一种结合二维熵和模糊熵的图像分割方法

基于二维熵的分割方法是一种常用的阈值分割技术,其基本假设是对象区域和背景区域占据了二维直方图的绝大部分区域,即假设对象区域和背景区域的概率和近似为1。该方法存在的不足是忽略了边界区域的信息对分割结果的影响,鉴于此,提出了一种结合二维熵和模糊熵的图像分割方法,先采用二维熵对图像进行初步分割,再采用模糊熵作后续处理以弥补忽略边界信息带来的问题。实验结果表明,对于含噪图像,该文方法的分割效果是比较理想的。     

基于二维Tsallis交叉熵直线型图像阈值分割方法

Tsallis熵具有非广延性,其用于图像分割取得了比Shannon熵好的分割效果.但传统Tsallis熵分割主要基于点的分割,其不足处在于忽略边界区域的信息.为消除忽略边界区域信息给图像分割带来的不足,在二维Tsallis交叉熵基础上提出了二维Tsallis交叉熵直线型分割方法,并将聚类小生境粒子群算法应用于最佳二维阈值的搜索当中,最佳阈值搜索速度有了明显提高,所得阈值较为理想.实验表明此方法取得了比传统Tsallis熵分割法较好的分割效果.     

一种结合二维Otsu法和模糊熵的图像分割方法

提出了一种结合二维Otsu法和模糊熵的图像分割方法,先采用二维Otsu法对图像进行初步分割,再采用模糊熵作后续处理,以弥补忽略边界信息带来的问题.实验结果表明,对于含噪图像,该方法的后处理效果是比较理想的.     

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。     

基于二维直方图和模糊熵准则的阈值化方法

图像分割是图像分析、识别和理解的基础。图像分割主要是指将图像分成各具特性的区域并提取出感兴趣目标的技术,其研究多年来一直受到人们的高度重视;阈值化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;针对图像分割中细节往往被忽略导致后续处理困难的问题,基于模糊关系和最大模糊熵原理提出了一种阈值化方法,对二维直方图进行模糊分割;为了获得图像分割中的细节,提出的方法根据最大熵原则自动确定模糊区域和门限,进而获得二维模糊熵和遗传算法最优解,最后获得图像细节;通过对不同灰度水平和颜色类型图像进行实验比较,实验结果表明提出的方法优于二维非模糊方法和一维模糊熵分割法,得到该方法在图像分割中获得细节的结论。     

基于二维熵阈值的图像分割及其快速算法

阈值分割是图像分割技术中的一种重要方法,在图像处理和模式识别中广为应用.本文提出了一种基于二维熵阈值的图像分割快速算法.该算法能够有效地区分图像中边界、背景和物体三种区域,并使得传统二维阈值方法的复杂度从O(W2S2)降至O(W2/3S2/3).     

应用最小方差滤波的图像分割方法

二维熵的图像分割方法是一种常用的阈值分割技术,适合于对象和背景占据二维直方图绝大部分区域的图像分割,但该方法忽略了边界区域的信息对分割结果的影响。为保留图像的边界信息,对直方图中均值的选取进行了改进,应用了9种不同形状的模板,对每个像素点求均值和方差,选取方差最小的模板对应的均值构造二维直方图。实验结果表明,对于边界区域的信息量较大的图像,该方法的分割效果比较理想,并且也有良好的去噪效果。     

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.     

微粒群算法在二维模糊熵图像分割中的应用

将微粒群算法和二维模糊熵阏值分割法结合,提出了一种基于微粒群和二维模糊熵的图像分割方法.该方法根据像素点灰度值和区域灰度均值所建立的二维灰度直方图,以二维模糊熵作为微粒群算法的适应度函数,利用微粒群算法搜索点灰度值和区域灰度均值所对应的模糊参数最优组合,进而确定相应的分割阈值.对几例真实目标图像的对比分割实验结果表明,该文方法性能优越,是一种有效的图像分割方法.     

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.     

基于分散微粒群算法的二维模糊最大熵图像分割

该文研究了基于二维模糊信息熵的图像分割方法,针对二维模糊信息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,提出了基于优化微粒群算法的二维最大熵图像分割方法。DPSO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-区域灰度均值作为阈值进行图像分割。同时,为了避免该算法收敛到局部最优解的问题,在算法中引入了变异策略。通过实验显示了该算法在收敛性和计算效率上较QPSO在内其它优化算法具有更好的优越性。     

广义模糊熵图像阈值分割参数选取的ADE方法

针对广义模糊熵图像阈值分割参数不能自动选取,提出自适应差分进化（Adaptive Differential Evolution,ADE）的广义模糊熵图像阈值分割方法。利用自适应差分进化算法作为优化工具来选取广义模糊熵阈值分割所需要的最佳参数,引入自适应变异算子和提出交叉概率自适应函数对优化过程进行控制,通过把参数带入广义模糊熵的补函数得到图像的阈值,进而得到图像最优分割。为验证其有效性与可行性,分别同基本图像质量评价准则的模糊熵图像阈值分割算法和粒子群优化广义模糊熵图像阈值分割算法相比较,实验表明,针对不同细节的图片,该算法所得分割结果多数情况下背景信息更少,目标信息更清晰,用时更短,分割更稳定且效果良好。     

基于微粒群和最大模糊熵的图像分割

提出了一种基于微粒群和最大模糊熵的图像分割方法.将图像分为目标和背景,并分别建立相应的模糊隶属函数来描述图像各个灰度级属于目标和背景的模糊特性,进而给出图像模糊熵的描述.在此基础上,根据最大模糊熵准则采用微粒群算法搜索模糊参数的最优组合,确定区分目标和背景的最佳阈值.为了验证方法的有效性,对比进行了图像分割实验,并与双峰法、迭代法和最大类间方差法进行了比较,实验结果表明,效果良好,能够自动、有效地选取阈值,分割效果优于其它三种算法,具有很好的鲁棒性和自适应性.     

A 2-phase 2-D thresholding algorithm

When using 2-D thresholding to segment images, the used threshold would partition the 2-D histogram into four quadrants, two of which are corresponding to the object and background, while the other two are corresponding to edges and noise. However, unsuccessful segmentation will often happen because many existing 2-D thresholding methods ignore edges and noise quadrants in calculation. To solve this problem, in this paper a novel 2-D threshold line segmentation strategy is proposed, in which the second threshold point is determined adaptively by considering the information of incorrectly classified pixels. The experiments on typical images demonstrated that the proposed method achieves very competitive segmentation results in comparison with the existing representative methods.     

基于最大类间方差的最大熵图像分割

最大熵分割算法对于目标与背景之间界限模糊的图像分割效果较好,但该算法对图像边缘的处理能力较差。最大类间方差分割算法对图像边缘的识别能力较强,但该算法对于目标和背景之间界限模糊的图像分割效果不好。针对上述问题,提出了一种基于最大类间方差的最大熵图像分割算法,该算法既能很好地对目标与背景之间界限模糊的图像进行分割,又能有效地识别图像的边缘。实验结果表明,本文所提算法对目标与背景之间界限模糊的图像的分割效果以及对图像边缘的识别能力均优于传统的最大类间方差算法和最大熵算法,且具有更好的有效性和鲁棒性。     

一种基于模糊集的灰度图像阈值分割算法

提出了一种新的基于模糊集理论的图像直方图阈值分割算法。该算法首先把图像的直方图预分成目标参考区,背景参考区和模糊区。然后对位于模糊区的灰度级,逐一比较其与目标和背景区的相似度,以决定该灰度级的归属,并最终确定灰度阈值。仿真结果表明：此方法不但能不有效地对灰度图像进行分割,且与传统方法相比更具灵活性。