【图像分割】Tsallis熵算法灰度图像分割【含Matlab源码 715期】

最新推荐文章于 2024-05-18 16:36:39 发布

Matlab武动乾坤

最新推荐文章于 2024-05-18 16:36:39 发布

阅读量950

点赞数 18

分类专栏： Matlab图像处理（进阶版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/135728088

版权

Matlab图像处理（进阶版）专栏收录该内容

897 篇文章 21 订阅

订阅专栏

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、图像分割简介

理论知识参考：【基础教程】基于matlab图像处理图像分割【含Matlab源码 191期】

⛄二、部分源代码

%*********************************************
%Image thresholding using Tsallis entropy

%2021-3-26
%*********************************************
clear all;
close all;
clc

format short g;
% disp(strcat(‘***************apply on whiteRose.jpg’));

% I=imread(‘whiteRose.jpg’);
I=imread(‘C:\Users\lenovo\Desktop\113172244Tsallis-entropy\Tsallis entropy/cell.jpg’);
% I=imread(‘ndmz.png’);
% I=imread(‘star.jpg’);
% I=imread(‘cell2.jpg’);
imgray = rgb2gray(I);%灰度转化
thresh=graythresh(imgray);%求阈值
I2=im2bw(imgray,thresh);%二值图转化
subplot(2,3,1)
imshow(I);title(‘原图’);
subplot(2,3,2)
imshow(imgray);title(‘灰度图’);
subplot(2,3,3)
imhist(imgray);title(‘灰度直方图’);
subplot(2,3,4)
omega=num2str(uint8(round(thresh255)));
imshow(I2);title([‘OTSU 阈值：’,omega]);
disp(strcat(‘OTSU 计算灰度阈值：’,num2str(uint8(round(thresh255)))));
thresh1=thresh
[m,n]=size(imgray);
N=mn ; %灰度值的总数
%***************************************
%KAPUR_entroy最大熵值法求阈值 figure(1)
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
[count,x]=imhist(imgray,256);
A=[x,count];
p=count/N;%求每个灰度值出现的概率
%用’1985-histo’文献里提到的新算法计算阈值
a=min(find(p~=0.0));
P=p(p~=0);%提取p不为零的项，剔除奇点
p=p(a:256);%把前几项为零的奇点剔除
b=length§;
ps=cumsum§;%概率1-T求和
PS=cumsum§;
Hs=-cumsum(P.log§);
HA=log(PS)+Hs./PS;
HB=log(1-PS)+(Hs(end)-Hs)./(1-PS);
L2=length(HA);%剔除1-PS为零的点
HA=HA(1:(L2)-1);
HB=HB(1:(L2)-1);
Ts=HA+HB;
s=mean(find(Tsmax(Ts))+a-2);
disp(strcat(‘KAPUR_entroy计算灰度阈值：’,num2str(s)));
thresh2=double(s)/255
I3=im2bw(imgray,double(s)/255);
subplot(2,3,5);imshow(I3);title([‘KAPUR 阈值：’,num2str(s)]);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%Image thresholding using Tsallis entropy
q=0.5;
for T=1:1:b
sumA=0.0;sumB=0.0;
for i=1:1:T
sumA=sumA+(p(i)/ps(T))^q;
end
for j=T+1:1:b
sumB=sumB+(p(j)/(1-ps(T)))^q;
end
c(T)=sumA;
d(T)=sumB;
end
L=min(find(d0));%剔除d=0的奇点
c=c(1:L-1);
d=d(1:L-1);
g=[c’,d’];
Sqa=(1-c)./(q-1);
Sqb=(1-d)./(q-1);
g=[Sqa’,Sqb’];
ST=Sqa+Sqb+(1-q).Sqa.Sqb;%Tsallis entropy定义式
t=mean(find(ST==max(ST))+a-2);
disp(strcat(‘Tsallis entropy计算灰度阈值：’,num2str(t)));
thresh3=double(t)/255
I3=im2bw(imgray,thresh3);
subplot(2,3,6);imshow(I3);title([‘Tsallis 阈值：’,num2str(t)]);
%**************************************
figure(2) %%%不同q值下的情况
%***********************************

% disp(strcat('apply on star.jpg’));
% I=imread(‘whiteRose.jpg’);
% I=imread(‘ROSE2.jpg’);
% I=imread(‘ndmz.png’);
% I=imread(‘star.jpg’);
% I=imread(‘inftest.jpg’);
% I=imread(‘kejian.jpg’);
I=imread(‘fengz.jpg’);
% I=imread(‘cell.jpg’);
% I=imread(‘xingzuo.jpg’);
imgray=rgb2gray(I);%灰度转化
thresh=graythresh(imgray);%求阈值
I2=im2bw(imgray,thresh);%二值图转化
subplot(2,3,1)
imshow(I);title(‘原图’);
subplot(2,3,2)
imshow(imgray);title(‘灰度图’);
subplot(2,3,3)
imhist(imgray);title(‘灰度直方图’);
subplot(2,3,4)
omega=num2str(uint8(round(thresh255)));
imshow(I2);title([‘OTSU 阈值：’,omega]);
disp(strcat(‘OTSU 计算灰度阈值：’,num2str(uint8(round(thresh255)))));
thresh1=thresh
[m,n]=size(imgray);
N=mn ; %灰度值的总数
%****************************
%KAPUR_entroy最大熵值法求阈值 figure(2)
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
[count,x]=imhist(imgray,256);
A=[x,count];
p=count/N;%求每个灰度值出现的概率
%用’1985-histo’文献里提到的新算法计算阈值
a=min(find(p~=0.0));
P=p(p~=0);%提取不为零的项
p=p(a:256);
b=length§;
ps=cumsum§;%概率1-T求和
PS=cumsum§;
Hs=-cumsum(P.*log§);
HA=log(PS)+Hs./PS;
HB=log(1-PS)+(Hs(end)-Hs)./(1-PS);
L2=length(HA);%剔除1-PS为零的奇点
HA=HA(1:(L2)-1);
HB=HB(1:(L2)-1);
Ts=HA+HB;
s=mean(find(Ts==max(Ts))+a-2);
disp(strcat(‘KAPUR_entroy计算灰度阈值：’,num2str(s)));
thresh2=double(s)/255
I3=im2bw(imgray,double(s)/255);
subplot(2,3,5);imshow(I3);title([‘KAPUR 阈值：’,num2str(s)]);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%Image thresholding using Tsallis entropy ****figure(2)
q=[0.1,0.5,1,1.5,2];
for n=1:1:5
if q(n)~=1%计算q/=1时候的情况Tsallis entropy
for T=1:1:b
sumA=0.0;sumB=0.0;
for i=1:1:T
sumA=sumA+(p(i)/ps(T))^q(n);
end
for j=T+1:1:b
sumB=sumB+(p(j)/(1-ps(T)))^q(n);
end

c(T)=sumA;
d(T)=sumB;

end
L=min(find(d0));%处理d=0的奇点
c=c(1:L-1);
d=d(1:L-1);
f=[c’,d’];
Sqa=(1-c)./(q(n)-1);
Sqb=(1-d)./(q(n)-1);
h=[Sqa’,Sqb’];
ST=Sqa+Sqb+(1-q(n)).*Sqa.*Sqb;
ss=[f,h,ST’];
find(STmax(ST));
t(n)=mean(find(ST==max(ST))+a-2);
else

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]赵勇,方宗德,庞辉,王侃伟.基于量子粒子群优化算法的最小交叉熵多阈值图像分割[J].计算机应用研究. 2008,(04)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合