多种自动阈值分割算法的简单实现实验报告.pdfVIP

多种自动阈值分割算法的简单实现 1 引言 在计算机视觉理论中， 图像分割、特征提取与目标识别构成了由底层到高层 的 3 大任务。特征提取和目标识别都以图像分割作为基础， 图像分割结果的好坏 将直接影响后续操作。 所谓图像分割， 就是将构成图像的像素划分为目标区域与 背景区域的过程。 其目的是把所研究者关注的目标区域从图像中提取出来， 以便 进一步研究分析。 图像分割的算法种类繁多， 一般都是基于亮度值的两个基本特性之一： 不连 续性和相似性。 前者适用于依据亮度的不连续变化分割图像， 后者主要适用于依 据事先制定的准则将像素分割为不同的区域。 [1] 图像分割领域的经典算法有很多 , 如基于阈值分割、边缘分割、基于小波变 换的分割方法、 基于数学形态学的分割方法、 以遗传算法、 粒子群算法等寻优算 法为基础并不断改进的分割算法、 主动轮廓模型、 聚类分割、 人工神经网络等算 法。 本文简单介绍几种自动阈值分割算法。 2 算法实现 2.1 一维熵阈值法 假设一幅图像的大小为 M N 的图像 f (x, y) (1 x M ,1 y N ) , 每个像素 点 f (i , j ) 本身都还有一个灰度级，一维最大熵阈值法的主体思想是：统计出图像 中每个灰度等级出现的概率 p( x) ，计算该灰度等级的信息熵： H p(x )lg p( x)dx 图像分为目标区域和背景区域，假设图像的最大灰度值为 L。 目标区域的熵为： p p i i H0 lg( ) i 1,2, ,t i p p t t 背景区域的熵为： p p i i H1 lg( ) i t 1,t 2, , L i 1 p 1 p t t 对于每个灰度级 t 求解： W (t ) H0 H1 * 最大阈值向量 t 满足： * W (t ) max(W (t )) 2.2 二维熵阈值法 2.2.1 二维直方图