基于互信息量的图像分割

图像分割是图像信息处理的热点和难点之一,常用的分割方法有阈值法和聚类法等．模糊C均值（FCM）算法因其实现简单、结果较优而得到广泛应用,但FCM算法存在过分依赖初值、收敛于局部极值和需预先给定分类类数等问题．研究者们对此进行了大量研究和改进,但均无法彻底解决上述问题,基于模拟退火算法和互信息量,以最大互信息量为优化目标,文中提出了一种新的分类类数判据一互信息熵差,并在此基础上构造了一种新的阈值分割算法——最大互信息量分割算法（MMS）,实验结果表明,MMS克服了FCM算法的上述不足．更为重要的是,作为一种一般性的分类算法,MMS算法如同FCM一样,可以应用到图像分割以外的更广阔的领域,如经济学、运筹学、模式识别等．     

基于共生互信息量的医学图像配准

该文考虑对应点及其邻域内不同方向上的像素点,将图像的空间与方向信息引入到配准中,提出了一种新的相似性测度--共生互信息量(Co-MI),并在此基础上构造了一种新的配准算法--最大共生互信息量法.实验结果表明在图像空间分辨率较低,有噪声影响和图像部分缺损的情况下,该算法具有计算速度快、精度高、鲁棒性强的特点.作为一种一般性的配准方法,共生互信息量同互信息一样,不仅可以用于图像的刚性和弹性配准,还可以应用到图像配准以外的更广阔的领域,如经济学、运筹学、模式识别等.     

基于FCM算法与互信息量的图像自动分割

传统的阈值分割算法只考虑到图像的灰度信息,而忽略了灰度的空间分布以及分割后图像与原图像之间的关系。本文从分割图像与原图像的内在联系出发,提出了一种新的基于FCM算法与互信息量技术相结合的分割算法,即FCM-MI算法。首先利用FCM算法确定全局阈值作为初值,以互信息量为目标函数,在小范围内计算分割图像与原图像的互信息量,互互信息量达到最大时的阈值即为最优值。对大量医学图像和车牌图像进行的实验结果表明,本算法所得到的目标图像的边界特征保持完好,虚假目标信息大大降低,图像边界细腻、连续且定位性能好。     

一种改进的多方位结构元素形态学和互信息量的图像分割算法

提出了一种改进的基于多结构元素形态学与互信息量相结合的图像分割算法。算法首先利用相邻像素差分运算标记出图像中存在梯度变化的像素点,然后对这些像素点进行多结构元素形态学运算,确定一个初始阈值;然后以互信息量为目标函数,在小范围内计算分割图像与原图像的互信息量,以确定最优阈值。通过对大量路面破损图像进行的实验表明,该改进算法所得到的分割图像目标边缘特征保持完好,具有很强的抗噪能力,且处理速度很快。     

基于高维互信息量的图像配准

基于互信息量的图像配准算法只考虑单个相对应点间的关系,忽略了图像的空间信息,因此当图像分辨率较低、有噪声影响和部分缺损时就容易出现误配.将图像的空间信息引入到配准中,考虑对应点及其邻域的关系,提出了一种新的相似性测度--高维互信息量.新的测度不仅能够反映图像的灰度统计信息,而且能够反映图像的空间信息.实验结果表明,在图像空间分辨率较低、有噪声影响和图像部分缺损的情况下,该算法具有较高的准确性.     

基于最大互信息量的图像自动优化分割

由于传统的阈值分割算法只考虑到图像的灰度信息,而忽略了灰度的空间分布以及分割后图像与原图像之间的关系,因而分割效果不好。为了提高分割效果,从分割图像与原图像的内在联系出发,提出了一种新的基于K均值算法与互信息量(mutual information,MI)技术相结合的分割算法。新算法首先利用K均值算法确定全局阈值作为初值;然后以互信息量为目标函数,在小范围内计算分割图像与原图像的互信息量,互信息量达到最大时的阈值即为最优值。这是将图像配准方法用于分割的一种创新性尝试。通过对大量医学图像以及汽车牌照图像进行的实验结果表明,该新算法所得到的目标图像的边界特征保持完好,不仅虚假目标信息大大降低,而且图像边界细腻、连续,且定位性能好。     

基于Stackelberg博弈的多输入多输出雷达信号与目标干扰优化

针对实际杂波环境中多输入多输出(MIMO)雷达与目标间检测与隐身的博弈问题,提出一种新的两步注水算法。首先建立时空编码模型;然后基于互信息量准则,用注水法分配目标干扰功率,用通用注水法分配雷达信号功率;最终得到强弱杂波环境Stackelberg博弈中目标占优和雷达占优的优化方案。仿真结果表明,雷达信号功率分配和通用注水水位变化规律均受杂波影响,两优化方案的互信息量在强杂波环境降低约50%,干扰影响系数分别降低0.2和0.25,互信息量受干扰影响程度降低,证明了所提算法的有效性。     

基于互信息案例推理的氧气脱碳效率预测模型

提出基于互信息案例推理的氧气脱碳效率预测模型,并依据预测结果计算转炉炼钢静态和动态阶段吹氧量.首先提出一种新的吹氧量预测方法,将氧气脱碳效率作为案例推理的解属性;然后将互信息引入属性权重的确定过程中,解决了传统案例检索方法忽略问题属性与解属性之间信息量的不足.将所提方法用于一座150t转炉的实际生产数据中,仿真结果表明该模型预测精度较高.该方法能够实现对转炉炼钢吹氧量的准确计算,满足实际生产的要求.     

基于互信息熵差测度和Gauss-Markov随机场模型的医学图像分割

图像分割类数的确定一直是个难点,基于互信息熵差测度进行图像分割类数的确定,较好地解决了该问题.互信息熵差描述了随着分割类数增加时分割图像和原图像互信息量的增加程度,其作为一种类数确定测度时,可认为取得了一种分割类数与分割图像中所包含信息量的平衡,以此提出了分割类数确定的判别规则.在分割算法方面,Gauss-Markov模型既利用了图像的灰度信息,又通过Gibbs先验概率引入了图像的空间信息,能较好地用于分割含噪声的图像.然而,Gibbs惩罚因子β的确定却一直是个难点,为获得好的分割效果,通常用多个β值人工尝试.针对此问题,提出了一种类自适应的惩罚因子β,其利用后验概率来自动计算,并具有各类各向异性.再将模型利用EM-MAP算法来迭代求解.最后,将算法应用于医学图像的分割,实验表明该算法具有满意的分割效果.     

基于互信息量的寄生虫卵图像自动优化分割*

从分割图像与原图像的内在联系出发,提出了一种新的基于Otsu算法与互信息量技术相结合的分割算法--OMI算法.首先利用Otsu算法确定全局阈值作为初值,以互信息量为目标函数,在小范围内计算分割图像与原图像的互信息量,互信息量达到最大时的阈值即为最优值,这是将图像配准方法用于分割的一种创新性尝试.对大量人体寄生虫显微图像进行了实验,结果表明,本算法所得到的目标图像的边界特征保持完好,虚假目标信息大大降低,图像边界细腻、连续且定位性能好.     

基于互信息的加权朴素贝叶斯文本分类算法

文本分类是信息检索和文本挖掘的重要基础,朴素贝叶斯是一种简单而高效的分类算法,可以应用于文本分类.但是其属性独立性和属性重要性相等的假设并不符合客观实际,这也影响了它的分类效果.如何克服这种假设,进一步提高其分类效果是朴素贝叶斯文本分类算法的一个难题.根据文本分类的特点,基于文本互信息的相关理论,提出了基于互信息的特征项加权朴素贝叶斯文本分类方法,该方法使用互信息对不同类别中的特征项进行分别赋权,部分消除了假设对分类效果的影响.通过在UCIKDD数据集上的仿真实验,验证了该方法的有效性.     

一种基于反向文本频率互信息的文本挖掘算法研究

针对传统的文本分类算法存在着各特征词对分类结果的影响相同,分类准确率较低,同时造成了算法时间复杂度的增加,在分析了文本分类系统的一般模型,以及在应用了互信息量的特征提取方法提取特征项的基础上,提出一种基于反向文本频率互信息熵文本分类算法。该算法首先采用基于向量空间模型(vector spacemodel,VSM)对文本样本向量进行特征提取;然后对文本信息提取关键词集,筛选文本中的关键词,采用互信息来表示并计算词汇与文档分类相关度;最后计算关键词在文档中的权重。实验结果表明了提出的改进算法与传统的分类算法相比,具有较高的运算速度和较强的非线性映射能力,在收敛速度和准确程度上也有更好的分类效果。     

入侵检测中的数据约简研究

为解决入侵检测中的数据约简问题,提出一种基于粗糙集的入侵检测数据约简算法,其中包括特征选择与属性值约简。特征选择部分采用互信息的方法消除冗余特征,属性值约简部分采用归纳值约简算法消除冗余属性值。实验结果表明,该方法不仅能缩短训练及检测时间,减小数据存储代价,还能提高分类精确度。     

基于高维k-近邻互信息的特征选择方法

针对多元序列预测建模过程中特征选择问题,提出了一种基于数据驱动型高维k-近邻互信息的特征选择方法。该方法首先将数据驱动型k-近邻法扩展用于高维特征变量之间互信息的估计,然后采用前向累加策略给出全部特征最优排序,根据预设无关特征个数剔除无关特征,再利用后向交叉策略找出并剔除冗余特征,最终得到最优强相关特征子集。以Friedman数据、Housing数据和实际污水处理出水总磷预测数据为例,采用多层感知器神经网络预测模型进行仿真实验,验证了所提方法的有效性。     

互信息的序决策信息系统属性约简研究

优势关系粗糙集理论是粗糙集理论有意义的推广,决策信息系统知识约简是粗糙集理论的核心内容之一.通过在协调序决策信息系统中引入条件熵、互信息概念,给出了基于条件熵、互信息的协调序决策信息系统属性约简算法,并通过学生评价决策信息系统验证了该算法的有效性,使协调序决策信息系统的属性约简得到了扩展.在不协调序决策信息系统中引入限定条件熵、限定互信息概念,并给出基于限定互信息的不协调序决策信息系统属性约简算法,为不协调序决策信息系统的属性约简的应用提供了可行的解决方法.     

结合互信息的多目标属性约简*

为了获得决策系统中更好的相对属性约简,提出一种基于互信息的多目标属性约简算法。该算法首先根据互信息寻找核属性集;然后以最小属性子集和最大互信息为目标,定义新的适应度函数,在粒子运动方程、克隆及自适应变异的共同作用下进化;并通过非支配排序及精英保留策略寻找满足目标的Pareto最优解。通过UCI标准数据集上的对比测试结果表明,算法能够有效地对决策系统进行约简。     

基于最近邻互信息的特征选择算法

针对邻域信息系统的特征选择模型存在人为设定邻域参数值的问题。分别计算样本与最近同类样本和最近异类样本的距离,用于定义样本的最近邻以确定信息粒子的大小。将最近邻的概念扩展到信息理论,提出最近邻互信息。在此基础上,采用前向贪心搜索策略构造了基于最近邻互信息的特征算法。在两个不同基分类器和八个UCI数据集上进行实验。实验结果表明：相比当前多种流行算法,该模型能够以较少的特征获得较高的分类性能。     

基于属性重要性和互信息的MIBARK改进算法

MIBARK属性约简算法中根据决策表中增加某个属性所引起互信息的变化来度量属性重要性,新算法以属性依赖度作为衡量属性重要性的标准,采用先添后删的方法,在不影响分类质量的前提下将冗余属性删除,通过仿真实验表明该算法达到较好的属性约简效果。     

基于互信息和Beam 搜索的粗糙集属性约简算法

从属性集互信息的角度分析了粗糙集理论的属性约筒问题．首先在互信息的基础上定义了一个新的属性子集的冗余性和协同能力度量——属性子集的冗余协同系数；然后将它作为属性约筒度量，提出了基于Beam搜索的粗糙集属性约筒算法．实验表明属性约简算法具有良好的运行效果．     

尺度空间图像的互信息与配准

提出基于多尺度图像的互信息测度的配准方法,主要讨论这种方法的性能。提出这种方法的主要目的是在保证这种方法的准确性和鲁棒性的同时加快配准速度,并且具有强抗噪性。将这种方法在MR图像和CT图像上进行检验。这是首次将属性尺度空间与互信息结合,实验表明多尺度图像的互信息测度是一种行之有效的配准方法。