基于均值—中值—梯度共生矩阵模型的最大熵分割算法*

针对基于灰度—梯度共生矩阵模型的最大熵阈值分割算法抗噪声差的缺点,引入了均值—中值—梯度共生矩阵模型,并提出了基于该模型的最大熵阈值分割算法。为了有效地节省计算时间与存储空间,进而导出了该方法的快速递推公式。实验结果表明,该算法优于灰度—梯度模型分割方法,并能抑制高斯噪声、椒盐噪声以及其混合噪声对分割结果的影响,提高了分割的鲁棒性。     

灰度-梯度共生矩阵模型的加权条件熵阈值法

基于二维灰度直方图的最大熵阈值法是依据“灰度-灰度均值”构成直方图的图像分割方法,该方法着重于图像的内部信息,忽略了边界区域的信息。应用图像的梯度信息建立“灰度-梯度共生矩阵”,构造图像的二维灰度直方图,结合最大条件熵法进行阈值选取。为了充分提取图像内部和边缘信息,提出了二维加权最大熵阈值法。结果表明,该方法一方面能够保留更多的图像边缘信息,另一方面能够根据实际需要调节权值大小,得到兼顾图像内部和边缘信息的分割结果。     

最大熵阈值处理算法

阈值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.提出了一种基于灰度-梯度共生矩阵模型和最大熵原理的自动阈值化方法.该方法不仅利用了图像的灰度信息,而且也利用了梯度信息,通过计算基于灰度-梯度共生矩阵的二维熵,并使边缘区域的熵最大来选择阈值向量.仿真结果显示,该算法比其他二维熵方法效果更佳.     

基于均值—梯度共生矩阵模型的最大熵多阈值算法

为解决噪声显微细胞图像的多阈值分割问题,该文提出基于均值和梯度共生矩阵模型的最大熵多阈值算法。选用象素点的邻域灰度均值和梯度值构成二维灰度直方图。因为对象素点取均值可以平滑噪声,取梯度值可以锐化边缘,所以该算法能够改善图像的分割质量。考虑显微细胞图像多阈值分割的要求,该算法对二维灰度直方图采用改进的区域划分方式。通过优化传统的求熵算法,来减少运算时间,使之更加适合于擅长矩阵运算的MATLAB编程语言,从而提高运算速度。实验证明,该算法去除了噪声干扰,实现了显微细胞图像的多阈值分割,运算速度较快。     

基于边界梯度控制的最大熵阈值分割方法

结合梯度和灰度这两种图像的本质特征,提出一种基于边界梯度控制的最大熵阈值分割方法。该方法首先定义了一种边界梯度控制函数来定量分析图像中细节信息的丰富程度,通过该函数的局部极大值确定可能的分割阈值的集合,然后根据最大熵原理在该集合中选取最优阈值,最终实现图像的二值化分割。实验结果表明该方法的分割结果由于保留了丰富的细节信息,能够更好地体现图像语义,且该方法亦具有一定的抗噪性。     

基于遗传算法的灰度-梯度熵多阈值图像分割

一些基于熵的阈值图像分割技术考虑了空间信息,从而能够提高阈值分割的性能,但是仍然不能较好地区分边缘和噪声。尽管灰度-梯度（gray-level & gradient-magnitude,GLGM）熵算法能有效地解决以上问题,但是针对多目标和复杂图像却不能有效地分割。为此,提出了一种基于遗传算法（genetic algorithm,GA）的GLGM熵多阈值快速分割方法。该方法应用积分图思想将GLGM熵算法阈值搜索空间从O(9′ L)降到O(L),并将GLGM熵算法从单阈值拓展到多阈值。最后应用基于实数编码的遗传算法搜索GLGM熵多阈值的最佳阈值。仿真结果表明,该方法能够实现图像的快速多阈值分割,适合复杂图像分割。     

灰度—梯度—方差三维共生矩阵图像纹理分析及在肝癌识别中的应用

本文提出一种新的的灰度－梯度－方差三维共生矩阵纹理分析方法，应用于肝癌声像图识别，获得了满意的效果。该方法提取了图像的灰度，梯度，方差三种信息，并将它们综合在一起，形成三维共生矩阵，比较全面地反映了图像通常只能诊断出直径在2厘米早期肝癌，而凭医生的经验，通过声像图通常只能诊断出直径在2厘米以上的肝癌，因此大大提高了早期肝癌的临床诊断率，并可推广应用于其它图像的辅助分析中。     

快速最大熵多阈值图像分割算法

阈值方法是一种重要的图像分割方法,在图像分割中得到了广泛的应用。最大熵算法虽然是图像分割阈值法中较好的方法之一,但是,由于传统的最大熵算法通常用穷举法求解,使得处理多阈值问题时运算速度太慢,难以满足应用需求。为了快速有效地确定阈值,提出一种改进的最大熵算法。通过递推公式将穷举法求解过程中需要重复计算的变量,预先计算后存入二维表备用,使整体计算量减少了一个数量级。通过对测试图像的分割实验,表明该算法与传统的最大熵算法相比运算速度有非常显著的提高,能够满足一般的应用需求。     

一种结合纹理信息的三维Renyi熵阈值分割算法

充分利用图像空间邻域信息,引入均值-中值-梯度共生矩阵模型,并结合Renyi熵相关理论,提出一种结合纹理信息的三维Renyi熵阈值分割算法.同时给出了该方法的快速递推公式,有效的节省了计算时间与存储空间.实验结果表明,与现有分割算法如最大类间方差法、最小误差法、最大熵法和灰度-梯度法相比,本方法的分割效果更为理想,即使对于低对比度、低信噪比的目标,本文算法也更具鲁棒性.     

基于微粒群算法的灰度图像阈值分割的改进

为了充分利用灰度图像的灰度信息和空间信息,提高分割精确度和最优阈值的求解速度,提出一种基于微粒群算法的阈值分割方法--PSO-SDAIVE算法.该算法对传统的二维直方图进行改进,生成差值属性灰度直方图,同时对灰度均值和二维熵的计算进行改进,生成空间差值属性信息值熵(SDAIVE),最后用微粒群算法搜索SDAIVE的最大值.在实验中,对头部CT图像进行分割,实验结果表明,这种分割方法能精确地获得分割阈值,并有很好的抗噪声能力,节省计算时间.     

灰度图像最大熵分割方法的改进

传统的最大熵分割方法只考虑了图像的灰度概率,忽略了对应的灰度值。为了充分利用灰度图像的灰度信息和空间信息,改进了传统的二维灰度直方图,生成二维差值属性灰度直方图。另外,改进了灰度均值和二维熵的计算方法。在计算熵时,以二维差值属性灰度直方图为基础,用空间信息值来代替灰度概率,生成二维差值属性信息值熵。在实验中,对多张不同的灰度图像分别用改进的最大熵方法与传统的最大熵分割方法进行分割,并对分割结果进行比较分析。实验结果表明,改进的最大熵分割方法能有效地分割灰度图像及噪声图像,有很强的抗噪声能力,并能产生清晰的分割结果。     

基于混沌优化的最佳熵阈值的图像分割

利用目标在图像中所占比例等信息,结合图像熵阈值算法进行图像的阈值分割。并利用混沌优化的方法一次寻找出图像熵的多个极值点,提高了阈值寻找的效率。仿真实验表明,与传统的图像熵阈值法相比较,该方法能够给出更加合理的分割结果。     

基于改进的二维最大熵及粒子群递推的图像分割

鉴于常用的灰度级-平均灰度级二维直方图区域划分存在明显的不足,提出一种灰度级(平均灰度级)-梯度二维直方图及其区域划分方法.给出了改进二维直方图的最大熵阈值选取公式,并利用粒子群算法寻找最佳阈值,在迭代过程中采用递推算法,大大地减少了适应度函数的重复计算.实验结果表明,该方法不仅使分割后的图像区域内部均匀、边界形状准确、抵抗噪声稳健,同时相对粒子群算法运算速度又提高了约1倍.     

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。     

基于自定义灰度空间分布密度矩阵的Otsu改进算法

Otsu自适应阈值法作为图像阈值分割的经典算法,在图像处理与模式识别领域有着广泛应用.将图像中灰度级的空间分布特性应用到图像分割中,自定义适当的灰度空间分布密度矩阵结合先验知识,提出Otsu改进算法.实验证明在图像中目标与背景的灰度差异不是特别大的情况下,该算法的分割效果优于经典的Otsu算法以及其它分割算法.     

基于2D-WLDH的最大熵阈值分割算法

在传统二维最大熵图像阈值分割算法中,二维直方图主对角区域的概率和近似为1的假设不够合理,且算法耗时较多.为此,提出一种新的最大熵分割算法.根据灰度级和韦伯局部描述子(WLD)建立二维WLD直方图(2D-WLDH),将其用于最大熵的阈值分割,并设计快速递推算法,以提高运行速度.实验结果表明,该算法的运行时间较少,分割效果较好.     

基于二维直方图和最大熵门限化的直线边缘检测方法

提出了一种基于二维直方图和最大熵门限的直线边缘检测方法，为了得到与实际边缘对应的单宽度直线，还利用了细化、连接与直线跟踪等处理方法，不但可以自动确定阈值，而且可以较好地保留弱边缘，去除噪声，最后得到单宽度的直线边缘，这对于目标识别和图像理解有着重要的意义。     

基于最大熵原理的多阈值自动选取新方法

基于信息论中最大熵原理 ,提出了一种等概率场下的自动选取阈值的新方法 .该方法是首先通过图象灰度直方图信息 ,并利用 Shannon熵中等概率场具有最大熵的基本性质来确定阈值 ,然后将图象划分为等概率的子块 ,进而给出了该算法的理论推导和算法的具体实现步骤 .与通常的基于熵理论自动获取图象阈值的方法相比较 ,该方法直观、简便、求解稳定 ,且易于实现 .同时该方法克服了常用方法在阈值求取时 ,出现的诸如计算量大、计算效率低等不足等问题 ,故能够迅速地获得图象的阈值 .对比实验的结果 ,也说明了该方法的快速性、有效性、可靠性和稳定性