本文介绍了如何运用信息论中的Shannon熵来实现图像分割，特别是在图像灰度直方图上的应用。通过寻找使图像熵最大的阈值，达到分割目标与背景的目的。虽然这种方法对于非双峰直方图的图像有较好效果，但速度慢，不适用于实时处理，并且忽略了像素的空间信息。文中提供了一个使用OpenCV的C++实现示例，包括在VS2012环境下针对OpenCV1和OpenCV2的不同版本进行的代码调整，并给出了代码下载链接。
将信息论中的 shannon 熵概念用于图像分割， 其依据是使得图像中目标与背景分布的信息量最大，即通过测量图像灰度直方图的熵，找出最佳阈值。根据 shannon 熵的概念，对于灰度范围为 0,1,2,…,L-1 的图像，其直方图的熵定义为（仅仅是定义） ：
设阈值 t 将图像划分为目标 O 和背景 B 两类，他们的概率分布分别为：
最佳阈值 T 为使得图像的总熵取得最大值：T=argmax(H(t))
此方法不需要先验知识， 而且对于非理想双峰直方图的图像也可以进行较好的分割。 缺点:运算速
最低0.47元/天 解锁文章
扫一扫
310
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
