Tröskelmetoder

Tröskelmetoder är tekniker som används för att dela upp data i olika klasser eller för att detektera händelser genom att tillämpa ett eller flera tröskelvärden på mätvärden. Metoderna används inom områden som bildbehandling, signalbehandling och statistik. En tröskel kan vara global, det vill säga samma värde gäller över hela datapaketet, eller lokal/adaptiv, där tröskeln beräknas utifrån omgivningen i varje område.

Grundläggande indelning sker i globala trösklar, adaptiva (lokala) trösklar och multi-trösklar. Globala metoder tillämpar ett enskilt tröskelvärde på hela data; adaptiva metoder justerar tröskeln lokalt för att hantera variationer i belysning eller signalstyrka; multi-trösklar delar in data i flera klasser med flera avskiljande gränser.

Vanliga metoder inkluderar Otsus metod, som söker ett tröskelvärde som maximerar mellanklassvariansen i ett historogram; Kapurs entropimetod, som optimerar informationen som behålls när data delas upp; och minimifelagsanvägningar (till exempel Li). Inom bildbehandling används även adaptiva metoder som Sauvola och Niblack. Det finns även enkla percentile- eller medelvärdesbaserade trösklar som används när datafördelningen är känd eller antagen.

Användningar och metodval baseras ofta på dataegenskaper, såsom kontrast och brusnivå, samt på krav på noggrannhet och beräkningseffektivitet. Förbehandling som brusreducering och histogramutjämning samt efterbehandling som morfologiska operationer är vanliga delar av arbetsflödet. Begränsningar inkluderar känslighet för varierande belysning, liknande intensiteter hos olika objekt och beroende av historikens antaganden.