基于最大类间后验交叉熵的阈值化分割算法

从目标和背景的类间差异性出发,提出了一种基于最大类间交叉熵准则的阈值化分割新算法。该算法假设目标和背景象素的条件分布服从正态分布,利用贝叶斯公式估计象素属于目标和背景两类区域的后验概率,再搜索这两类区域后验概率之间的最大交叉熵。比较了新算法与基于最小交叉熵以及基于传统香农熵的阈值化算法的特点和分割性能。     

一种基于最大类间后验概率的Canny边缘检测算法

在分析了传统的Canny算法的基础上,用自适应滤波器代替原有的高斯滤波器,并利用交叉熵来度量目标和背景间的差异,结合贝叶斯判断理论,将这种类间差异性用原始图像中的像素点判决到目标和背景两类区域的后验概率之间的交叉熵的平均值来表示,通过最大化将像素点判决到不同区域的后验概率来获取最优的高低阈值。实验证明改进的算法具有很好的边缘检测效果。     

一种新的精子图像分割与识别算法

本文针对精子运动图像特点,从目标和背景的类间差异性出发,提出了一种基于最大类间交叉熵准则的阈值化分割新算法,对精子图像进行分割,引入约束条件筛选去除杂质,应用形态学在每个精子目标上显示数字标记。实验表明,该方法可以实现精子的快速准确分割,并自动统计出图像中精子的个数。     

最大熵和最小交叉熵综合的交互式图像分割

在图像分割中,使用某一种分割方法并不是总有效。最大熵和最小交叉熵阈值化方法是目前常用的两种图像分割方法,但在某些分割应用场合失效。针对此问题,提出基于最大熵和最小交叉熵综合的交互式图像分割方法。首先,利用一种简单的算法将前两种方法有机结合产生一种既满足最大熵原则,又满足最小交叉熵原则的新分割方法,然后通过人机交互,在这三种阈值方法中选择最好的图像分割。仿真实验结果表明,提出的方法不仅分割效果好,算法的普适性增强,而且更实用。     

应用混沌多目标规划理论融合的图像分割

针对二维最大熵和二维最大类间熵阈值化方法通用性不强,使得他们在某些分割应用场合失效的问题,提出应用混沌多目标规划理论融合的图像分割方法.这种新方法利用多目标规划理论将前两种方法有机结合,得到既满足二维最大熵原则,又满足二维最大类间交叉熵原则的最佳阈值,并且将混沌优化算法和递推算法相结合,使计算复杂度大大降低.仿真实验结果表明,本文提出的方法好于单独使用一种方法的分割结果,而且有较好的普适性.     

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。     

两种二维交叉熵阈值法等价性证明及快速实现

二维直方图斜分最大类间交叉熵阈值(TOSMICE)法和二维交叉熵直线型阈值(TMCELT)法是两种有效的分割方法,且都是二维交叉熵阈值法,为了考查二者分割结果是否相同,提出对两种二维交叉熵阈值法的等价性探讨。首先分析两种二维交叉熵阈值法：虽然名称不同但经过证明其分割原理相同,然后对两种选取公式进行推导得到一种最简阈值选取公式,从而证明了二者的等价性,随之提出基于最简公式的一般递推算法,最后将二维直方图分布特性与这种算法有机结合得到新型快速的递推算法。实验结果表明,两种方法获取的阈值相等,分割结果相同;并且与当前二维直方图斜分递推算法相比,所提出的新型递推算法速度更快。     

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.     

二维直方图斜分最大类间交叉熵的图像分割

利用二维直方图斜分原理,提出了一种基于最大类间交叉熵的快速图像分割方法。首先依据二维直方图斜分法构建最大类间交叉熵阈值选取公式,然后导出这种最大类间交叉熵阈值选取的快速递推算法,最后将定义的数组运算与这种快速算法相结合搜索最佳阈值向量,使整个算法更简明高效。实验结果表明,与当前二维直方图斜分阈值方法相比,此算法效率更高,通用性更强。     

基于二维模糊熵和遗传算法的图像阈值分割

针对目标和背景两类图像分割,考虑二维灰度直方图,采用了一种更符合图像空间分布特点的隶属函数,建立了对应的二维图像模糊熵,分别采用标准遗传算法和改进的自适应遗传算法对二维图像模糊熵的各个参数进行优化,根据最大模糊熵准则,确定目标和背景的最佳分割阈值。实验结果表明,基于改进的自适应遗传算法的二维最大模糊熵阈值分割法具有较好的分割性能和较快的分割速度,且对噪声具有一定的抑制能力。     

基于灰度-梯度二维对称Tsallis交叉熵的阈值分割

针对灰度级-平均灰度级直方图的二维Tsallis交叉熵阈值分割法存在错分、计算复杂度较高问题,提出一种基于灰度-梯度二维对称Tsallis交叉熵的阈值分 割方法。构建新的灰度-梯度二维直方图,更加全面地考虑目标点和背景点;导出基于该直方图区域划分的对称Tsallis交叉熵阈值选取公式;采用基于tent映射的 混沌小生境粒子群优化算法搜寻二维最佳阈值向量,并引入快速递推算法降低其适应度函数的计算复杂度。实验结果表明,与基于灰度级-平均灰度级直方图的 二维Tsallis交叉熵阈值分割法相比,该方法能够使分割后的图像边缘更加准确,类内灰度更加均匀,且实时性提高了30倍。     

基于关联能量系数的图像分割新算法

针对现有熵阈值法在理论上存在的不足和计算复杂性过大的缺陷,提出了一种基于随机变茸概率分布之间的关联能量系数的阈值法,方法通过最小化日标和背景两个概率分布之间的关联能耸系数推导出了一种选取最佳分割阈值的新算法.实验结果表明,提出的关联能量系数阈值分割方法是可行的,有效的.方法可以弥补现有方法的不足,具有一定的普遍适应性,可以推广到日标和背景符合任意概率分布的图像进行最佳阈值选取.     

Entropy based region selection for moving object detection

This article addresses a problem of moving object detection by combining two kinds of segmentation schemes: temporal and spatial. It has been found that consideration of a global thresholding approach for temporal segmentation, where the threshold value is obtained by considering the histogram of the difference image corresponding to two frames, does not produce good result for moving object detection. This is due to the fact that the pixels in the lower end of the histogram are not identified as changed pixels (but they actually correspond to the changed regions). Hence there is an effect on object background classification. In this article, we propose a local histogram thresholding scheme to segment the difference image by dividing it into a number of small non-overlapping regions/windows and thresholding each window separately. The window/block size is determined by measuring the entropy content of it. The segmented regions from each window are combined to find the (entire) segmented image. This thresholded difference image is called the change detection mask (CDM) and represent the changed regions corresponding to the moving objects in the given image frame. The difference image is generated by considering the label information of the pixels from the spatially segmented output of two image frames. We have used a Markov Random Field (MRF) model for image modeling and the maximum a posteriori probability (MAP) estimation (for spatial segmentation) is done by a combination of simulated annealing (SA) and iterated conditional mode (ICM) algorithms. It has been observed that the entropy based adaptive window selection scheme yields better results for moving object detection with less effect on object background (mis) classification. The effectiveness of the proposed scheme is successfully tested over three video sequences.     

Multilevel minimum cross entropy threshold selection based on the firefly algorithm

The minimum cross entropy thresholding (MCET) has been widely applied in image thresholding. The search mechanism of firefly algorithm inspired by the social behavior of the swarms of firefly and the phenomenon of bioluminescent communication, is used to search for multilevel thresholds for image segmentation in this paper. This new multilevel thresholding algorithm is called the firefly-based minimum cross entropy thresholding (FF-based MCET) algorithm. Four different methods that are the exhaustive search, the particle swarm optimization (PSO), the quantum particle swarm optimization (QPSO) and honey bee mating optimization (HBMO) methods are implemented for comparison with the results of the proposed method. The experimental results show that the proposed FF-based MCET algorithm can efficiently search for multiple thresholds which are very close to the optimal ones examined by the exhaustive search method when the number of thresholds is less than 5. The need of computation time of using the FF-based MCET algorithm is the least, meanwhile, the results using the FF-based MCET algorithm is superior to the ones of PSO-based and QPSO-based MCET algorithms but is not significantly different to the HBMO-based MCET algorithm.     

Fractional differentiation and non-Pareto multiobjective optimization for image thresholding

Various techniques have previously been proposed for single-stage thresholding of images to separate objects from the background. Although these global or local thresholding techniques have proven effective on particular types of images, none of them is able to produce consistently good results on a wide range of existing images. Here, a new image histogram thresholding method, called TDFD, based on digital fractional differentiation is presented for gray-level image thresholding. The proposed method exploits the properties of the digital fractional differentiation and is based on the assumption that the pixel appearance probabilities in the image are related. To select the best fractional differentiation order that corresponds to the best threshold, a new algorithm based on non-Pareto multiobjective optimization is presented. A new geometric regularity criterion is also proposed to select the best thresholded image. In order to illustrate the efficiency of our method, a comparison was performed with five competing methods: the Otsu method, the Kapur method, EM algorithm based method, valley emphasis method, and two-dimensional Tsallis entropy based method. With respect to the mode of visualization, object size and image contrast, the experimental results show that the segmentation method based on fractional differentiation is more robust than the other methods.     

面向小目标图像的快速核密度估计图像阈值分割算法

针对当前小目标图像阈值分割研究工作面临的难题,提出了快速核密 度估计图像阈值分割新方法.首先给出了基于加权核密度估计器的概率计算模 型,通过引入二阶Renyi熵作为阈值选取准则,提出了基于核密度估计的图像阈 值分割算法 (Kernel density estimator based image thresholding algorithm, KDET), 然后通过引入快速压缩集密度估计 (Fast reduced set density estimator, FRSDE)技术,得到核密度估计的 稀疏权系数表示形式,提出快速核密度估计图像阈值分割算法fastKDET,并从 理论上对相关性质进行了深入探讨.实验表明,本文算法对小目标图像 阈值分割问题具有更广泛的适应性,并且对参数变化不敏感.     

灰度图像最小误差阈值分割法的二维推广

一维最小误差阈值法假设了目标和背景的灰度分布服从混合正态分布. 考虑到噪声等因素对图像质量的影响, 本文在二维灰度直方图上, 基于二维混合正态分布假设, 给出一维最小误差阈值法的二维推广表达式. 为了提高算法的运行速度, 也给出了快速递推算法. 实验表明, 二维最小误差阈值法是一个有效的图像分割算法, 能够更好地适应目标和背景方差相差较大的图像及噪声图像的分割问题.     

基于2维灰度熵阈值选取快速迭代的图像分割

目的 为了使图像阈值分割的精度和速度进一步提高,提出了一种基于2维灰度熵阈值选取快速迭代的图像分割方法。方法 首先,提出了1维灰度熵阈值选取的快速迭代算法;然后,考虑图像目标和背景的类内灰度均匀性,给出了基于灰度—邻域平均灰度级直方图的灰度熵阈值选取准则;最后,提出了2维灰度熵阈值选取的快速迭代算法,并采用递推方式计算准则函数中的中间变量,避免其重复运算,加快了运算速度,大大减少了运算量。结果 大量实验结果表明,与近年来提出的3种阈值分割法相比,所提出的方法分割性能更优,分割后的图像中目标区域完整,边缘清晰,细节丰富且运行时间短,仅为基于混沌小生境粒子群优化的二维斜分倒数熵分割法运行时间的3%左右。结论 本文方法对不同类型灰度级图像的分割效果及运行速度均有明显优势,是实际系统中可选择的一种快速有效的图像分割方法。