二维指数熵图像阈值选取方法及其快速算法

二维Shannon信息熵法是图像阈值分割中常用的经典算法，但存在着不足。为此，提出了一种二维指数信息熵阈值选取方法，克服了对数熵的不足,将对数改为指数，提高了速度。同时给出了一种二维指数熵阈值选取的快速算法，通过改变二维直方图的区域划分，将二维阈值转换为一维，运行时间不到原算法的1%。实验结果表明，该算法能快速准确地实现图像分割。     

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。     

运用迭代最大熵算法选取最佳图像分割阈值

最大熵分割选取的阈值在很多情况下不能准确体现图像细节,为此提出一种迭代最大熵分割方法。在分割图像过程中,多次运用最大熵分割方法,在每一次分割后的两类中,得到两个类均值,以分布于两个均值两侧的像素作为被准确分类的像素,以分布于两个均值之间的像素作为待定像素,进一步确定其分类结果,在下一次迭代中,以待定区域像素作为分类对象,经过多次迭代,得到最佳阈值。实验结果表明,该方法的效果比原始最大熵分割法有较大提高。     

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。     

基于灰度迭代阈值脉冲耦合神经网络的图像分割

为有效分割图像,提出了灰度迭代阈值脉冲耦合神经网络(GIT-PCNN)。GIT-PCNN简化了传统PCNN模型,将其指数衰减的阈值改进为图像的灰度迭代阈值。GIT-PCNN分割图像时无需进行参数和循环次数选择,也无需使用特定原则确定循环结束条件,一次点火过程完成分割。GIT-PCNN分割图像时充分利用了图像的灰度信息和PCNN特有的空间邻近及像素灰度值相似集群发放脉冲提供的图像局部位置信息。实验结果表明,GIT-PCNN在主观及客观的分割性能和速度上均优于经典的PCNN分割方法。     

灰度熵和混沌粒子群的图像多阈值选取

最大Shannon熵阈值选取方法仅仅依赖于图像灰度直方图的概率信息,而没有直接考虑类内灰度级的均匀性.为此提出了最大灰度熵的阈值选取方法.首先给出了灰度熵的定义及其单阈值选取方法,该灰度熵与现有的仅基于直方图分布的最大Shannon熵不同,直接反映了类内灰度级的均匀性;其次导出了量化图像直方图的灰度熵单阈值选取公式;最后将灰度熵单阈值选取推广到多阈值选取,提出了相应的快速递推算法,并进一步采用混沌小生境粒子群优化算法寻找最佳多阈值.实验结果表明,与最大Shannon熵单阈值选取和基于粒子群的最大Shannon熵多阈值选取方法相比,所提出方法的分割图像边缘、纹理更为准确,视觉效果明显改善.     

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).     

图像阈值选取的一种快速算法

根据在灰度图像中,存在一些像素数为零的灰度级,提出一种改进的最大类间方差法。实验结果表明,该方法对于不同的图像,原最大类间方差法的执行效率均有不同程度的提高。     

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。     

基于三维直方图修正和灰度熵分解的图像分割

图像噪声容易引起图像误分割,而常用阈值选取方法仅依赖于图像直方图的概率信息,未直接考虑图像中类内灰度分布的均匀性。为此,提出一种修正三维直方图和分解处理灰度熵的图像分割算法。分析图像的噪声对其邻域灰度造成的影响,通过修正三维直方图来减弱噪声干扰,给出三维灰度熵阈值的选取公式,并将三维灰度熵分解至一维进行处理,使计算复杂度由O(L3)降为O(L)。实验结果表明,与二维最大熵斜分法、二维交叉熵递推法、降维三维Otsu法相比,该算法抗噪性能更强、分割效果更好,同时能使运算时间缩短10%以上。     

基于灰度迭代阈值PCNN的眼底图像血管分割

针对传统的脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）模型中参数众多且不易自动选取,迭代次数结束条件不好确定的问题,提出了一种基于灰度迭代阈值脉冲耦合神经网络的眼底图像血管分割方法。该方法简化了传统PCNN模型,将其单一的神经元兴奋性链接输入改进为神经元兴奋性与邻域抑制性链接输入之和;同时将其随时间指数衰减的阈值改进为图像的灰度迭代阈值,分割图像时无需人工设置参数,无需特定准则确定最佳迭代次数,一次迭代完成分割。对DRIVE眼底图像库的实验结果表明,该方法在主观视觉效果及客观分割性能和运算耗时上均明显优于传统PCNN方法。     

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。     

基于遗传算法的彩色图像二维熵多阈值自适应分割

提出一种基于遗传算法的二维熵多阈值自适应图像分割方法.在分析研究二维熵阈值分割原理的基础上,将可变码长的遗传算法应用于多阈值分割处理过程,采用基于多阈值的整数编码方式,将图像分割的类别数即染色体的码长融合到适应度函数中,从而实现了在对阈值寻优的同时得以优化分割类别数,最终实现图像的多阈值自适应分割处理.实验分析结果表明,该方法具有实现阈值寻优速度快,最优解对应图像分割效果好的特点.     

二维类内最小交叉熵的图像分割快速方法

熵是基于图像的一维灰度直方图得到的,仅利用了像素的灰度信息。最小交叉熵就是要寻找最优阈值使原始图像和分割图像之间的信息量的差异最小,在交叉熵的基础上,通过引入图像的空间信息,定义了二维类内交叉熵,并提出了基于二维类内最小交叉熵的图像分割方法。实验结果表明,充分利用图像的灰度信息和空间信息后,二维类内交叉熵取得了比交叉熵更好的分割效果。为了提高运算效率,提出了相应的快速递推算法,计算时间由从多于3小时减少到只要几秒。     

基于梯度熵的Otsu图像分割算法

当目标和背景的类内方差差距较大时,传统图像分割算法Otsu会将类内方差较大的类中部分像素划分到类内方差较小的类,造成错误分割,针对这种情况,提出一种基于梯度熵的O tsu算法。利用梯度值分析求出目标和背景的分界点;针对目标和背景分别进行有选择性的线性拉伸,使目标和背景满足类内方差差距小的条件;对处理后的图像采用Otsu算法进行分割。实验结果表明,该算法能有效避免传统Otsu阈值偏向方差大的一类的情况发生,从客观和主观角度进行图像分割质量评价,效果良好。     

萤火虫算法优化最大熵的图像分割方法

为了提高图像的分割效果,提出一种萤火虫算法优化最大熵的图像分割方法。获得最大熵法的阈值优化目标函数,采用萤火虫算法对目标函数进行求解,找到图像的最佳分割阈值,根据最佳阈值对图像进行分割,通过仿真实验对分割效果进行测试。结果表明,该方法可以迅速、准确找到最佳阈值,提高图像分割的准确度和抗噪性能,可以较好地满足图像分割实时性要求。