2値画像とは？仕組みや変換方法、画像処理における役割を解説

デジタル画像処理の分野において、最も基礎的でありながら極めて重要な役割を果たしているのが「2値画像（にちがぞう）」です。

私たちは普段、スマートフォンやデジタルカメラで色鮮やかなフルカラーの写真を撮影していますが、コンピュータが画像を解析したり特定の物体を抽出したりする際には、あえて情報を削ぎ落とした2値画像が多用されます。

2値画像は、その名の通り「2つの値」だけで構成される画像のことであり、一般的には白と黒の2色のみで表現される画像を指します。

一見すると単純すぎるように思えるこの画像形式が、なぜAI（人工知能）や産業用ロボット、ドキュメントスキャナなどの最先端技術において欠かせない存在なのでしょうか。

本記事では、2値画像の仕組みから、カラー画像を2値化する具体的な変換アルゴリズム、そして実際の画像処理現場での活用事例までを詳しく解説していきます。

2値画像（バイナリ画像）の基本概念

2値画像とは、各画素（ピクセル）が「0」か「1」のいずれかの状態しか持たないデジタル画像のことです。

ITの専門用語では「バイナリ画像（Binary Image）」とも呼ばれ、情報の最小単位である「ビット」をダイレクトに反映した形式と言えます。

一般的なフルカラー画像は、赤（R）・緑（G）・青（B）の3つのチャンネルを持ち、それぞれの色が256階調（8ビット）で表現されるため、1画素あたり24ビットの情報量を持ちます。

これに対して、2値画像は1つの画素をわずか1ビットの情報量で表現できるため、データサイズが圧倒的に軽いという特徴があります。

視覚的には、多くの場合「0」が黒（背景）、「1」が白（前景・物体）として扱われます。

カラー画像・グレースケール画像との違い

画像の種類を理解するために、それぞれの形式が持つ情報量を比較してみましょう。

このように、2値画像は「階調」という概念を完全に排除し、「そこに物体があるか、ないか」という情報のみを抽出した極限の形であると言えます。

2値画像の仕組みとデータ構造

コンピュータ内部において、2値画像は非常にシンプルな行列データとして保持されています。

例えば、縦横5ピクセルずつの小さな2値画像があった場合、それは「0」と「1」が並んだ5行5列の数値リストとして処理されます。

このシンプルさが、計算速度の向上に大きく寄与しています。

色の階調を考慮する必要がないため、画像同士の足し算や引き算、あるいは「AND（論理積）」や「OR（論理和）」といったビット演算を高速に行うことができるのです。

画像処理の現場では、ノイズを取り除いたり、特定の形状を検索したりするために、これらの論理演算が頻繁に活用されます。

カラー画像から2値画像へ変換するプロセス（2値化処理）

現実世界から取り込まれたカラー画像を2値画像に変換する工程を「2値化（Binarization）」と呼びます。

2値化は単純に色を捨てる作業ではなく、目的とする情報を際立たせるための重要なステップです。

一般的な2値化の手順は、まずカラー画像を「グレースケール画像」に変換し、その後にある「しきい値（閾値）」を設定して白黒に振り分けるという流れで行われます。

しきい値（閾値）の重要性

しきい値とは、白と黒を分けるための「境界線」となる数値のことです。

グレースケール画像が0（黒）から255（白）の輝度値を持っている場合、例えばしきい値を「128」に設定するとします。

このとき、輝度が128以上の画素はすべて白（1）になり、128未満の画素はすべて黒（0）に置き換わります。

このしきい値の設定次第で、抽出される結果は劇的に変化します。

しきい値が低すぎると画像全体が白っぽくなり、高すぎると必要な情報まで黒く塗りつぶされて消えてしまいます。

2値化の主な手法

しきい値をどのように決定するかによって、いくつかの手法が存在します。

1. 固定しきい値処理

あらかじめ「128」といった決まった数値をしきい値として使用する方法です。

照明条件が常に一定である工場内の検査ラインなど、環境が安定している場合に有効です。

プログラムが非常に単純で済むため、処理速度が極めて速いというメリットがあります。

2. 大津の二値化（判別分析法）

画像の輝度分布（ヒストグラム）を解析し、自動的に最適なしきい値を算出するアルゴリズムです。

背景と対象物の色の濃さが画像によって異なる場合でも、統計的な手法を用いて最も分離が良いポイントを見つけ出します。

日本の研究者である大津展之氏が考案したこの手法は、現在でも世界中の画像処理ライブラリで標準的に採用されています。

3. 適応的2値化（ローカルしきい値処理）

画像全体に対して1つのしきい値を適用するのではなく、画素の周辺領域ごとにしきい値を計算する方法です。

例えば、紙の文書を撮影した際に、一部に影が落ちて暗くなっているようなケースで威力を発揮します。

影の部分は暗いなりに、明るい部分は明るいなりにしきい値を調整するため、ムラのある画像でも綺麗に文字を抽出できます。

画像処理ライブラリを用いた2値化の例

実際の開発現場では、PythonのOpenCVなどのライブラリを使用して簡単に2値化を行うことができます。

以下に、代表的な2値化処理のコード例を示します。

import cv2

# 画像をグレースケールで読み込み
image = cv2.imread('input.jpg', cv2.IMREAD_GRAYSCALE)

# 大津の二値化を適用
# 戻り値1：計算されたしきい値、戻り値2：変換後の2値画像
ret, binary_img = cv2.threshold(image, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 結果を保存
cv2.imwrite('output_binary.jpg', binary_img)

このように、ライブラリを活用することで高度なアルゴリズムを数行のコードで実装することが可能です。

2値画像が必要とされる主な理由とメリット

なぜ情報を減らしてまで2値画像を作る必要があるのでしょうか。

それには主に3つの大きなメリットがあるからです。

1. 処理速度の劇的な向上

コンピュータにとって、複雑な色の計算を行うよりも、0と1の判定を行う方がはるかに高速です。

リアルタイムで物体を追跡するシステムや、大量の書類を高速でスキャンするOCRシステムでは、この処理速度の差が全体のパフォーマンスを左右します。

2. 形状の抽出と認識の容易さ

色やテクスチャの情報は、時には「ノイズ」となります。

例えば、ネジの欠陥検査を行う際、表面の微妙な光の反射（色情報）よりも、「ネジの輪郭（形状情報）」の方が重要です。

2値化によって背景と物体を完全に切り分けることで、面積、周囲長、重心といった幾何学的な特徴量を容易に計算できるようになります。

3. メモリ消費の抑制

1ビットで1画素を表現できる2値画像は、フルカラー画像の24分の1以下のデータ量で済みます。

リソースが限られた組み込みデバイスや、ネットワークを介して大量の画像データを送受信するシステムにおいて、この軽量性は大きな武器となります。

画像処理における具体的な活用シーン

2値画像は、私たちの身近なところで数多く活用されています。

OCR（光学文字認識）

スキャナで読み取った書類やレシートから文字を認識するOCR技術では、2値化が必須の工程です。

紙の色や汚れを除去し、文字の部分だけを「1（白）」、背景を「0（黒）」にすることで、文字のパターンマッチング精度を高めています。

バーコード・QRコードの読み取り

コンビニのレジなどで使われるバーコードリーダーも、内部では2値化処理を行っています。

白と黒の縞模様の幅を正確に測定するためには、曖昧な中間色を排除した2値画像が最適なのです。

医療用画像解析

X線写真やMRI画像から、病変部位（腫瘍など）の大きさを測定する際にも2値化が使われます。

特定の輝度範囲を持つ組織だけを2値画像として抽出することで、医師が診断をサポートするための数値データを算出します。

製造業における自動検品

工場の生産ラインを流れる製品にキズや汚れがないかをチェックする外観検査装置でも、2値画像が活躍しています。

正常な製品の形状を2値画像として登録しておき、流れてきた製品の2値画像と比較することで、瞬時に異物を検知します。

2値画像処理のテクニック：モルフォロジー演算

2値化した直後の画像には、小さな点状のノイズが含まれていたり、必要な線が途切れていたりすることがあります。

これらを補正するために用いられるのが「モルフォロジー演算」と呼ばれる手法です。

膨張（Dilation）と収縮（Erosion）

膨張は、白い部分を周囲に広げる処理で、途切れた線を繋いだり、小さな穴を埋めたりするのに役立ちます。

逆に収縮は、白い部分を削る処理で、細いノイズを除去したり、くっついてしまった2つの物体を切り離したりするのに使われます。

オープニングとクロージング

「収縮の後に膨張を行う」処理をオープニングと呼び、形状を保ったまま小さなノイズだけを消し去ることができます。

「膨張の後に収縮を行う」処理をクロージングと呼び、形状を保ったまま内部の小さな隙間を埋めることができます。

これらの手法を組み合わせることで、解析に適した理想的な2値画像を作り上げていきます。

2値化処理を行う際の注意点と課題

非常に便利な2値画像ですが、万能ではありません。

処理を行う上での注意点も存在します。

まず、一度2値化してしまうと、元の画像が持っていた「色」や「グラデーション」の情報は完全に失われます。

もししきい値の設定を誤り、重要なパーツが背景と一緒に消えてしまった場合、後から復元することは不可能です。

また、照明の反射が強い金属光沢のある物体や、背景と物体の色が似ている場合には、適切な2値化が非常に困難になります。

このようなケースでは、2値化を行う前に「コントラスト強調」や「平滑化フィルタ」といった前処理を丁寧に行う必要があります。

まとめ

2値画像は、デジタル画像処理における「情報の最小単位」であり、複雑な視覚情報をコンピュータが理解しやすい形に整理するための強力なツールです。

0と1というシンプルな構造によって、圧倒的な処理速度と解析のしやすさを実現しています。

適切なしきい値設定やモルフォロジー演算を組み合わせることで、OCRや自動検品、医療診断など、多岐にわたる分野で高度な自動化を支えています。

近年のディープラーニング技術の発展により、色情報をそのまま扱うケースも増えていますが、それでもなお「形状を正確に捉える」という目的において、2値画像の重要性が揺らぐことはありません。

画像処理を学ぶ上で、2値化の仕組みを深く理解することは、より高度なアルゴリズムを使いこなすための第一歩となるでしょう。

この記事が、2値画像に関する理解を深め、実際のシステム開発や研究に役立つ知識となれば幸いです。