimation. Initially, global mean was calculated. Subsequently, means determined from previous steps was reused. Thus, threshold number was increased with each step. Accordingly, the RGB color space was partitioned with the thresholds information obtained for each channel. The pixels located in each sub cube were assigned into the same cluster.  

Keywords

• Color image,Multilevel tresholding,Clustering,Recursive mean

Renkli Görüntülerin Ortalama Tabanlı Çok Seviyeli Eşiklenmesi

Abstract

Eşikleme görüntü sınıflandırmanın en kararlı yöntemlerinden biridir. Ancak her bir görüntü için uygun eşik seçimi hesap maliyeti açısından zorlu bir süreçtir. Ayrıca günümüze kadar önerilen yöntemler gri seviyeli görüntüler için uygulanabilmiştir. Bu çalışmada hem gri ölçekli hem de renkli görüntülerin otomatik olarak çok seviyeli eşiklenmesini sağlayan bir algoritma geliştirilmiştir. Sayısal görüntülerin her bir kanalına ait histogram bilgileri ve tekrarlı ortalama yaklaşımı temel alınmıştır. Öncelikle görüntünün genel ortalaması bulunmuş ve takip eden aşamalarda önceki basamakta bulunan ortalama bilgileri tekrar kullanılmıştır. Böylece her bir aşamada elde edilen eşik sayısı artmıştır. Başka bir ifade ile tespit edilen eşik sayısı kullanılan aşama sayısı ile orantılı hale gelmiştir. Her bir kanal için elde edilen eşik bilgileri yardımıyla kırmızı, yeşil ve mavi renk uzayı (Red, Green, Blue:RGB) alt prizmalara bölünmüş ve ilgili prizma içerisinde kalan pikseller aynı sınıfa atanmıştır. 

Keywords

• Renkli görüntü,Çok seviyeli eşikleme,Sınıflandırma,Tekrarlı ortalama

References

1. [1] J. A. Hartigan and M. A. Wong, “ Algorithm AS 136: A k-means clustering algorithm”, Journal of the Royal Statistical Society, Series C (Applied Statistics), vol.28, no.1, pp.100-108,1979.
2. [2] J. C. Bezdek, R. Ehrlich, and W. Full ” FCM: The fuzzy c-means clustering algorithm”, Computers & Geosciences, vol.10, no.2-3, pp.191-203,1984.
3. [3] M. O. Incetas, R. Demirci and H. G. Yavuzcan, “Automatic segmentation of color images with transitive closure”, AEU-International Journal of Electronics and Communications, vol.68, no.3, pp.260-269,2014.
4. [4] U.Güvenç, Ç. Elmas ve R. Demirci, “Renkli Görüntülerin Otomatik Ayrıştırılması”, Politeknik Dergisi,c. 11, s.1, ss.9-12,2008.
5. [5] R. Demirci, “Rule-based automatic segmentation of color images”, AEU-International Journal of Electronics and Communications, vol.60, no.6,pp. 435-442,2006.
6. [6] N. Otsu, “ A threshold selection method from gray-level histograms”, IEEE Transactions on Systems, Man, and Cybernetics, vol.9,no.1, pp.62-69,1979.
7. [7] J. N. Kapur, P. K. Sahoo and A. K. Wong, “ A new method for gray-level picture thresholding using the entropy of the histogram”, Computer vision, graphics, and image processing, vol.29, no.3, pp. 273-285,1985.
8. [8] J. S. Weszka, “ A survey of threshold selection techniques”, Computer Graphics and Image Processing, vol.7, no.2,pp. 259-265,1978.

9. [9] D. Y. Huang,, and C. H. Wang, “Optimal multi-level thresholding using a two-stage Otsu optimization approach”, Pattern Recognition Letters, vol. 30, no.3,pp. 275-284,2009.
10. [10] P. S. Liao, T. S. Chen and P. C. Chung, “A fast algorithm for multilevel thresholding”, Journal of Information Science And Engineering, vol. 17, no.5, pp.713-727,2001.
11. [11] H. Peng, J. Wang, and M. J. Pérez-Jiménez, “ Optimal multi-level thresholding with membrane computing”, Digital Signal Processing, vol.37, pp.53-64,2015.
12. [12] P. Y. Yin, and T. H. Wu, “Multi-objective and multi-level image thresholding based on dominance and diversity criteria”, Applied Soft Computing, vol. 54,pp. 62-73,2017.
13. [13] R. Harrabi, and E. B. Braiek, “Color image segmentation using multi-level thresholding approach and data fusion techniques: application in the breast cancer cells images”, Eurasip Journal on Image and Video Processing, vol.2012, no.1, pp.11, 2012.
14. [14] F. A. Jassim, and F. H. Altaani, “Hybridization of Otso method and median filter for color image segmentation”, International Journal of Soft Computing and Engineering, vol. 3, no.2, pp. 69-74, 2013.
15. [15] P. D. Sathya,, and R. Kayalvizhi, “Amended bacterial foraging algorithm for multilevel thresholding of magnetic resonance brain images”, Measurement, vol. 44, no.10, pp. 1828-1848, 2011.
16. [16] R. Demirci, U. Güvenç ve H.T. Kahraman, “Görüntülerin Renk Uzayı Yardımıyla Ayrıştırılması”, İleri Teknoloji Bilimleri Dergisi, c.3, s.1,ss. 1-8, 2014.
17. [17] A , Kahraman, T. Farshi ve R . Demirci, “ Renkli Görüntülerin Çok Seviyeli Eşiklenmesi ve Sınıflandırılması”, Düzce Üniversitesi Bilim ve Teknoloji Dergisi, c. 6,s.4, ss.846-859, 2018
18. [18] T. Rahkar Farshi, R. Demirci and M. R. Feizi-Derakhshi, “Image Clustering with Optimization Algorithms and Color Space”, Entropy, vol. 20, no.4, pp.296, 2018.