二维广义模糊熵图像阈值分割法

针对一维广义模糊熵不能有效处理含噪图像的分割问题,在二维灰度直方图上定义了图像的二维隶属度函数,提出了二维广义模糊熵阈值分割法.该方法不仅考虑了图像的点灰度值,同时考虑了图像像素的邻域平均灰度值,能更好地利用图像中的信息.为了提高二维广义模糊熵阈值法的运行速度、解决参量选取问题,结合粒子群优化搜索方法,设计了嵌套式的优化过程.实验表明,二维广义模糊熵阈值分割法对噪音图像有更好的适应性.     

二维广义模糊熵图像阈值分割法

针对一维广义模糊熵不能有效处理含噪图像的分割问题,在二维灰度直方图上定义了图像的二维隶属度函数,提出了二维广义模糊熵阈值分割法.该方法不仅考虑了图像的点灰度值,同时考虑了图像像素的邻域平均灰度值,能更好地利用图像中的信息.为了提高二维广义模糊熵阈值法的运行速度、解决参量选取问题,结合粒子群优化搜索方法,设计了嵌套式的优化过程.实验表明,二维广义模糊熵阈值分割法对噪音图像有更好的适应性.     

灰度图像的二维交叉熵阈值分割法

在解释和说明Li与 Lee提出的一维交叉熵阈值分割方法的基础上,将其推广到二维灰度直方图上,提出了二维交叉熵图像分割算法.为了克服二维空间上运算复杂性高、运算量大的缺点,给出了二维交叉熵阈值法的快速递推公式.与二维Otsu法相比,二维交叉熵阈值法能够更好地适应目标和背景方差相差较大的情形,是一种有效的阈值分割方法.     

融合改进直方图PDE和二维Tsallis熵多阈值SAR分割

针对合成孔径雷达(SAR)图像中存在大量的相干斑噪声,对SAR图像进行分割易出现分割不精、边缘模糊等问题,融合改进的直方图PDE和二维Tsallis熵多阈值,提出了一种SAR图像分割算法。根据PDE直方图均衡化方法,将图像去噪与图像增强加权融合,利用各自权值调整去噪项与图像增强项;同时将二维Tsallis熵单阈值分割方法扩展到多阈值分割, 建立基于多阈值的选取方法,并引入萤火虫算法来求解最优阈值对,实现了二维Tsallis熵多阈值对去噪增强SAR图像的有效分割。仿真结果表明:与其他3种分割算法相比,该文算法在处理噪声大、灰度差值小的图像时具有较高的分割精度,PRI至少提升2.53%、VOI降低8.48%、GCE降低11.14%。     

基于改进的二维指数熵及混沌粒子群的阈值分割

鉴于现常用的灰度级—平均灰度级二维直方图区域划分存在明显的不足,提出了基于灰度级—梯度二维直方图的指数熵阈值选取方法,给出了基于改进的二维直方图的指数熵阈值选取公式,并利用混沌粒子群优化算法寻找最佳分割阈值,采用递推方式降低迭代过程中适应度函数的计算代价。实验结果表明,与现有的有关算法相比,该方法不仅使分割后的图像区域内部更均匀、边界形状更准确、特征细节更清晰,而且使计算效率及粒子群的收敛精度得到提高。     

基于类内绝对差和混沌粒子群的红外图像分割

提出了基于类内绝对差、背景与目标面积差及混沌小生境粒子群优化(NCPSO)的红外目标图像阈值分割方法。类内绝对差小能确保分割后类的内聚性好,背景与目标的面积差可抑制均等分割的趋势,两者综合构成更为合理的阈值选取准则函数。给出了一维阈值选取公式,通过推广到二维,抗噪性能明显改善;针对二维阈值分割计算量大的问题,利用混沌变异的小生境粒子群算法搜索最佳阈值向量;最后与Fisher准则法、Otsu方法和最大熵阈值分割法作了比较。实验结果表明,该方法在分割效果和运行时间上都具有明显的优势。     

基于PSO和模糊划分熵的水下图像分割

在水下环境中,由于存在着水体对光线的吸收以及照明不均等原因,水下图像具有信噪比低、边缘模糊等特点。如果直接使用传统的分割方法,对水下图像进行处理后的效果较差。传统的基于最大熵原理的阈值法尽管能实现某些特定的分割任务,但是其时效性较差。而粒子群算法(PSO)是一类随机全局优化技术,该算法简单易实现,可调参数少。因此将群体智能中的粒子群优化算法应用到图像分割中。新方法在重新定义模糊熵的基础上,根据最大熵原理,利用粒子群算法来搜索分割阈值。相对于传统的利用穷举法来搜索分割阈值的算法,新方法大大减少了计算时间,提高了效率。通过对水下图像处理实验证明,该算法对简单背景的图像分割是有效的,和传统分割方法相比,具有更强的自适应性和抗噪性能。     

基于粒子群优化算法的自适应图像分割方法

提出了一种基于粒子群优化算法的图像分割新方法。粒子群优化(PSO)算法是一类随机全局优化技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域缩短了寻找阈值的时间。将PSO用于基于改进的最佳加权熵阈值法的图像分割中,试验结果表明,该方法不仅能够避免陷入局部极值,而且其速度得到了明显的改善,是一种有效的图像分割新方法。     

二维Arimoto熵直线型阈值分割法

Arimoto熵是一种广义熵形式.本文首先指出了已提出的二维Arimoto熵阈值分割法的表述错误,给出了正确的二维Arimoto熵阈值分割法;然后提出了二维Arimoto熵直线型阈值分割法,并给出了快速递推公式;对Arimoto熵公式中参量的选择进行了探讨,并基于标准图像进行了分割性能评估.大量分割实验表明,二维Arimoto熵直线型阈值法至少与二维Arimoto熵和二维Renyi熵直线型阈值法分割效果相当;在图像边缘和噪音信息丰富的情况下,二维Arimoto熵直线型阈值法的分割效果优于二维Arimoto熵和二维Renyi熵直线型阈值法,是一种有效的图像阈值方法.     

一维Renyi熵阈值法中参数的自适应选取

提出了一种自适应选取一维Renyi熵阈值分割法中参数α的方法.该方法以一种图像分割质量评价指标-均匀性测度为适应度函数,利用粒子群算法在参数空间进行优化搜索,从而可以根据具体的图像获得合适的参数,得到最佳的图像分割阈值.结果表明:一般情况下,可以(0,1)范围内搜索最优的α值;当需要更好的分割效果时,可在(0,10)范围内搜索最优的α值.     

一种基于代价函数和模糊熵的图像分割方法

提出了一种基于代价函数和模糊熵的图像分割方法.该方法先用代价函数最小化法对退化的图像作预处理,之后,利用模糊熵作进一步的处理.实验结果表明:新方法和一般的阈值分割方法相比,不但分割图像的错分率较小,而且图像的视觉效果也有较大的改善.     

Two-dimensional Otsu's thresholding segmentation method based on grid box filter

Otsu algorithm, an automatic thresholding method, is widely used in classic image segmentation applications. In this paper, a novel two-dimensional (2D) Otsu thresholding algorithm based on local grid box filter is proposed. In our method, firstly by utilizing the coarse-to-fine idea, the 2D histogram is divided into regions by grid technique, and each region is used as a point to form a new 2D histogram, to which 2D Otsu thresholding algorithm and an improved particle swarm optimization (PSO) algorithm are applied to get the region number of the new 2D histogram threshold. Then on the result region, the mean of the 2D histogram is computed base on box filter, and the two algorithms are applied again to obtain the final threshold for the original image. Experimental results on real data show that the proposed algorithm gets better segmentation results than the traditional recursion Otsu algorithm. It significantly reduces the time of segmentation process and simultaneously has the higher segmentation accuracy.     

二维直方图θ划分最大Shannon熵图像阈值分割

鉴于常用二维直方图区域直分法存在错分,最近提出的斜分法不具普遍性,提出了适用面更广的基于二维直方图θ划分和最大Shannon熵的图像阈值分割算法.首先给出了二维直方图θ划分方法,采用四条平行斜线及一条其法线与灰度级轴成θ角的直线划分二维直方图区域,按灰度级和邻域平均灰度级的加权和进行阈值分割,斜分法可视为该方法中θ=45°的特例;然后导出了二维直方图θ-划分最大Shannon熵阈值选取公式及其快速递推算法;最后给出了θ取不同值时的分割结果及运行时间,θ取较小值时,边界形状准确性较高,θ取较大值时,抗噪性较强,应用时可根据实际图像特点及需求合理选取θ的值.与常规二维直方图直分最大Shannon熵法相比,本文提出的方法所得分割结果更为准确,抵抗噪声更为稳健,且所需运行时间及存储空间也大为减小.     

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。     

利用二维属性直方图的最大熵的图像分割方法

提出二维属性直方图的概念。它是一种由先验知识约束的二维直方图,可以使一些图像处理方法得到简化和变得可行。在此基础上提出一种基于二维属性直方图的图像分割方法。该方法步骤是构造图像的属性集,确定相应的二维属性直方图,然后利用二维属性直方图的最大熵法确定灰度阈值。为了说明该方法的性能,将其用于一种海底小目标图像分割。同时,也使用一维属性直方图的最大熵分割法。结果表明该方法比一维属性直方图的最大熵法抗干扰性更强,分割效果更好。二维属性直方图的概念具有理论意义与应用价值。该方法适用于图像有某种先验知识的场合。     

一种高噪声显微图像分割方法研究

传统的图像分割算法在处理高噪声显微图像时,由于背景复杂,很难得到目标完整的区域轮廓。通过对不同图像分割算法的性能进行对比,提出了一种改进的二维最大熵阈值遗传算法结合数学形态学除噪分割的方法。首先用改进的二维最大熵阈值算法结合遗传算法对高噪声显微图像进行粗分割,除去图像中大量的背景噪声,然后运用数学形态学进行细分割,滤除剩余少量杂质和孔洞,提取出目标轮廓。实验结果表明改进的方法较传统分割方法具有更强的抗噪声能力及更快的处理速度,有效地实现了高噪声显微图像的除噪分割。