基于分解的二维renyi熵阈值分割方法中参数自适应选取

针对基于分解的二维renyi熵阈值分割方法中参数α的取值问题,根据均匀性测度这一图像分割质量评价指标,利用粒子群搜索方法,提出了一种自适应选取α的方法。实验表明,所提出的方法不但可以针对不同的图像有效地选取参数α值,得到理想的图像分割结果,而且还可以将二维renyi熵参数自适应选取算法的计算复杂度由O(L6)降为O(L2),计算时间约为二维renyi熵参数自适应选取分割算法的1/10000。     

噪声图像的快速二维Otsu阈值分割

为了提高二维阈值分割法处理速度, 提出了二维Otsu法的快速实现方法。基于二维随机变量的边缘概率分布, 将二维最佳阈值（s*, t*）的求解拆分成两个一维最佳阈值s*和t*的求解; 同时为了改善原算法的分割效果, 引入类内方差的定义, 提出了新的最佳阈值判别式。实验结果表明, 本方法不仅保留了原二维阈值法抗噪性强的特点, 其时间复杂度由O(L⁴)降为O(L), 空间复杂度由S(L²)降为S(L), 且分割错误率低于原二维Otsu法。该方法适合处理高斯噪声图像的快速阈值分割问题。     

二维最大相关准则阈值分割的快速算法

提出了一种快速二维最大相关准则阈值分割算法。该方法利用积分和迭代编程技术,避免了数据的重复运算,从而将计算的复杂性从一般二维最大相关准则方法的O(L~4)减少至O(L~2)。实验结果表明,该方法分割效果好,计算效率高,适合实时图像系统的应用。     

二维Otsu阈值分割算法的改进及应用

为改善传统二维Otsu阈值分割算法处理图像的计算复杂度高、实时性差、受噪声干扰严重等缺点,提出一种改进的快速二维Otsu阈值自动分割算法.通过改变二维直方图判别域的划分将二维阈值求解转化为一维阈值求解,对原图像的直方图采用二分法得到最优分割阈值的初始值,然后在此基础上通过两个分量方向上迭代求解得到图像的最优分割阈值.理论分析与仿真车牌实验表明,与传统二维阈值分割算法相比,此算法的计算复杂度远远低于原始二维Otsu算法,且分割效果和原始算法的基本一致.     

遗传算法粒在二维最大熵值图像分割中的应用

研究图像分割,针对从图像中提取用户要求的特征目标,最优阈值的选取是图像准确分割的关键技术.传统二维最大熵值算法的最优阈值采用穷举方式进行寻优,耗时长,分割效率较低,易产生误分割.为了提高图像分割效率和准确性,提出一种遗传算法的二维最大熵值图像分割方法.先对原始图像进行灰度转换,绘制出图像的二维直方图.根据二维直方图信息...     

基于2D-WLDH的最大熵阈值分割算法

在传统二维最大熵图像阈值分割算法中,二维直方图主对角区域的概率和近似为1的假设不够合理,且算法耗时较多.为此,提出一种新的最大熵分割算法.根据灰度级和韦伯局部描述子(WLD)建立二维WLD直方图(2D-WLDH),将其用于最大熵的阈值分割,并设计快速递推算法,以提高运行速度.实验结果表明,该算法的运行时间较少,分割效果较好.     

3维自适应最小误差阈值分割法

为解决现有算法无法有效解决被多种噪声干扰的图像的阈值分割问题,本文提出了3维最小误差阈值法。该方法充分考虑图像像元点之间的灰度相关信息,结合图像灰度、均值和中值信息,构造出3维观测空间。然后基于相对熵定义出3维最佳阈值判别式。同时为了提高算法的处理速度,提出基于分解的快速实现方法,将3维阈值的求解分解成三个1维阈值的求解,其时间复杂度降为O(L),空间复杂度降为S(L)。实验结果分析表明,在不同噪声环境及非均匀光照条件下,尤其对多种噪声干扰的图像,与现有方法相比,文中算法均取得了更好的分割效果。     

二维直方图区域斜分的最大熵阈值分割算法

指出现有二维直方图区域直分法中存在明显的错分,提出一种二维直方图区域斜分方法.导出基于二维直方图区域斜分的最大熵阈值选取公式及其快速递推算法,给出图像分割结果和运行时间.并与基于二维直方图直分的最大熵原始算法及其快速算法进行比较.结果表明二维直方图区域斜分可使分割后的图像内部区域均匀,边界形状准确,更有稳健的抗噪性.本文算法的运行时间约为二维直方图斜分最大熵法原始算法的2%,不到二维直方图直分最大熵法的两种快速递推算法的1/3.     

最大模糊熵阈值法的快速算法

针对最大模糊熵图像阈值分割算法计算量太大的问题,文中在分析S型隶属函数特点和模糊熵性质的基础上,提出一种最大模糊熵阈值法的快速算法。该算法将最大模糊熵阈值分割算法的时间复杂度由O(L⁴)降到O(L³),同时避免优化算法易于陷入局部极值的缺陷。该快速算法可在提高算法速度的同时保证最大模糊熵阈值法的分割性能。     

2维对称交叉熵图像阈值分割

现有阈值分割方法中所用的交叉熵不满足距离度量对称性,且算法运行速度尚有提升空间,为此提出基于分解的2维对称交叉熵图像阈值分割方法。首先通过运用对称交叉熵描述分割前后图像之间的差异程度,分别导出1维和2维对称交叉熵阈值选取公式,给出相应的2维快速递推算法,计算复杂性由穷举搜索的O(L4)降到O(L2);然后将2维对称交叉熵法的运算转换到两个1维空间上,计算复杂性进一步降低到O(L)。实验结果表明,与现有的2维非对称交叉熵法相比,该方法具有更强的抗噪性,运行时间大幅减少,是一种更有效的2维交叉熵阈值分割方法。