最大熵阈值处理算法

阈值法是图像分割的一种重要方法,在图像处理与识别中广为应用.提出了一种基于灰度-梯度共生矩阵模型和最大熵原理的自动阈值化方法.该方法不仅利用了图像的灰度信息,而且也利用了梯度信息,通过计算基于灰度-梯度共生矩阵的二维熵,并使边缘区域的熵最大来选择阈值向量.仿真结果显示,该算法比其他二维熵方法效果更佳.     

基于灰度—梯度共生矩阵模型的最大熵阈值处理算法

阈值法是图像分割的一种重要方法，在图像处理与识别中广为应用。本文提出了基于灰度-梯度共生矩阵模型和是大熵原理的灰度图像的自动阈值化技术，该方法不仅利用了图像的灰度信息，而且也利用了图像的梯度信息。该方法通过计算基于灰度-梯度共生矩阵的二维熵并使边缘区域的熵最大来选择阈值向量。仿真结果显示该算法比一维熵方法效果更佳。     

灰度-梯度共生矩阵模型的加权条件熵阈值法

基于二维灰度直方图的最大熵阈值法是依据“灰度-灰度均值”构成直方图的图像分割方法,该方法着重于图像的内部信息,忽略了边界区域的信息。应用图像的梯度信息建立“灰度-梯度共生矩阵”,构造图像的二维灰度直方图,结合最大条件熵法进行阈值选取。为了充分提取图像内部和边缘信息,提出了二维加权最大熵阈值法。结果表明,该方法一方面能够保留更多的图像边缘信息,另一方面能够根据实际需要调节权值大小,得到兼顾图像内部和边缘信息的分割结果。     

利用混沌布谷鸟优化的二维Renyi灰度熵图像阈值选取

为了进一步降低现有的Renyi熵阈值法的计算复杂度,提出了基于混沌布谷鸟算法和二维Renyi灰度熵的阈值选取。首先,引入一维Renyi灰度熵阈值选取公式,建立基于像素灰度和邻域梯度的二维直方图,推导出基于该直方图的二维Renyi灰度熵阈值选取公式,通过快速递推公式来减少阈值准则函数的计算量;最后,采用混沌布谷鸟算法搜索最优阈值来完成图像分割。结果表明,与二维Arimoto熵法、基于粒子群的二维Renyi熵法、基于混沌粒子群的二维Tsallis灰度熵法、基于布谷鸟算法的二维Renyi灰度熵法相比,所提出的方法能够准确实现图像分割,且运算速度有所提升。     

快速二维Renyi熵阈值分割方法

提出一种基于二维Renyi熵的阈值二值化方法,该方法通过引入二维直方图不仅利用了图像像元点的灰度分布信息,而且充分考虑了像元点之间的空间相关信息,对于低对比度、低信噪比的物体,该方法具有良好的分割效果.运用二维Renyi熵的原理选择灰度阁值对图像进行分割,并且引入量化图像直方图概念讨论了一种快速二维Renyi熵阚值分割算法,该算法能够递推运算和自动寻找阈值,将计算复杂性大大降低.仿真对比实验结果表明,该算法提高了计算效率并具有更佳的分割效果.     

基于微粒群算法的视网膜血管自动提取方法

针对视网膜血管网络灰度分布特征与结构特征,提出了将灰度-梯度共生矩阵最大熵与微粒群算法相结合的视网膜血管提取方法。采用Gabor滤波以增强血管图像,获取增强后视网膜图像的灰度-梯度共生矩阵,利用微粒群算法并结合灰度-梯度共生矩阵的最大熵方法进行阈值化处理,对图像进行二值化处理后根据视网膜血管具有区域连通性的特征,采用形态学方法分割出最终的血管。实验结果表明,该方法能有效地提取视网膜血管网络。     

一种结合纹理信息的三维Renyi熵阈值分割算法

充分利用图像空间邻域信息,引入均值-中值-梯度共生矩阵模型,并结合Renyi熵相关理论,提出一种结合纹理信息的三维Renyi熵阈值分割算法.同时给出了该方法的快速递推公式,有效的节省了计算时间与存储空间.实验结果表明,与现有分割算法如最大类间方差法、最小误差法、最大熵法和灰度-梯度法相比,本方法的分割效果更为理想,即使对于低对比度、低信噪比的目标,本文算法也更具鲁棒性.     

基于分解的二维Renyi灰度熵的图像阈值分割

针对传统二维Renyi熵阈值法的高计算复杂性,提出一种新的基于分解的二维Renyi灰度熵阈值分割方法。该方法通过求解两个一维Renyi灰度熵阈值替代二维Renyi灰度熵的最佳阈值,理论上证明当满足一定条件时,两者等价;同时将计算复杂度由O(L4)降到O(L),所耗时间约为传统二维Renyi熵算法的1/10 000。     

基于均值—梯度共生矩阵模型的最大熵多阈值算法

为解决噪声显微细胞图像的多阈值分割问题,该文提出基于均值和梯度共生矩阵模型的最大熵多阈值算法。选用象素点的邻域灰度均值和梯度值构成二维灰度直方图。因为对象素点取均值可以平滑噪声,取梯度值可以锐化边缘,所以该算法能够改善图像的分割质量。考虑显微细胞图像多阈值分割的要求,该算法对二维灰度直方图采用改进的区域划分方式。通过优化传统的求熵算法,来减少运算时间,使之更加适合于擅长矩阵运算的MATLAB编程语言,从而提高运算速度。实验证明,该算法去除了噪声干扰,实现了显微细胞图像的多阈值分割,运算速度较快。     

一种新的阈值分割方法

提出了一种基于Renyi熵原理的阈值分割方法．该方法首先计算代表目标的熵和代表背景的熵，然后求出两熵之差并取其绝对值，最佳阈值对应于其中的最小值．Renyi熵比其它熵多了一个参数，此参数使得Renyi熵能处理更多类型的图像．将上述方法进行仿真实验，并且仿真其它熵方法，仿真结果显示，该算法比其他熵方法效果更有效、更一般化．     

改进的二维Renyi嫡图像闭值分割

提出一种基于灰度一梯度信息二维Rcnyi墒图像阂值分割新方法。首先,由图像灰度值和梯度值构造出二维直方图,在此基础上计算目标和背景区域的二维Renyi嫡,并使此嫡值函数最大,得到分割阂值。像素梯度信息和Renyi嫡可调参数相结合,可以处理更多类型的图像,同时分割得到的图像内部更均匀,边界形状更准确。     

基于2维灰度熵阈值选取快速迭代的图像分割

目的 为了使图像阈值分割的精度和速度进一步提高,提出了一种基于2维灰度熵阈值选取快速迭代的图像分割方法。方法 首先,提出了1维灰度熵阈值选取的快速迭代算法;然后,考虑图像目标和背景的类内灰度均匀性,给出了基于灰度—邻域平均灰度级直方图的灰度熵阈值选取准则;最后,提出了2维灰度熵阈值选取的快速迭代算法,并采用递推方式计算准则函数中的中间变量,避免其重复运算,加快了运算速度,大大减少了运算量。结果 大量实验结果表明,与近年来提出的3种阈值分割法相比,所提出的方法分割性能更优,分割后的图像中目标区域完整,边缘清晰,细节丰富且运行时间短,仅为基于混沌小生境粒子群优化的二维斜分倒数熵分割法运行时间的3%左右。结论 本文方法对不同类型灰度级图像的分割效果及运行速度均有明显优势,是实际系统中可选择的一种快速有效的图像分割方法。     

利用混沌PSO或分解的2维Tsallis灰度熵阈值分割

现有最大Shannon熵或Tsallis熵阈值选取方法没有从类内灰度均匀性出发,而仅依据图像灰度直方图,并且Tsallis熵法的分割效果通常优于Shannon熵法。为此,提出了基于混沌粒子群优化(PSO)和基于分解的两种2维Tsallis灰度熵阈值分割方法。首先,给出了1维Tsallis灰度熵阈值选取方法并将其推广到2维,导出了相应的2维Tsallis灰度熵阈值选取公式及其递推算法;其次,利用混沌PSO算法搜寻2维Tsallis灰度熵法的最佳阈值,并采用递推方式去除迭代过程中适应度函数的冗余运算,大大提高了运行速度;最后,将2维Tsallis灰度熵阈值选取方法的运算转化为两个1维Tsallis灰度熵法的运算,计算复杂度从O(L2)进一步降低到O(L)。实验结果表明,与2维最大Shannon熵法、2维最大Tsallis熵法及2维Tsallis交叉熵法相比,所提出的两种方法可以大幅提高图像分割质量和算法运行速度。     

A thresholding method based on two-dimensional Renyi's entropy

In this paper, we present a new thresholding technique based on two-dimensional Renyi's entropy. The two-dimensional Renyi's entropy was obtained from the two-dimensional histogram which was determined by using the gray value of the pixels and the local average gray value of the pixels. This new method extends a method due to Sahoo et al. (Pattern Recognition 30 (1997) 71) and includes a previously proposed global thresholding method due to Abutaleb (Pattern Recognition 47 (1989) 22). Further, our method extends a global thresholding method due to Chang et al. (IEEE Trans. Image Process. 4 (1995) 370) to the two-dimensional setting. The effectiveness of the proposed method is demonstrated by using examples from the real-world and synthetic images.     

基于改进的二维最大熵及粒子群递推的图像分割

鉴于常用的灰度级-平均灰度级二维直方图区域划分存在明显的不足,提出一种灰度级(平均灰度级)-梯度二维直方图及其区域划分方法.给出了改进二维直方图的最大熵阈值选取公式,并利用粒子群算法寻找最佳阈值,在迭代过程中采用递推算法,大大地减少了适应度函数的重复计算.实验结果表明,该方法不仅使分割后的图像区域内部均匀、边界形状准确、抵抗噪声稳健,同时相对粒子群算法运算速度又提高了约1倍.     

一种新的基于二维Tsallis熵的阈值方法

Tsallis熵首先出现在统计力学中。对于呈现远距离交互,长时间记忆以及具有不规则结构的物理系统来说,它的表达式中引入了一个实数q作为参数。在利用图像像素的灰度值和像素的邻域平均灰度值建立的二维直方图的基础上,提出了基于二维Tsallis熵的阈值方法;同时为解决计算复杂度高、运算时间长这一缺点,利用群体智能中的粒子群优化（PSO）算法来优化搜索分割阈值（t,s）的过程,其中t和s分别是图像的像素灰度阈值以及邻域平均灰度阈值。通过对真实图像的处理实验证明,该方法不仅能够对目标图像进行准确的分割,而且大大减少了运算时间。     

基于三维指数灰度熵的快速图像分割算法

针对现有阈值分割法通常只考虑图像直方图的统计信息,而忽略了图像目标和背景类内灰度分布的均匀性,提出指数灰度熵分割算法,并推广得到三维指数灰度熵分割算法。给出了一维指数灰度熵阈值法及三维指数灰度熵阈值法的原理,在三维直方图上,将降维处理和优化搜索策略相结合,得到最优分割阈值。理论证明,阈值搜索复杂度由原来的[O(L3)]降至[O(L12)]。实验结果表明,与现有的多种阈值法相比,所提算法抗噪性能更强、分割效果更优,且运算时间大为减少。     

基于Curvelet变换和多目标粒子群的混合熵MRI图像多阈值分割

针对因噪声干扰多、灰度不均匀、目标边界模糊导致的核磁共振成像（MRI）图像难以精确分割的问题,提出了一种基于Curvelet变换和多目标粒子群（MOPSO）的混合熵MRI图像多阈值分割算法。首先,对待分割MRI图像进行Curvelet分解,提取低频子带和高频细节子带构建概貌-细节灰度级矩阵模型,以提高算法的目标细节表示能力;其次,同时考虑目标与背景的类间差异性与类内均匀性,将提出的二维多阈值倒数熵和倒数灰度熵组合定义为混合熵,作为多目标粒子群算法的目标函数,协同搜索得到最优的分割多阈值,以实现MRI图像的精确分割;最后,为提高算法的求解速度,提出了二维倒数熵和倒数灰度熵多阈值选取的梯度算法。实验结果表明：与二维tsallis熵、自动细菌觅食分割法（ABF）和改进的Otsu多阈值分割算法相比,所提方法对灰度不均和含噪的MRI图像具有更好的适应性,分割结果更为精确。     

基于微粒群算法的二维最大熵图像分割方法

该文研究了基于二维最大熵的图像分割方法,针对二维最大熵图像分割方法求取阈值时存在的计算复杂、时间长、实用性差等问题,提出了基于微粒群算法的二维最大熵图像分割方法.该方法运用微粒群算法对图像的二维阈值空间进行全局搜索,并将搜索得到的二维熵最大值所对应的点灰度-区域灰度均值对作为阈值进行图像分割.实验结果表明,由于该方法考虑了点灰度和区域灰度均值,且采用了离散的全局搜索算法,所以不仅得到了令人满意的分割效果,而且大大的提高了计算速度,是一种实用有效的图像分割方法.