二维指数熵图像阈值选取的方法及其快速算法.docVIP

二维指数熵图像阈值选取的方法及其快速算法 　　摘要：二维Shannon信息熵法是图像阈值分割中常用的经典算法，但存在着不足。为此，提出了一种二维指数信息熵阈值选取方法，克服了对数熵的不足,将对数改为指数，提高了速度。同时给出了一种二维指数熵阈值选取的快速算法，通过改变二维直方图的区域划分，将二维阈值转换为一维，运行时间不到原算法的1%。实验结果表明，该算法能快速准确地实现图像分割。 　　关键词：图像分割;阈值选取;Shannon熵;指数熵;快速算法 　　中图分类号：TP391.41文献标识码：A 　　文章编号：1001-9081(2007)04-0982-04 　　 　　0引言 　　 　　图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，是对图像进行视觉分析和模式识别的基本前提。阈值分割是应用极为广泛的一种简单有效的图像分割方法。阈值选取是阈值分割的关键[1―3]。 　　熵的概念最初来源于统计热力学，后被信息论所应用。信息论定义的信息熵表征了信源整体的统计特性，是总体平均不确定性的量度，即信息熵表征了变量的随机性。 　　图像无疑也可以作为一种信息来源，并且其像素的灰度分布也具有随机性，故人们将信息论的成果引入到图像的处理。文献[4]最早采用最大后验熵作为评价方法；文献[5]提出了一维最大熵阈值法；文献[6]将最大熵推广至二维；文献[7]又提出了类似的二维局部熵、联合熵法。以后又有人陆续提出了总体熵[8]和相关熵法。至今二维熵仍然是阈值分割研究的热点。 　　本文指出了二维Shannon熵阈值分割法的不足，提出了一种二维指数熵阈值选取方法。由于二维算法的运算速度较慢，为此给出了一种二维指数熵阈值选取的快速算法，使运算时间大大减少。 　　 　　1Shannon信息熵 　　 　　Shannon用发生概率倒数的对数来表示一个事件的信息。假设情况i(i=1，…，n)出现的概率为pi，则信息量描述为： 　　 　　2指数信息熵 　　 　　3二维指数信息熵 　　 　　一维指数信息熵是基于图像的原始直方图，仅用像素自身灰度信息而未考虑像素点的空间分布，对噪声的影响十分敏感。本文将指数信息熵从一维拓展至二维。二维算法充分利用了图像像素自身及像素点之间的空间关系，建立起二维直方图来选取最佳阈值，空间关系的引入提高了算法的抗噪性。 　　 　　4二维指数熵阈值选取的快速算法 　　 　　为了选择全局最优，上述过程采用穷举搜索获得阈值矢量。显然,计算熵H0(s,t)和H1(s,t)是上述方法中的主要部分。对每一个(s,t)对,它必须花费O(L2)的计算量得到两个熵,又由于有L2个(s,t)对,故阈值化的计算量为O(L4)。运算速度慢，难以用于实时处理。 　　二维Otus自适应阈值的快速算法[10]大大提高了计算速度，本文将该思想运用到二维熵。 　　原始二维最大熵算法在取阈值时假设图1中2、3两部分的概率为零，在分割时,根据目标的明暗将0、1两部分分别取为目标和背景。但是由图1可见，概率不为0的情况主要集中在对角线附近，因此可以重新选择计算目标和背景均值的区域，不再选择图1中的区域0和区域1来计算目标和背景，而将阈值选择限制在如图2所示的与对角线平行的两条直线之间的范围内，即图2中灰色区域，将左下角和右上角忽略不计。N选择适当时，改进的快速算法在减小求最优分割阈值计算量的同时，也在一定程度上改善了分割效果。 　　N一般可取20或40，当N=20时，阈值已经很接近最佳阈值，当N≥40时，阈值基本不再改变。该算法通过改变二维直方图上阈值分割的分块方式，将二维阈值转换成一维阈值，提高了处理速度，并且易于推广到其他二维阈值算法中去。 　　 　　5实验结果与分析 　　 　　首先，用形状测度评价准则[11]对二维指数熵法与二维Shannon信息熵法进行了定量比较。表1给出了两幅测试图像的形状测度比较结果。大量实验结果表明，二维指数熵法与二维Shannon信息熵法在分割效果上性能几乎相同。但二维指数熵法的运行时间要远小于二维Shannon信息熵法（详见表2），故本文提出的二维指数熵法与二维Shannon信息熵法相比有很大的速度优势。 　　其次，应用本文所给出的二维指数熵阈值方法及快速算法，对大量无噪声和有噪声的图像进行阈值分割，并与一维指数熵法和二维Shannon信息熵法分割的结果进行了比较，如图3和图4所示为无噪声和有噪声的Lena图像的分割结果。它们的分割阈值及计算时间之比列于表2中。表3则给出了无噪声Lena图像下N取不同值时二维指数熵快速算法的阈值和计算时间之比。 　　从图3、图4可以看出，对于Lena图像，基于一维指数熵的分割结果中不能清晰地检测出目标，噪声颗粒较粗，效果不