转载请注明出处,谢谢.
图像分割系列的博客陆陆续续写了好几篇了,这次继续写写利用最大熵模型来进行图像的阈值分割。如果对其他相关博客感兴趣可进入下面的链接查看:
1. OpenCV - 区域生长算法
2. OpenCV - 均值迭代分割
3. OpenCV - 最大间方差(OTUS)分割
4. OpenCV - 最大熵分割
1. 最大熵是什么?
这里所说的熵是指信息熵,信息熵是来自于信息论的一个词,它是对系统所含信息的一种度量。通俗的讲,系统的不确定性越大,那么系统的信息熵就越大。反之,一个系统如果确定性高(系统越有序),那么整个系统的信息熵就越小。其数学定义表述如下:
H=−∫+∞−∞p(x)log[p(x)]dx
上式中, p(x) 表示灰度 x 出现的频率。
2. 最大熵图像分割
算法描述如下:
1. 选取一个阈值
T
,使用该阈值将图像中的所有像素点分成两类,低于阈值
2. 计算每个灰度级在B或者O类中所占的概率。
背景:
物体:
pi1−pT,i=T+1,T+2,...,L
其中
pT=∑i=0Tp(i)
。
3. 分别计算背景和物体的信息熵
HB=−∑ipipt∗log[pipt],i=1,2,...,T
HO=−∑ipi1−pt∗log[pi1−pt],i=T+1,T+2,...,L
4. 对图像中的每一个灰度级进行步骤1-3运算,得到使 max(HO+HB) 时的T值,该值即为最大熵的分割点。
3.在OpenCV平台进行实现
/***************************************************************************************
Function: 最大熵分割算法
Input: Mat 待分割的原图像
Output: 分割后图像
***************************************************************************************/
Mat EntropySeg(Mat src)
{
int tbHist[256] = {0}; //每个像素值个数
int index = 0; //最大熵对应的灰度
double Property = 0.0; //像素所占概率
double maxEntropy = -1.0; //最大熵
double frontEntropy = 0.0; //前景熵
double backEntropy = 0.0; //背景熵
//纳入计算的总像素数
int TotalPixel = 0;
int nCol = src.cols * src.channels(); //每行的像素个数
for (int i = 0; i < src.rows; i++)
{
uchar* pData = src.ptr<uchar>(i);
for (int j = 0; j < nCol; ++j)
{
++TotalPixel;
tbHist[pData[j]] += 1;
}
}
for (int i = 0; i < 256; i++)
{
//计算背景像素数
double backTotal = 0;
for (int j = 0; j < i; j++)
{
backTotal += tbHist[j];
}
//背景熵
for (int j = 0; j < i; j++)
{
if (tbHist[j] != 0)
{
Property = tbHist[j] / backTotal;
backEntropy += -Property * logf((float)Property);
}
}
//前景熵
for (int k = i; k < 256; k++)
{
if (tbHist[k] != 0)
{
Property = tbHist[k] / (TotalPixel - backTotal);
frontEntropy += -Property * logf((float)Property);
}
}
if (frontEntropy + backEntropy > maxEntropy) //得到最大熵
{
maxEntropy = frontEntropy + backEntropy;
index = i;
}
//清空本次计算熵值
frontEntropy = 0.0;
backEntropy = 0.0;
}
Mat dst;
//index += 20;
cv::threshold(src, dst, index, 255, 0); //进行阈值分割
return dst.clone();
}