Nous avons très bien répondu à cette question de différents points de vue. Je souhaite simplement résumer mon expérience et souligner certains problèmes liés à la binarisation adaptative.
La binarisation adaptative peut être divisée en trois catégories:
1) Méthode globale: avec cette méthode on estime d'abord le fond de l'image; ensuite, une image normalisée est générée à l'aide des informations d'arrière-plan. Ensuite, la méthode de binarisation globale est utilisée.
2) Méthode basée sur les correctifs: comme son nom l’indique, la méthode basée sur les correctifs effectuera patch par patch. À chaque patch, une binarisation est estimée avec une méthode de binarisation globale. Après cela, un certain post-traitement est effectué pour faire en sorte que le seuil de binarisation dans les patchs voisins présente une transition en douceur.
3) Méthode de la fenêtre mobile: avec cette méthode, la binarisation est effectuée pixel par pixel. Une fenêtre en mouvement est configurée pour calculer les statistiques de pixel dans la fenêtre et le seuil pour le pixel central dans la fenêtre est calculé.
Il est très difficile de dire quelle méthode est la meilleure car cela dépend de l'application. Lorsque vous songez à une binarisation adaptative, n'oubliez pas de vous poser les questions suivantes:
1) paramétrage: la méthode a-t-elle une procédure de paramétrage automatique? Comment pouvons-nous définir les paramètres très bien pour que cela puisse fonctionner dans la plupart des cas?
2) quel est le critère pour justifier une bonne binarisation adaptative? Dans de nombreux cas, la différence entre les différentes méthodes de binarisation est vraiment minime. Cependant, la petite différence peut conduire à une grande différence à la fin.
3) La binarisation peut-elle fonctionner dans certaines situations? Par exemple, supposons que la binarisation adaptative ait pour objectif d'extraire les objets d'un arrière-plan noir, la binarisation peut-elle s'adapter automatiquement à cette situation? Ou vice-visa.
4) les méthodes adaptatives ont tendance à ne se focaliser que sur les configurations locales, le résultat binaire n'est donc pas optimisé. Par exemple, la fameuse méthode Sauvola générera un objet creux si l’objet à optimiser est beaucoup plus grand que la fenêtre en mouvement. Votre méthode adaptative peut-elle dépasser cette limitation?
5) prétraitement. Une bonne binarisation doit également inclure un initié en traitement d’images. Si l'image est trop floue, elle peut ajuster automatiquement les paramètres de l'algorithme ou invoquer un prétraitement pour éviter une mauvaise binarisation.