一种基于熵和聚类理论的图像阈值分割算法解析.docVIP

一种基于熵和聚类理论的图像阈值分割算法 张三1，第2作者2 (1.单位全名 部门(系)全名,省 市(省会城市不用加省名) 邮政编码；2. 单位全名 部门(系)全名) 摘 要: 基于聚类理论的Otsu算法和基于信息熵的Kapur算法是图像阈值分割中的两种经典思路。本文分析了这两种算法理论上的联系并结合它们的各自优势，提出一种新的算法。该算法能够抑制Otsu法均分像素点的趋势，又能够克服Kapur法易受干扰的不稳定性。实验结果表明，该算法对图像直方图不具有明显双峰、目标像素点占比很小、图片存在干扰信息源等情况均能得到理想的分割效果。新算法具有更大的适用范围并且展现了更强的自适应性。 关键词: Otsu算法; Kapur算法; 稳定性;自适应性 中图分类号: ****　　　 文献标志码: A 文章编号： A novel image segmentation algorithm based on entropy and clustering theory XING Ming-ming1, XING Ming-ming2 (1.Dept.（School or College）of ****, University, City Province Zip Code, China；) Abstract: There are two classical ideas in image thresholding. One is Otsu’s algorithm based on clustering theory, the other is Kapur’s algorithm based on information entropy. At present work, the theoretical correlation between these two methods is analyzed. And their advantages have been combined to propose a novel algorithm, which can reduce the equally dividing trend of Otsu’s algorithm as well as the instability of Kapur’s algorithm. The testing results show that the proposed algorithm can obtain good segmentations for images with non-ideal bimodal histogram, little targets, disturbing information, and so on. This algorithm can be used in a more generalized scope of image thresholding, and the self-adaptivity of it is illustrated. Key words: Otsu algorithm; Kapur algorithm; stability; self-adaptivity; 引言 [1]和基于灰度聚类的Otsu法[2]是两种不同的经典思想。近年来，以它们为基础已发展出多种丰富的算法且在各种类型的图像分割中取得了重要的成功[3]。Kapur算法目标和背景来自两个不同的信源，，验最小化传输损失信息量来获得一个阈值。[4][5]。Otsu算法的思想则与此不同，它分析的是图像像素点的灰度聚类，以像素点的灰度均值为基础考察目标部分与背景部分的类间方差，从而确定一个最佳的分割阈值。用该方法分割的图片不仅考虑了目标和背景的灰度均值尽量远离，而且倾向于均衡目标和背景的像素点数量[6]。因此，在图像灰度直方图的形状有双峰但无明显低谷或者双峰与低谷都不明显时，采用Otsu方法往往能得到较为满意的结果。基于这个思想基础的方法在文本信息提取、医学图像分析等问题的研究中均取得了大量成果[7][8][9]。 经过多年的发展，基于聚类的算法和基于熵的算法已在图像阈值分割领域占有重要的地位，并取得了丰硕的成果[8][9][10][11]。这两类方法的理论基础各异，因此它们所处理的图片类型也各有侧重，基于聚类的算法多适用于直方图分布具有混合高斯其他 Otsu算法和Kapur算法 假定一个图片灰度值,值为i的像素数总的像素点数目,灰度值i的概率为其中且。 Otsu阈值法：若有一个灰度阈值t将图片分割为和目标, ，那么这两类的概率为：， (1) A和B两类的平均值为：， (2) 图像的灰阶