信息论的应用.docxVIP

学号：201122010835 姓名：李毅 信息论在图像处理中的应用 摘要：把信息论的基本原理应用到图像处理中具有十分重要的价值。本文主要从评估图像捕捉部分性能的评估、图像分割算法这两个个方面阐述信息论在图像处理中的应用。 通过理论分析来说明使用信息论的基本理论对图像处理的价值。关键字：信息论；图像捕捉；图像分割 第1章 引言 随着科学技术的不断发展，人们对图形图像认识越来越广泛，图形图像处理的应用领域 也将随之不断扩大。为了寻找快速有效的图像处理方法，信息理论越来越多地渗透到图像处 理技术中。文章介绍了信息论基本理论在图像处理中的应用，并通过理论分析说明其价值。把通信系统的基本理论信息论应用于采样成像系统，对系统作端到端的系统性能评价，从而 优化采样成像系统的设计，是当前采样成像系统研究的分支之一。有些图像很繁杂，而我们 只需要其中有意义的一部分，图像分割就是将图像分为一些有意义的区域，然后对这些区域 进行描述，就相当于提取出某些目标区域图像的特征，随后判断这些图像中是否有感兴趣的 目标。 第2章 图像捕捉部分性能评估 图像捕捉的数学模型 图像捕捉过程如图 1 所示。G 为系统的稳态增益， p(x, y) 是图像捕捉设备的空间响应函数，n (x, y) 是光电探索的噪声。comb(x, y) 代表采样网格函数，o(x, y), s(x, y) 分别为 p 输入、输出信号。 在这种模型下的输出信号 s(x, y) ? [Go(x, y) ? p(x, y)]comb(x, y) ? n (x, y) p 其中， comb(x, y) ? ? ? (x ? m, y ? n) ，代表在直角坐标系下，具有单位采样间隔的采样 m,n 设备的采样函数。 输出信号的傅立叶变换为： S (u, v) ? GO(u, v)P(u, v) ? N (u, v) 其中： O(u, v) 是输入信号的傅立叶变换， N (u, v) 是欠采样噪声和光电探测器噪声和， P(u, v) 是图像捕捉设备的空间频率响应。 o(x,y)  Gp(x,y) comb(x,y) n p( x , y ) S(x,y) 图 1 图像捕捉过程 性能评估 设信源X 通过系统后输出Y。根据信息论知，X 与 Y 之间的互信息量I ( X ,Y ) 定义为： I ( X ,Y ) ? H (Y ) ? H (Y / X ) I ( X ,Y ) ? H ( X ) ? H ( X / Y ) H ( X ), H (Y ) 分别为X,Y 的熵，H ( X / Y ), H (Y / X ) 为条件熵。互信息量 I ( X ,Y ) 的物理意义是输出Y 中得到的关于X 的平均信息量的大小。显然I ( X ,Y ) 越大，Y 得到的关于X 的越多。采样成像系统的目标是一致的。把输入图像O(u, v) 看着信源，我们希望输出S (u, v) 中包含多的关于O(u, v) 的信息，即希望二者的互信息量尽量大。 根据互信息量的定义， o(x, y), s(x, y) 之间的互信息量为： I ? H[s(x, y)] ? H[s(x, y) / o(x, y)] ? H[S (u, v)] ? H[S (u, v) / O(u, v)] H[S (u, v) / O(u, v)] 可以称为噪声熵。因此可以用噪声熵 H[N (u, v)] 代替，则上式可以改 写为：  I ? H[S (u, v)] ? H[N (u, v)] 又 I 可改写为： I ? 1 ?? log[1?  ? (u, v) P(u, v) 2 o  ]dudv （1） 2 G ?2? p (u, v) ? (u, v) 是输入信号O(u, v) 的功率谱。可令? 0 p (u, v) ? ? 2 ，则有 p ? (u, v) ? G 2? n o (u, v) P(u, v) 2 ? COMB (u, v) ?? 2 p （2） 式（1），（2）是图像捕捉系统的基础。 第2章 图像分割算法 图像分割定义及方法概述 图像分割可借助集合的概念做如下的定义：令集合 R 代表整个图像区域，对 R 的分割可以看成将 R 分成若干个满足以下条件的非空子集R1, R2,?, Rn ; n ? R i ? R (2) 对所有的 i 和 j，i ? j, 有R R ?i j ? ? ?; i?1 ?(3) 对i ? 1,2,3, , n, 有P?R ? i ?? TURE; (4) 对 i ? j, 有 P?R i R ?? FALSE; ?j ? ?(5) i ? 1,2,3, , n, R 是连通区域 ? i 其中 P(R ) 是对所有在集合R i i 中元素的逻辑谓词， ? 是空集。 对