图像最大熵阈值分割的原理：使选择的阈值分割图像目标区域、背景区域两部分灰度统计的信息量为最大。
具体描述：
1. 根据信息熵定义，计算原始图像的信息熵H0，选择最大、最小灰度灰度的均值为初始阈值T0；
2. 根据T0将图像分割为G1和G2两个区域，均值分别为M1和M2，更新阈值为T2=0.5*(M1+M2)；
3. 计算G1和G2的信息熵Hd和Hb，比较Hd+Hb与H0的大小，如果相等或在规定的范围内，或者达到最大迭代次数，则将T2最为最终阈值输出，否则T0=T2，H0=Hd+Hb，重复第2步直到满足条件。
function ThreshValue = My_MaxEntropy(Imag)
% 最大熵计算阈值
% 输入：
% Imag：二维数组，数值表示灰度；
% 输出：
% ThreshValue：阈值
[X, Y] = size(Imag);
V_max = max(max(Imag));
V_min = min(min(Imag));
T0 = (V_max + V_min) / 2; % 初始分割阈值
h = My_imhist(Imag); % 计算图像的直方图
grayp = h/(X*Y); % 求图像像素概率
% 计算初始熵
H0 = 0;
for i = 1 : 256
if grayp(i) > 0
H0 = H0 - grayp(i)*log(grayp(i));
end
end
% 开始迭代计算
cout = 100; % 设置最大迭代次数
while cout > 0
Tmax = 0; % 初始化
T1 = T0;
A1 = 0; % 分割区域G1的点数
A2 = 0; % 分割区域G2的点数
B1 = 0; % 分割区域G1的灰度总和
B2 = 0; % 分割区域G2灰度总和
for i = 1 : X % 计算灰度平均值
for j = 1 : Y
if(Imag(i, j) <= T1)
A1 = A1 + 1;
B1 = B1 + Imag(i, j);
else
A2 = A2 + 1;
B2 = B2 + Imag(i, j);
end
end
end
M1 = B1 / A1; % 分割区域G1的平均灰度
M2 = B2 / A2; % 分割区域G2的平均灰度
T2 = (M1 + M2) / 2; % 更新阈值
TT = floor(T2);
grayPd = sum(grayp(1 : TT)); % 计算分割区域G1的概率和
if grayPd == 0
grayPd = eps;
end
grayPb = 1 - grayPd;
if grayPb == 0
grayPb = eps;
end
% 计算分割后区域G1和G2的信息熵
Hd = 0;
Hb = 0;
for i = 1 : 256
if i <= TT
if grayp(i) > 0
Hd = Hd - grayp(i)/grayPd*log(grayp(i)/grayPd);
end
else
if grayp(i) > 0
Hb = Hb - grayp(i)/grayPb*log(grayp(i)/grayPb);
end
end
end
H1 = Hd + Hb; % 总的熵
% 退出条件
if abs(H0 - H1) < 0.0001
Tmax = T2;
break;
else
T0 = T2;
H0 = H1;
end
cout = cout - 1;
end
% 返回阈值
ThreshValue = floor(Tmax);
end
% 灰度直方图
function h = My_imhist(Imag)
h = zeros(256, 1);
for k = 1 : 256
h(k) = 0;
for i = 1 : size(Imag, 2)
for j = 1 : size(Imag, 2)
if Imag(i, j) == k - 1
h(k) = h(k) + 1;
end
end
end
end
end
---------------------
作者：有个家伙喜欢代码
来源：CSDN
原文：blog.csdn.net/u012366767 …
版权声明：本文为博主原创文章，转载请附上博文链接！ |
|
