第24卷第5期2010年10月
江苏科技大学学报(自然科学版)
Vol.24No.5基于信息熵的图像阈值选取算法
葛启承,林锦国,肖 迪
(南京工业大学自动化与电气工程学院,江苏南京211816)
摘 要:阈值法是图像分割的一种重要方法,在图像处理与目标识别中广为应用.信息熵可以表征图像的灰度信息,并用以区分图像中的目标和背景.文中研究了最大熵法的分割效果、对数熵的运算时间,然后使用指数熵代替对数熵,并对二维最大熵法进行了改进,在结合大津法的同时,加入了4邻域外像素灰度的信息.实验结果表明本文所用方法可有效缩短计算时间、突出边缘特征、提高阈值自动选择的准确性和鲁棒性.关键词:图像分割;阈值分割法;阈值选择;熵
中图分类号:TP391 文献标志码:A 文章编号:1673-4807(2010)05-0485-04
Algorithmofimagethresholdingbasedoninformationentropy
(CollegeofAutomationandElectricalEngineering,NanjingUniversityofTechnology,NanjingJiangsu211816,China)
GeQicheng,LinJinguo,XiaoDi
Abstract:Thresholdingisanimportantmethodofimagesegmentationandisappliedwidelytoimageprocessing
andobjectrecognition.Informationentropycancharacterizethegrayscaleinformationofimageandalsocandis-tinguishbetweentheobjectivesandbackground.Afterstudyingthesegmentationeffectofthemaximumentropymethodandthetimerequiredforcomputingthelogarithmicentropy,two-dimensionalmaximumentropymethodwasimprovedinthispaper.ThemethodcombinedwiththeOtsumethod.Simultaneously,itusedexponentialentropyinsteadoflogarithmicentropyandjoinedthegrayscaleinformationofthepixelsoutsidethefour-neighbor-domain.Experimentresultsshowthattheimprovedmethodiseffectivetoreducethecomputingtimeandhigh-lighttheedges.Also,itcanraisetheaccuracyandrobustnessoftheautomaticthresholdselecting.Keywords:imagesegmentation;thresholdsegmentationmethod;thresholdselection;entropy 图像分割是图像理解与模式识别的前提,也是大多数图像分析及视觉系统的重要组成部[2]
分.阈值分割是图像分割的最常用的方法,通过选取适当的阈值,将原图像中的目标与背景分开,为后续的分类、识别提供依据.图像作为一种信息来源,其像素的灰度分布具有随机性,故人们将信息论的成果引入到图像的处理.文中通过一维、二维最大对数熵法自动选取图像分割的阈值,针对对数熵计算较慢,对比使用了指数熵,而且针对二维最大熵计算时间长的缺点,改进了其算法,增加了Otsu初选以减少盲目的计算量.
[1]
为一个概率过程,这个过程可用与直觉相一致的方
[3]
法度量.将信息熵的概念引入图像处理中,根据数字图像的每个像素灰度做出统计灰度直方图,设总像素数为M,灰度级i的象限个数为Ni,灰度级i出现的概率为pi,则
i
pi∑pi=1(1)
i
从而得到信息熵
H(N)=Elog2=-∑pilog2pi(2)
ii
1 信息熵的阈值分割应用
2 最大熵阈值分割
最大熵阈值选取法根据目标和背景2个概率
信息论的基本前提是信息的产生可以被抽象
收稿日期:2010-07-16
作者简介:葛启承(1985—),男,江苏苏州人,硕士研究生,研究方向为图像处理、模式识别等.E-mail:yuwentuocheng@126.com
486江苏科技大学学报(自然科学版)第24卷
01tt+1t+2L-1分布和定义目
ttt1-Pt1-Pt1-Pt
标和背景两类的熵分别为
HB(t)=-∑
i=0t
各像素及其4邻域的4个像素为一个区域,计算出
区域灰度均值图像,这样原始图像中的每一个像素都对应于一个点灰度———区域灰度均值对.设ni,j为图像中点灰度为i及其区域灰度均值为j的像素个数,pi,j为点灰度———区域灰度均值对(i,j)发生的概率,则
pi,j(7)
HW(t)=-∑
ii
log2Pt1-Pti=t+11-
L-1
ii2tt
(3)(4)
2.1 一维最大熵法
使熵HB(t)+HW(t)达到最大可求得最佳阈值t.
式中,N为图像的大小,如果向量(s,t)是阈值向在一副灰度范围为[0,L-1]的图像中,熵函数定义为
φ(t)=log-H2Pt(1-Pt)t1-Pt
(5)
式中
Pt
t
t=∑i=0
pi,Ht=-∑i=0
piL-1
log2pi
HL-1=-∑i=0
pilog2pi
一维最大熵法强调的是系统内部的均匀性,当应用在阈值化分割技术中时,就是搜索使目标和背景内部的灰度分布尽可能均匀的最优阈值[4]
.
让目标和背景的Shannon熵之和取得最大值2时畅2, 对应的灰度值指数信息熵
T就是所求的最佳阈值.
尽管Shannon信息熵是解决不确定性问题大的一种有效方法,但是它也存在一定的问题
[5].为
满足实际情况的需要,可定义另一种信息量计算方
法,令一个概率为pi的事件的信息量为ΔI(pi)=eμi
=e
1-pi
,此时熵定义为
H=E(ΔI)=∑1-pi
i
pie
,HB(t)=t
∑
i=0
it
e1ptHL-1
t
W(t)=∑i1p1-
Pt
i=t+11-Pte,其中:Pt=∑i=0
pi,选择
最佳阈值满足T=argt=0,…,maxL-1
{HB(t)+HW(t)}(6)
指数熵改善了用对数定义信息上中的无定义值和零值的问题,克服了对数信息熵的不足.此外,对数运算速度较慢,用指数运算取代对数运算可以大大减少计算时间2畅3 二维最大熵法
.由于灰度一维最大熵是基于图像原始直方图的,它仅仅利用了点灰度信息而未充分利用图像的空间信息,而二维最大熵综合利用了点灰度特征和区域灰度特征
[6]
,从而较好地表征了图像的信息.
它的基本方法是:以原始灰度图像(L个灰度级)中
量,那么(s,t)把这个矩阵分割成4个象限,分别设为A,B,C和D.设PA为A象限的概率总和,HA为象限A二维熵值,HL为全部所有像素的二维熵值.则二维最大熵的判别函数为
φ(s,t)=log)]AL-HA
2[PA(1-PAA1-PA
(8)
使φ(s,t)为最大的阈值s和t即为所求阈值.其中
PA=∑i
∑j
pi,j
i=0,1,…,s;j=0,1,…,t(9)HA=-∑i
∑j
pi,jlog2pi,ji=0,1,…,s;j=0,1,…,t(10)HL=-∑∑pi,jlog2pi,j
2畅4 i改进的二维最大熵法
=0,1,…,i
L-j1;j=0,1,…,L-1
(11)
以上在计算中只考虑目标的边缘和背景的边缘所在的两个象限,而忽略另外两个象限.事实上,通常情况下,水平或垂直方向的灰度变化相对于对角方向的灰度变化较“缓慢”或连续性“较强”.为克服这一不足,提出新方法创建二维直方图,在3×3的邻域中利用邻域中心的灰度值和4邻域以外的4个像素的灰度平均值,这样既可以避免定义二维熵时所关心的对象位置过于“密切”,又可以提高邻域中心像素的灰度值与所参考灰度值的差异.
设f(x,y)表示灰度级是256的图像,g(x,y)表示当前像素(x,y)的3×3邻域内4邻域以外的4个像素的灰度平均值,f(x,y)和g(x,y)可以构成二维直方图.即
h(k,m)={f(x,y)=k}∩{g(x,y)=m}
(12)式中,P(A)为事件A发生的次数;h(k,m)为f(x,y)=k并且g(x,y)=m发生的次数.上式反应的关系可以表示成如图1的矩阵形式.
h(k,m)可用下式归一化
第5期
255
255
葛启承,等:基于信息熵的图像阈值选取算法
4
487
(k,m)=h(k,m)/∑∑h(i,j)
i=0
j=0
(13)
为O(L).运算速度慢,难以用于实时处理.
1979年,Otsu提出了依据类间距离极大准则来确定区域分割门限
[7]
.该方法具有简单、处理速
度快等特点,是一种常用的自适应阈值选取方法.于是,可以将Otsu方法和二维最大熵法结合起来,先采用Otsu法求出一个阈值,然后在此阈值上下
Fig.1 图Quadrants1 二维直方图矩阵的象限
of2-Dhistogrammatrix
对不同的象限得到的概率
PB
ijijs255
B=h(i,j)/∑k=0∑l=t+1h(k,l)0≤i≤s,t+1≤j≤255(14)
PD
255ijijt
D=h(i,j)/k∑=s+1∑l=0h(k,l)s+1≤i≤255,0≤j≤t(15)从二维直方图矩阵的构成上,象限A和象限C中元素的特性为:图像3×3邻域中心灰度值和A邻域以外的4个像素平均灰度值的差别“不明显”(相对于象限B和象限D中的元素),这种特性与目标或背景的内部元素特性接近,那么不妨假设象限A和象限C分别对应于背景的内部和目标的内部;象限B和象限D中的元素的性质为:图像中3×3邻域中心灰度值和4邻域以外的4个像素平均灰度值的差别“明显”(相对于象限A和象限C中的元素),这种性质与目标的边缘和噪声的性质接近,由对象限A和象限C的假设,可以认为象限BShannon和象限条件熵可写作
D分别对应于背景和目标的边缘和噪声,H(E|B)=-s
255
∑B
B
i=0∑j=t+1pijlog2pij
(16)255
H(E|O)=-t
∑∑pD
i=s+1j=0ijlog2pij
D
(17)
综合考虑以上二式,图像的二维Shannon熵可写为
HT
(c)(s,t)=(H(E|B)+H(E|O))/2(18)H(T
c)(s,t)的最大值为目标背景分类给出的优化阈值向量(s倡
,t倡
)(s倡,t倡)=arg{T0≤s≤255,0≤maxt≤255Hc(s,t)}
(19)
使HT
倡
倡
(c)(s,t)最大时的向量(s,t)即实现图像的自动分割2畅5 结合.Otsu法的二维最大熵法
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,计算背景和目标的熵是上述方法中的主要部分.对每一个(s,t),阈值化的计算量
一定小范围内作为初始值使用二维最大熵法,可以缩小二维最大熵的计算量,同时,由于使用了2种不同机理的阈值方法,所以可以提高阈值选取的鲁棒性,使得其对于不同图像的自适应性增强.
3 实验结果及分析
文中采用IEEE推荐的检测算法性能的Lena图像进行实验(图2),lena图像大小为512×512,灰度级为256,从0~255.图3为Lena原图的灰度
直方图,图4~8为Lena图实验所得的分割结果,图9为CameraMan原图,图10~11为CameraMan图实验所得的分割结果.
由图4,5可知,指数熵和对数熵所得的结果相当,但是指数熵计算对于计算机来说花费时间更少(具体各算法所用计算时间可见表1).对比图6,7可知,改进后的二维最大熵法突出了更多的细节,分割更加精确,更多地考虑了灰度的变化,二者时间上来说差不多.图8所示的综合了Otsu法的二维最大熵法初始取值更精确,对于分辨率高或者大批量处理的图像来说,计算量可减少很多,
当然它
Fig.2 图Original2 LenaLena
image标准of Fig图.33 LenaHistogram灰度直方ofLena
图4 Lena一维对数熵 图5 Lena一维指数熵
Fig.4 Segmented分割 分割
logarirthmicwith1-D Fig.5 Segmentedwith
method
entropy1-Dexponental
488江苏科技大学学报(自然科学版)第24卷
表1 Lena图不同算法所需计算时间比较
Table1 ComputingtimeofdifferentmethodsforLena
序号12345
方法一维对数熵法一维指数熵法二维最大熵法改进二维最大熵法结合Otsu的改进二维最大熵法
计算时间/ms
35.176.07229.45307.47197.01
其自适应性,可对比图10,11所示.图9的Cam-
eraMan图像为目标较背景暗,与Lena图的目标较背景亮有所区别,单纯使用二维最大熵法所得图像为图10,可见其效果不佳,只有极少数边缘轮廓被检测出来,但是综合了Otsu法后,其效果有明显提高,将图片中的目标任务有效地分割了出来.
注:表中所列数据为各算法程序计算所需时间,编程工具为VisualStudio2008,编程语言为C#,电脑配置:Intel(R)Core(TM)2CPU4 结论
1)二维最大熵法较一维最大熵法更为有效;
T5500@1畅66GHz,2畅00GB内存.
图6 Lena二维最大熵 图7 Lena改进二维最大
Fig.6分割 Segmented2with Fig熵分割entropy-Dmaximum.7 Segmentedwith
methodimprovedmaximum2method
entropy
-D
图8 Lena二维Otsu最 图9 CameraMan标准
Fig.8 Segmented大熵分割
maximumwith2-D Fig.9 Originalimageof
andOtsumethod
entropyCameraman
图10 CameraMan二维 图11 CameraMan二维
Fig.10 最大熵分割Segmentedimprovedwith Fig.11 SegmetedOtsu最大熵分割
withmaximum2-Dmaximumentropy2-D
method
entropyandOtsumethod还有另一个特点是可以提高阈值分割的性能,增强
2)指数熵较对数熵计算时间大幅下降;
3)结合大津法的二维最大熵法增加了阈值选取的准确性和鲁棒法.
参考文献(References)
[1]赵春江.C#数字图像处理算法典型实例[M].北京:
人民邮电出版社,2009.
[2]章毓晋.图像工程图像分析[M].2版.北京:清华大
学出版社,2005.
[3]孙路,毕笃彦.基于信息熵的图像分割阈值迭代改进
算法[J].计算机应用与软件,2008,25(10):225-226,238.
SunbasedLuon,entropyBiDuyanfor.imageTheimprovedthresholditerativesegmentationalgorithmComputerApplicationsandSoftware,2008,25(10):[225J].
-226,238.(inChinese)
[4]BrinkAD.Thresholdingofdigitalimagesusingtwo-di-
mensional(8):803entropies-808.
[J].PatternRecognition,1992,25[5]SezginM,SankurB.Surveyoverimagethresholding
techniquesJournalofElectronicandquantitativeImage,performance2004,13(1):evaluation145-160.[J].[6]潘喆,吴一全.二维指数熵图像阈值选取方法及其快
速算法Pan[J].计算机应用,2007,27(4):982-985.dimensionalZhe,WuJournalofComputerexponentYiquan.ApplicationsentropyMethodandofthresholding,2007,itsfastusingtwo-27algorithm(4):982[J].-985.(inChinese)
[7]肖超云,朱伟兴.基于Otsu准则及图像熵的阈值分割
算法[J].计算机工程,2007,33(14):188-189,
209.
XiaorithmChaoyun,ZhuWeixing.Thresholdselectionalgo-ageentropyforimage[J].segmentationComputerbasedonOtsuruleandim-188-189,209.(inChineseEngineering)
,2007,33(14):
(责任编辑:贡洪殿)
第24卷第5期2010年10月
江苏科技大学学报(自然科学版)
Vol.24No.5基于信息熵的图像阈值选取算法
葛启承,林锦国,肖 迪
(南京工业大学自动化与电气工程学院,江苏南京211816)
摘 要:阈值法是图像分割的一种重要方法,在图像处理与目标识别中广为应用.信息熵可以表征图像的灰度信息,并用以区分图像中的目标和背景.文中研究了最大熵法的分割效果、对数熵的运算时间,然后使用指数熵代替对数熵,并对二维最大熵法进行了改进,在结合大津法的同时,加入了4邻域外像素灰度的信息.实验结果表明本文所用方法可有效缩短计算时间、突出边缘特征、提高阈值自动选择的准确性和鲁棒性.关键词:图像分割;阈值分割法;阈值选择;熵
中图分类号:TP391 文献标志码:A 文章编号:1673-4807(2010)05-0485-04
Algorithmofimagethresholdingbasedoninformationentropy
(CollegeofAutomationandElectricalEngineering,NanjingUniversityofTechnology,NanjingJiangsu211816,China)
GeQicheng,LinJinguo,XiaoDi
Abstract:Thresholdingisanimportantmethodofimagesegmentationandisappliedwidelytoimageprocessing
andobjectrecognition.Informationentropycancharacterizethegrayscaleinformationofimageandalsocandis-tinguishbetweentheobjectivesandbackground.Afterstudyingthesegmentationeffectofthemaximumentropymethodandthetimerequiredforcomputingthelogarithmicentropy,two-dimensionalmaximumentropymethodwasimprovedinthispaper.ThemethodcombinedwiththeOtsumethod.Simultaneously,itusedexponentialentropyinsteadoflogarithmicentropyandjoinedthegrayscaleinformationofthepixelsoutsidethefour-neighbor-domain.Experimentresultsshowthattheimprovedmethodiseffectivetoreducethecomputingtimeandhigh-lighttheedges.Also,itcanraisetheaccuracyandrobustnessoftheautomaticthresholdselecting.Keywords:imagesegmentation;thresholdsegmentationmethod;thresholdselection;entropy 图像分割是图像理解与模式识别的前提,也是大多数图像分析及视觉系统的重要组成部[2]
分.阈值分割是图像分割的最常用的方法,通过选取适当的阈值,将原图像中的目标与背景分开,为后续的分类、识别提供依据.图像作为一种信息来源,其像素的灰度分布具有随机性,故人们将信息论的成果引入到图像的处理.文中通过一维、二维最大对数熵法自动选取图像分割的阈值,针对对数熵计算较慢,对比使用了指数熵,而且针对二维最大熵计算时间长的缺点,改进了其算法,增加了Otsu初选以减少盲目的计算量.
[1]
为一个概率过程,这个过程可用与直觉相一致的方
[3]
法度量.将信息熵的概念引入图像处理中,根据数字图像的每个像素灰度做出统计灰度直方图,设总像素数为M,灰度级i的象限个数为Ni,灰度级i出现的概率为pi,则
i
pi∑pi=1(1)
i
从而得到信息熵
H(N)=Elog2=-∑pilog2pi(2)
ii
1 信息熵的阈值分割应用
2 最大熵阈值分割
最大熵阈值选取法根据目标和背景2个概率
信息论的基本前提是信息的产生可以被抽象
收稿日期:2010-07-16
作者简介:葛启承(1985—),男,江苏苏州人,硕士研究生,研究方向为图像处理、模式识别等.E-mail:yuwentuocheng@126.com
486江苏科技大学学报(自然科学版)第24卷
01tt+1t+2L-1分布和定义目
ttt1-Pt1-Pt1-Pt
标和背景两类的熵分别为
HB(t)=-∑
i=0t
各像素及其4邻域的4个像素为一个区域,计算出
区域灰度均值图像,这样原始图像中的每一个像素都对应于一个点灰度———区域灰度均值对.设ni,j为图像中点灰度为i及其区域灰度均值为j的像素个数,pi,j为点灰度———区域灰度均值对(i,j)发生的概率,则
pi,j(7)
HW(t)=-∑
ii
log2Pt1-Pti=t+11-
L-1
ii2tt
(3)(4)
2.1 一维最大熵法
使熵HB(t)+HW(t)达到最大可求得最佳阈值t.
式中,N为图像的大小,如果向量(s,t)是阈值向在一副灰度范围为[0,L-1]的图像中,熵函数定义为
φ(t)=log-H2Pt(1-Pt)t1-Pt
(5)
式中
Pt
t
t=∑i=0
pi,Ht=-∑i=0
piL-1
log2pi
HL-1=-∑i=0
pilog2pi
一维最大熵法强调的是系统内部的均匀性,当应用在阈值化分割技术中时,就是搜索使目标和背景内部的灰度分布尽可能均匀的最优阈值[4]
.
让目标和背景的Shannon熵之和取得最大值2时畅2, 对应的灰度值指数信息熵
T就是所求的最佳阈值.
尽管Shannon信息熵是解决不确定性问题大的一种有效方法,但是它也存在一定的问题
[5].为
满足实际情况的需要,可定义另一种信息量计算方
法,令一个概率为pi的事件的信息量为ΔI(pi)=eμi
=e
1-pi
,此时熵定义为
H=E(ΔI)=∑1-pi
i
pie
,HB(t)=t
∑
i=0
it
e1ptHL-1
t
W(t)=∑i1p1-
Pt
i=t+11-Pte,其中:Pt=∑i=0
pi,选择
最佳阈值满足T=argt=0,…,maxL-1
{HB(t)+HW(t)}(6)
指数熵改善了用对数定义信息上中的无定义值和零值的问题,克服了对数信息熵的不足.此外,对数运算速度较慢,用指数运算取代对数运算可以大大减少计算时间2畅3 二维最大熵法
.由于灰度一维最大熵是基于图像原始直方图的,它仅仅利用了点灰度信息而未充分利用图像的空间信息,而二维最大熵综合利用了点灰度特征和区域灰度特征
[6]
,从而较好地表征了图像的信息.
它的基本方法是:以原始灰度图像(L个灰度级)中
量,那么(s,t)把这个矩阵分割成4个象限,分别设为A,B,C和D.设PA为A象限的概率总和,HA为象限A二维熵值,HL为全部所有像素的二维熵值.则二维最大熵的判别函数为
φ(s,t)=log)]AL-HA
2[PA(1-PAA1-PA
(8)
使φ(s,t)为最大的阈值s和t即为所求阈值.其中
PA=∑i
∑j
pi,j
i=0,1,…,s;j=0,1,…,t(9)HA=-∑i
∑j
pi,jlog2pi,ji=0,1,…,s;j=0,1,…,t(10)HL=-∑∑pi,jlog2pi,j
2畅4 i改进的二维最大熵法
=0,1,…,i
L-j1;j=0,1,…,L-1
(11)
以上在计算中只考虑目标的边缘和背景的边缘所在的两个象限,而忽略另外两个象限.事实上,通常情况下,水平或垂直方向的灰度变化相对于对角方向的灰度变化较“缓慢”或连续性“较强”.为克服这一不足,提出新方法创建二维直方图,在3×3的邻域中利用邻域中心的灰度值和4邻域以外的4个像素的灰度平均值,这样既可以避免定义二维熵时所关心的对象位置过于“密切”,又可以提高邻域中心像素的灰度值与所参考灰度值的差异.
设f(x,y)表示灰度级是256的图像,g(x,y)表示当前像素(x,y)的3×3邻域内4邻域以外的4个像素的灰度平均值,f(x,y)和g(x,y)可以构成二维直方图.即
h(k,m)={f(x,y)=k}∩{g(x,y)=m}
(12)式中,P(A)为事件A发生的次数;h(k,m)为f(x,y)=k并且g(x,y)=m发生的次数.上式反应的关系可以表示成如图1的矩阵形式.
h(k,m)可用下式归一化
第5期
255
255
葛启承,等:基于信息熵的图像阈值选取算法
4
487
(k,m)=h(k,m)/∑∑h(i,j)
i=0
j=0
(13)
为O(L).运算速度慢,难以用于实时处理.
1979年,Otsu提出了依据类间距离极大准则来确定区域分割门限
[7]
.该方法具有简单、处理速
度快等特点,是一种常用的自适应阈值选取方法.于是,可以将Otsu方法和二维最大熵法结合起来,先采用Otsu法求出一个阈值,然后在此阈值上下
Fig.1 图Quadrants1 二维直方图矩阵的象限
of2-Dhistogrammatrix
对不同的象限得到的概率
PB
ijijs255
B=h(i,j)/∑k=0∑l=t+1h(k,l)0≤i≤s,t+1≤j≤255(14)
PD
255ijijt
D=h(i,j)/k∑=s+1∑l=0h(k,l)s+1≤i≤255,0≤j≤t(15)从二维直方图矩阵的构成上,象限A和象限C中元素的特性为:图像3×3邻域中心灰度值和A邻域以外的4个像素平均灰度值的差别“不明显”(相对于象限B和象限D中的元素),这种特性与目标或背景的内部元素特性接近,那么不妨假设象限A和象限C分别对应于背景的内部和目标的内部;象限B和象限D中的元素的性质为:图像中3×3邻域中心灰度值和4邻域以外的4个像素平均灰度值的差别“明显”(相对于象限A和象限C中的元素),这种性质与目标的边缘和噪声的性质接近,由对象限A和象限C的假设,可以认为象限BShannon和象限条件熵可写作
D分别对应于背景和目标的边缘和噪声,H(E|B)=-s
255
∑B
B
i=0∑j=t+1pijlog2pij
(16)255
H(E|O)=-t
∑∑pD
i=s+1j=0ijlog2pij
D
(17)
综合考虑以上二式,图像的二维Shannon熵可写为
HT
(c)(s,t)=(H(E|B)+H(E|O))/2(18)H(T
c)(s,t)的最大值为目标背景分类给出的优化阈值向量(s倡
,t倡
)(s倡,t倡)=arg{T0≤s≤255,0≤maxt≤255Hc(s,t)}
(19)
使HT
倡
倡
(c)(s,t)最大时的向量(s,t)即实现图像的自动分割2畅5 结合.Otsu法的二维最大熵法
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,计算背景和目标的熵是上述方法中的主要部分.对每一个(s,t),阈值化的计算量
一定小范围内作为初始值使用二维最大熵法,可以缩小二维最大熵的计算量,同时,由于使用了2种不同机理的阈值方法,所以可以提高阈值选取的鲁棒性,使得其对于不同图像的自适应性增强.
3 实验结果及分析
文中采用IEEE推荐的检测算法性能的Lena图像进行实验(图2),lena图像大小为512×512,灰度级为256,从0~255.图3为Lena原图的灰度
直方图,图4~8为Lena图实验所得的分割结果,图9为CameraMan原图,图10~11为CameraMan图实验所得的分割结果.
由图4,5可知,指数熵和对数熵所得的结果相当,但是指数熵计算对于计算机来说花费时间更少(具体各算法所用计算时间可见表1).对比图6,7可知,改进后的二维最大熵法突出了更多的细节,分割更加精确,更多地考虑了灰度的变化,二者时间上来说差不多.图8所示的综合了Otsu法的二维最大熵法初始取值更精确,对于分辨率高或者大批量处理的图像来说,计算量可减少很多,
当然它
Fig.2 图Original2 LenaLena
image标准of Fig图.33 LenaHistogram灰度直方ofLena
图4 Lena一维对数熵 图5 Lena一维指数熵
Fig.4 Segmented分割 分割
logarirthmicwith1-D Fig.5 Segmentedwith
method
entropy1-Dexponental
488江苏科技大学学报(自然科学版)第24卷
表1 Lena图不同算法所需计算时间比较
Table1 ComputingtimeofdifferentmethodsforLena
序号12345
方法一维对数熵法一维指数熵法二维最大熵法改进二维最大熵法结合Otsu的改进二维最大熵法
计算时间/ms
35.176.07229.45307.47197.01
其自适应性,可对比图10,11所示.图9的Cam-
eraMan图像为目标较背景暗,与Lena图的目标较背景亮有所区别,单纯使用二维最大熵法所得图像为图10,可见其效果不佳,只有极少数边缘轮廓被检测出来,但是综合了Otsu法后,其效果有明显提高,将图片中的目标任务有效地分割了出来.
注:表中所列数据为各算法程序计算所需时间,编程工具为VisualStudio2008,编程语言为C#,电脑配置:Intel(R)Core(TM)2CPU4 结论
1)二维最大熵法较一维最大熵法更为有效;
T5500@1畅66GHz,2畅00GB内存.
图6 Lena二维最大熵 图7 Lena改进二维最大
Fig.6分割 Segmented2with Fig熵分割entropy-Dmaximum.7 Segmentedwith
methodimprovedmaximum2method
entropy
-D
图8 Lena二维Otsu最 图9 CameraMan标准
Fig.8 Segmented大熵分割
maximumwith2-D Fig.9 Originalimageof
andOtsumethod
entropyCameraman
图10 CameraMan二维 图11 CameraMan二维
Fig.10 最大熵分割Segmentedimprovedwith Fig.11 SegmetedOtsu最大熵分割
withmaximum2-Dmaximumentropy2-D
method
entropyandOtsumethod还有另一个特点是可以提高阈值分割的性能,增强
2)指数熵较对数熵计算时间大幅下降;
3)结合大津法的二维最大熵法增加了阈值选取的准确性和鲁棒法.
参考文献(References)
[1]赵春江.C#数字图像处理算法典型实例[M].北京:
人民邮电出版社,2009.
[2]章毓晋.图像工程图像分析[M].2版.北京:清华大
学出版社,2005.
[3]孙路,毕笃彦.基于信息熵的图像分割阈值迭代改进
算法[J].计算机应用与软件,2008,25(10):225-226,238.
SunbasedLuon,entropyBiDuyanfor.imageTheimprovedthresholditerativesegmentationalgorithmComputerApplicationsandSoftware,2008,25(10):[225J].
-226,238.(inChinese)
[4]BrinkAD.Thresholdingofdigitalimagesusingtwo-di-
mensional(8):803entropies-808.
[J].PatternRecognition,1992,25[5]SezginM,SankurB.Surveyoverimagethresholding
techniquesJournalofElectronicandquantitativeImage,performance2004,13(1):evaluation145-160.[J].[6]潘喆,吴一全.二维指数熵图像阈值选取方法及其快
速算法Pan[J].计算机应用,2007,27(4):982-985.dimensionalZhe,WuJournalofComputerexponentYiquan.ApplicationsentropyMethodandofthresholding,2007,itsfastusingtwo-27algorithm(4):982[J].-985.(inChinese)
[7]肖超云,朱伟兴.基于Otsu准则及图像熵的阈值分割
算法[J].计算机工程,2007,33(14):188-189,
209.
XiaorithmChaoyun,ZhuWeixing.Thresholdselectionalgo-ageentropyforimage[J].segmentationComputerbasedonOtsuruleandim-188-189,209.(inChineseEngineering)
,2007,33(14):
(责任编辑:贡洪殿)