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.     

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.     

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。     

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。     

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.     

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.     

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.     

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。     

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%。     

基于二维最小Tsallis交叉熵的图像阈值分割方法

利用Tsallis熵的非广延性,提出了二维最小Tsallis交叉熵阈值分割方法.首先给出了二维Tsallis交叉熵的定义,并以最小二维Tsallis交叉熵为准则,利用粒子群优化算法来搜索最优二维阈值向量.该方法不仅进一步考虑了像素之间的空间邻域信息,而且考虑了目标和背景之间的相互关系,其分割性能优于基于Shannon熵的交叉熵阈值法和一维最小Tsallis交叉熵阈值法,并且具有很强的抗噪声能力.实验结果表明,该方法可以实现快速、准确的分割. 关键词： Tsallis交叉熵 二维直方图 粒子群优化算法 图像分割     

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.     

A Hybrid Preaching Optimization Algorithm Based on Kapur Entropy for Multilevel Thresholding Color Image Segmentation

Multilevel thresholding segmentation of color images plays an important role in many fields. The pivotal procedure of this technique is determining the specific threshold of the images. In this paper, a hybrid preaching optimization algorithm (HPOA) for color image segmentation is proposed. Firstly, the evolutionary state strategy is adopted to evaluate the evolutionary factors in each iteration. With the introduction of the evolutionary state, the proposed algorithm has more balanced exploration-exploitation compared with the original POA. Secondly, in order to prevent premature convergence, a randomly occurring time-delay is introduced into HPOA in a distributed manner. The expression of the time-delay is inspired by particle swarm optimization and reflects the history of previous personal optimum and global optimum. To better verify the effectiveness of the proposed method, eight well-known benchmark functions are employed to evaluate HPOA. In the interim, seven state-of-the-art algorithms are utilized to compare with HPOA in the terms of accuracy, convergence, and statistical analysis. On this basis, an excellent multilevel thresholding image segmentation method is proposed in this paper. Finally, to further illustrate the potential, experiments are respectively conducted on three different groups of Berkeley images. The quality of a segmented image is evaluated by an array of metrics including feature similarity index (FSIM), peak signal-to-noise ratio (PSNR), structural similarity index (SSIM), and Kapur entropy values. The experimental results reveal that the proposed method significantly outperforms other algorithms and has remarkable and promising performance for multilevel thresholding color image segmentation.