基于三维直方图修正和灰度熵分解的图像分割

图像噪声容易引起图像误分割,而常用阈值选取方法仅依赖于图像直方图的概率信息,未直接考虑图像中类内灰度分布的均匀性。为此,提出一种修正三维直方图和分解处理灰度熵的图像分割算法。分析图像的噪声对其邻域灰度造成的影响,通过修正三维直方图来减弱噪声干扰,给出三维灰度熵阈值的选取公式,并将三维灰度熵分解至一维进行处理,使计算复杂度由O(L3)降为O(L)。实验结果表明,与二维最大熵斜分法、二维交叉熵递推法、降维三维Otsu法相比,该算法抗噪性能更强、分割效果更好,同时能使运算时间缩短10%以上。     

基于三维指数灰度熵的快速图像分割算法

针对现有阈值分割法通常只考虑图像直方图的统计信息,而忽略了图像目标和背景类内灰度分布的均匀性,提出指数灰度熵分割算法,并推广得到三维指数灰度熵分割算法。给出了一维指数灰度熵阈值法及三维指数灰度熵阈值法的原理,在三维直方图上,将降维处理和优化搜索策略相结合,得到最优分割阈值。理论证明,阈值搜索复杂度由原来的[O(L3)]降至[O(L12)]。实验结果表明,与现有的多种阈值法相比,所提算法抗噪性能更强、分割效果更优,且运算时间大为减少。     

基于口腔图像的分割算法的研究

针对传统分割算法难以解决多目标分割等问题,提出了一种改进的一维Kapur熵多阈值分割算法.该算法依据Kapur熵阈值选择原理,应用图像灰度直方图信息,利用迭代合并和选择方法建立口腔图像中的阈值分割模型,解决了图像分割中阈值的自动获取问题和多阈值并行选择问题,实现了口腔图像中牙齿和病灶的分离.形状准则和一致性准则评价方法证明了该算法在抗噪声方面明显优于自适应阈值方法.获得的分割结果较好地保留了图像的灰度信息和边缘信息,为后续的图像分析和诊断工作提供了保证.     

基于Curvelet变换和多目标粒子群的混合熵MRI图像多阈值分割

针对因噪声干扰多、灰度不均匀、目标边界模糊导致的核磁共振成像（MRI）图像难以精确分割的问题,提出了一种基于Curvelet变换和多目标粒子群（MOPSO）的混合熵MRI图像多阈值分割算法。首先,对待分割MRI图像进行Curvelet分解,提取低频子带和高频细节子带构建概貌-细节灰度级矩阵模型,以提高算法的目标细节表示能力;其次,同时考虑目标与背景的类间差异性与类内均匀性,将提出的二维多阈值倒数熵和倒数灰度熵组合定义为混合熵,作为多目标粒子群算法的目标函数,协同搜索得到最优的分割多阈值,以实现MRI图像的精确分割;最后,为提高算法的求解速度,提出了二维倒数熵和倒数灰度熵多阈值选取的梯度算法。实验结果表明：与二维tsallis熵、自动细菌觅食分割法（ABF）和改进的Otsu多阈值分割算法相比,所提方法对灰度不均和含噪的MRI图像具有更好的适应性,分割结果更为精确。     

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.     

利用混沌PSO或分解的2维Tsallis灰度熵阈值分割

现有最大Shannon熵或Tsallis熵阈值选取方法没有从类内灰度均匀性出发,而仅依据图像灰度直方图,并且Tsallis熵法的分割效果通常优于Shannon熵法。为此,提出了基于混沌粒子群优化(PSO)和基于分解的两种2维Tsallis灰度熵阈值分割方法。首先,给出了1维Tsallis灰度熵阈值选取方法并将其推广到2维,导出了相应的2维Tsallis灰度熵阈值选取公式及其递推算法;其次,利用混沌PSO算法搜寻2维Tsallis灰度熵法的最佳阈值,并采用递推方式去除迭代过程中适应度函数的冗余运算,大大提高了运行速度;最后,将2维Tsallis灰度熵阈值选取方法的运算转化为两个1维Tsallis灰度熵法的运算,计算复杂度从O(L2)进一步降低到O(L)。实验结果表明,与2维最大Shannon熵法、2维最大Tsallis熵法及2维Tsallis交叉熵法相比,所提出的两种方法可以大幅提高图像分割质量和算法运行速度。     

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。     

灰度熵和混沌粒子群的图像多阈值选取

最大Shannon熵阈值选取方法仅仅依赖于图像灰度直方图的概率信息,而没有直接考虑类内灰度级的均匀性.为此提出了最大灰度熵的阈值选取方法.首先给出了灰度熵的定义及其单阈值选取方法,该灰度熵与现有的仅基于直方图分布的最大Shannon熵不同,直接反映了类内灰度级的均匀性;其次导出了量化图像直方图的灰度熵单阈值选取公式;最后将灰度熵单阈值选取推广到多阈值选取,提出了相应的快速递推算法,并进一步采用混沌小生境粒子群优化算法寻找最佳多阈值.实验结果表明,与最大Shannon熵单阈值选取和基于粒子群的最大Shannon熵多阈值选取方法相比,所提出方法的分割图像边缘、纹理更为准确,视觉效果明显改善.     

3维自适应最小误差阈值分割法

为解决现有算法无法有效解决被多种噪声干扰的图像的阈值分割问题,本文提出了3维最小误差阈值法。该方法充分考虑图像像元点之间的灰度相关信息,结合图像灰度、均值和中值信息,构造出3维观测空间。然后基于相对熵定义出3维最佳阈值判别式。同时为了提高算法的处理速度,提出基于分解的快速实现方法,将3维阈值的求解分解成三个1维阈值的求解,其时间复杂度降为O(L),空间复杂度降为S(L)。实验结果分析表明,在不同噪声环境及非均匀光照条件下,尤其对多种噪声干扰的图像,与现有方法相比,文中算法均取得了更好的分割效果。     

基于混沌布谷鸟优化的二维Tsallis交叉熵建筑物遥感图像分割

为了进一步提升建筑物遥感图像分割的准确性和运算速度,本文提出了基于混沌布谷鸟优化的二维Tsallis交叉熵的建筑物遥感图像分割方法。首先给出了二维Tsallis交叉熵的阈值选取公式,然后将Logistic混沌映射引入布谷鸟算法,进一步加快布谷鸟算法的收敛速度,最后通过该混沌布谷鸟算法优化基于二维Tsallis交叉熵的阈值寻找过程,并以得到的最优阈值分割建筑物遥感图像。大量实验结果表明,与二维倒数交叉熵法、二维Tsallis熵法、基于混沌粒子群优化的二维Tsallis灰度熵法等方法相比较,本文方法分割的目标更为准确,细节更为清晰,且运算时间更短。     

Two-dimensional minimum local cross-entropy thresholding based on co-occurrence matrix

This paper introduces a novel image segmentation method that performs histogram thresholding on an image with consideration to spatial information. The spatial information is the joint gray level values of the pixel to be segmented and its neighboring pixels that are based on the gray level co-occurrence matrix (GLCM). The new method was obtained by extending the one-dimensional (1D) cross-entropy thresholding method to a two-dimensional (2D) one in the GLCM. Firstly, the 2D local cross-entropy is defined at the local quadrants of the GLCM. Then, the 2D local cross-entropy is used to perform the optimal threshold selection by minimizing. Results from segmenting the real-world images demonstrate that the new method is capable of achieving better results when compared with 1D cross-entropy and other classical GLCM based thresholding methods.     

一种基于遗传算法的最小交叉熵阈值选择方法

最小交叉熵阈值法(MCET) 在二级阈值中是有效的, 但在多极阈值的穷尽搜索中却要付出昂贵的时间代价. 鉴于此, 提出一种基于遗传算法(GA) 的MCET选择方法: 在执行图像分割(IS) 任务之前, 先将IS 转化为在一定约束 条件下待优化的问题; 在寻找待优化问题最优解的计算过程中引入一种回归设计技巧以存储中间结果; 使用这种回 归设计技巧, 在一组标准测试图像上利用GA搜索待优化问题的最优解. 实验结果表明, 利用所提出的方法获得的多 个阈值非常接近于穷尽搜索获得的结果.

     

区域化模糊均值高分辨率彩色遥感影像分割方法

基于像素模糊?? 均值算法(FCM) 及其改进算法难以解决高分辨率遥感影像中地物目标光谱测度相似性减弱和几何噪声增大带来的分割难题, 提出一种基于区域的FCM算法. 该方法利用Voronoi 几何划分将影像域划分为子区域, 并用子区域拟合地物目标的几何形状. 在此基础上, 定义区域FCM目标函数, 通过迭代最小化该目标函数实现高分辨率遥感影像分割. 实验结果表明, 与基于像素的FCM和增强FCM方法相比, 所提出方法可以更加精确地实现高分辨率遥感影像分割.

     

基于灰度和非局部空间灰度特征的二维Otsu曲线阈值分割法

为了克服图像噪声对图像分割结果的影响,利用图像中与像素具有相似邻域结构的像素提取当前像素的非局部空间信息,构造了基于像素的灰度信息和非局部空间灰度信息的二维直方图,并将此二维直方图引入到Otsu曲线阈值分割法中,提出了基于灰度和非局部空间灰度特征的二维Otsu曲线阈值分割法。实验结果表明,该方法能进一步提高原始二维Otsu曲线阈值分割法对于图像噪声的鲁棒性,获得了更加理想的分割结果。     

改进的二维最小卡方散度图像分割方法

传统的交叉熵阈值法具有抗噪性能差,计算时间长等问题。为了改进算法的性能,提出了一种二维最小卡方散度图像阈值化分割新准则,构建了基于改进中值滤波的新型二维直方图。利用对称卡方散度描述分割前后图像之间的差异程度。使用关键阈值对滤波图像进行分割,达到最佳的分割效果。实验结果表明,与二维Otsu和二维最小交叉熵法相比,提出的方法不仅大大缩短了分割时间,而且分割性能与抗噪性能更强。     

基于最大累积剩余熵的红外图像分割

经典阈值化分割方法是常用的图像分割方法之一,但对于低对比度,低信噪比的红外图像分割效果不理想,将累积剩余熵运用于红外图像分割,即寻求使得累积剩余熵最大的灰度值作为分割阈值,实验结果表明:基于最大累积剩余熵的图像分割方法是一种有效的红外图像分割方法,比起经典的阈值分割方法,分割红外图像的效果要好。     

Mean shift 模糊C 均值聚类图像分割算法

针对传统模糊C均值(FCM)聚类算法对结构复杂图像分割效果不理想且算法执行效率较低的缺陷,提出一种融合均值平移(mean shift)的FCM聚类算法.利用mean shift算法将图像分成若干同质区域,将此区域视为新的节点;通过图像局部信息熵描述新节点的空间和灰度特征;采用能较好模拟人眼非线性视觉响应的指数函数进行相似性测度.实验结果表明,对于复杂背景图像和含噪声图像,所提出的算法在目标提取效果和执行效率上具有较强的鲁棒性.     

基于Gabor 变换的GrabCut 纹理图像分割

多数自然图像都包含纹理信息, 它相对颜色特征而言具有描述方向性与尺度差异的特性. 因此, 可以利用半交互式的GrabCut 的图像分割方式对图像前景区域与背景区域进行有效的分割, 通过建立前景和背景所对应的高斯混合模型(GMM), 结合最大流最小割的图像分割方式实现全局优化, 并利用前景和背景的KL 测度, 自适应地终止分割过程. 实验对比分析表明, 所提出的方法对于合成纹理图像与自然纹理图像具有较好的整体分割效果及较高的分割准确率.

     

基于图像边缘信息的2维阈值分割方法

为了改善2维阈值分割性能,提高图像分割的效率,在传统2维Otsu阈值分割算法的基础上,提出了一种基于图像边缘信息的2维阈值分割方法。这种改进的方法保留了2维Otsu阈值分割算法分割结果准确的优点,并在此基础上充分利用图像的边缘信息,通过分析图像的边缘直方图和阈值的关系来得到最优分割阈值。仿真实验结果表明,该方法与传统2维分割算法相比,不仅计算简单,而且实时性好。     

自适应最小误差阈值分割算法

对二维最小误差法进行三维推广, 并结合三维直方图重建和降维思想提出了一种鲁 棒的最小误差阈值分割算法. 但该方法为全局算法, 仅适用于分割均匀光照图像. 为 提高其自适应性, 本文采用Water flow模型对非均匀光照图像进行背景估计, 以此获 得原始图像与背景图像的差值图像, 达到降低非均匀光照对图像分割造成干扰的目的. 为进 一步提高分割性能, 本文对差值图像采用γ 矫正进行增强, 然后采用鲁棒最小误差 法进行全局分割, 从而完成目标提取. 最后本文对均匀光照下以及非均匀光照下图像进行了 实验, 并与一维最小误差法、二维最小误差法、三维直方图重建和降维的Otsu阈值分割 算法、灰度波动变换自适应阈值方法以及一种改进的FCM方法在错误分割率和运行时间上进 行了对比. 实验结果表明, 相对于以上方法, 本算法的分割性能均有明显提升.