基于PSO算法的一维最大熵图像分割.docx

基于粒子群算法的一维最大熵阈值图像分割1、问题描述、建立优化模型1.1、基于阈值的图像分割图像分割是图像识别和计算机视觉至关重要的预处理。没有正确的分割就不可能有正确的识别。图像分割实质其实就是通过某种方法把图像中目标像素和背景像素进行分类,然后在提取我们感兴趣的部分。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。在图像处理领域，二值图像运算量最小，并且能够体现图像的关键特征，因此被广泛使用。将灰度图像编程二值图像的过程通常采用的方法就是选定阈值。阈值分割的基本原理是根据图像中要提取的目标区域与其背景在灰度特性上的差异，把图像看作具有不同灰度级的两类区域(目标区域和背景区域)的组合，选取一个比较合理的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生相应的二值图像。基于阈值的图像分割方法具有计算简单、运算效率较高、速度快等优点，因此在重视运算效率的应用场合（例如硬件实现）得到了广泛的应用。1.2、信息熵常常听到人们说信息多、信息少或者信息量大、信息量小，但却很难信息到底有多少或信息量到底有多大。信息事实上是一个非常抽象的概念在1948年香农提出“信息熵”的概念之前，并没有方法对信息进行度量。“信息熵”这个词语来自于热力学，原本是热力学用来表示分子状态混乱程