论文部分内容阅读
图像分割是计算机视觉和图像工程领域中非常基础和重要的环节,把图像分割成若干相互独立、互不重叠的区域是图像分割的核心所在。图像分割质量将影响到图像后续工作诸如图像理解和图像分析的顺利进行。由于图像的随机性和多样性,目前已存在多种图像分割方法,其中基于阈值的分割技术因其算法简单、计算量小、稳定性好在实际研究领域得到了广泛重视和应用。它根据图像已有直方图信息,通过一定的阈值准则来获得图像分割的最佳阈值。本文从图像阈值分割角度出发,对基于熵的阈值分割法进行了一些相应探讨,主要包括以下几个方面的内容:文章介绍了图像分割的一些基本理论知识,包括熵的基本概念及其阈值分割原理,并例举了经典熵的几种模型和几个常用的阈值分割算法。并给出了试验分析法中的优度法和误差分析法的各种质量评定准则。通过分析比较,我们可以发现非广延熵较传统的Shannon熵的阈值分割方法在图像处理中更具有适用性和灵活性。本文重点探讨非广延熵在图像阈值分割中的广泛应用。首先,Tsallis熵是在Boltzman-Gibbs熵的基础上引入非广延参数q,用于描述集合元素间的长程关联,我们从数学原理以及实证两方面分析了q参数的作用并确定了它的合理取值范围。对于目标和背景之间不存在明显关联的图片,我们用两个具有不同q参数的Tsallis熵分别描述目标集合与背景集合,提出一种新的双q值算法,选择合适的q值确定这两个集合各自的像素灰度关联强度。通过对一系列红外图片的阈值分割,验证了该算法的有效性。而且,在已知目标像素关联强度的前提下,可利用该方法实现目标的自动跟踪识别。其次,在图像的阈值分割中,以灰度直方图分布为基础的最大熵分割算法易受噪音干扰。为克服该缺点,提高算法的准确性与稳定性,我们分析了像素点邻域灰度一阶微分和二阶微分所包含的信息,并将其用于噪音检测。构建了“平均灰度-锐化梯度”组成的二维直方图,利用灰度分布与梯度分布相互独立的性质,对该直方图进行降维计算,并采用图像逻辑操作修复去噪过程所产生的细节损失。实验结果表明,最大熵分割算法在该操作流程下抗噪能力得到增强,计算的实时性及准确性优于已有的二维分割算法。而且,该算法流程针对不同类型的图像分割具有良好的可移植性。本文从图像分割角度出发,通过非广延熵在图像阈值分割中的重要应用,结合图像本身的特点,提出了针对某类图片的分割算法,并验证了其有效性。