基于PSO化搜索的Renyi熵阈值分割算法参数选取(最终稿).doc

一维Renyi熵阈值法中参数的自适应选取 雷博1）2） 范九伦2） 1) (西安电子科技大学电子工程学院, 陕西 西安710071) 2) (西安邮电学院信息与控制系, 陕西 西安710061) 摘要：一维Renyi熵阈值分割法是一种全局阈值选取方法，由于Renyi熵是一种含参数的广义信息熵，如何选取合适的参数是一个需要解决的问题。本文基于一种图像分割质量评价指标----均匀性测度，利用Particle Swarm Optimization(PSO)优化搜索方法，提出了一种选取参数的自适应方法。获得的结论是：一般情况下，可在(0,1)内搜索最优的值；当需要更好的分割效果时，可在(0,10)范围内搜索最优的值。 关键词：图像分割 阈值选取 Renyi熵 中图法分类号：TN911.73 文献标识码：A Self-Adaptation Select the Parameter in One-Dimension Renyi Entropy Thresholding Bo Lei 1) 2) Jiu-Lun Fan 2) 1) (School of Electronic Engineering, Xidian University, Shaanxi Xi’an 710071 2)( Department of Information and Control, Xian Institute of Post and Telecommunications, Shaanxi Xi’an 710061 ) Abstract One-dimension Renyi entropy image thresholding method is a global threshold selection method, how to determine the suitable parameter in Renyi entropy is a problem should be solved. In this paper, a self-adaptation selection of the parameter is shown based on uniformity measure, an image segmentation valuation criteria, and Particle Swarm Optimization (PSO) algorithm. The conclusion is: the optimal value of can be found in (0,1) in general cases; if more strict segmentation is need, the optimal value of can be found in (0,10). Keywords image segmentation, threshold selection, Renyi entropy 1引言? 图像分割是图像分析、理解和计算机视觉中的难点，在图像分割的诸多方法中，阈值化技术以其简单、有效、便于理解受到人们的普遍欢迎[1-2]。其中，最大类间方差法[3]（也叫作Otsu法）、最大熵法[4]、最小误差阈值法[5-6]是三个最常用的分割方法，它们均有坚实的理论基础作为支撑。 信息论中的Shannon熵描述了一个概率分布的不确定性程度，将信息熵应用于图像分割是由Pun首先进行的[7]，Kapur等人在指出Pun工作的问题的基础上，提出了一维最大Shannon熵阈值法[4]。最大熵阈值法以其表述简单、性能稳定、具有信息论背景而成为一类典型的阈值选取方法，在实际中得到了广泛的应用。在信息论中，已经给出了很多的广义信息熵表达式[8]。广义信息熵含有参数，参数的特殊取值可以得到经典的Shannon熵。既然最大熵阈值法是一个基本的阈值法，因此研究人员开始考虑使用广义信息熵进行阈值选取。Renyi熵是一种广义信息熵，Sahoo 等人[9]研究了基于一维Renyi熵的图像分割方法，能够获得比最大Shannon熵阈值法更好的分割效果。Sahoo 等人通过大量实验指出参数()取为是一个比较合适的值。Albuquerque等人[10]提出了基于一维Tsallis熵的图像分割方法，在其实验中指出对有些图像参数取为4时会得到较好的分割效果。对于图像分割问题，Wang等人[11]指出Renyi熵和Tsallis是二个等价的阈值选取方法，文[10]的实验结果表明，好的值并非完全在内，因此研究参数的合理取值不仅有助于基于Renyi熵的图像分割方法的应用，而且对研究其它的基于广义信息熵的图像阈值方法也有借鉴价值。本文的目的