一维最大熵阈值分割

最大熵阈值分割原理中,熵和最大处取得最佳阈值,请问为什么??
熵代表了最不确定性的情况,众所周知,一般来说分类问题越靠近两类的边界,则分布的不确定性就越大,熵的值也就越大。
图像分割:http://blog.csdn.net/yleio/article/details/7184758 其中介绍了包括一位最大熵阈值分割在内的几种图像分割方法
http://www.cnblogs.com/skyseraph/archive/2010/12/21/1913058.html 几种方法的实现
几种图像分割阈值选取方法的比较与研究  http://read.pudn.com/downloads62/sourcecode/others/214566/%E6%9C%80%E5%A4%A7%E7%86%B5%E5%8E%9F%E7%90%86/%E5%87%A0%E7%A7%8D%E5%9B%BE%E5%83%8F%E5%88%86%E5%89%B2%E9%98%88%E5%80%BC%E9%80%89%E5%8F%96%E6%96%B9%E6%B3%95%E7%9A%84%E6%AF%94%E8%BE%83%E4%B8%8E%E7%A0%94%E7%A9%B6.PDF

一维最大熵阈值分割法(Maximum Entropy Thresholding,MET)是一种图像分割方法,其理论基础是信息熵。信息熵是度量一个随机变量不确定性的指标,其定义为: $$H(X) = -\sum_{i=1}^np_i\log p_i$$ 其中,$X$ 是一个随机变量,$p_i$ 是 $X$ 取值为 $i$ 的概率。当信息熵达到最大值时,表示随机变量的不确定性最大。 在图像分割中,我们要将图像分成两个部分,即前景和背景。我们可以将图像像素的灰度值作为随机变量 $X$,其取值为 $0$ 到 $255$。我们希望通过选择一个阈值 $T$ 来将图像分成两部分,即灰度值小于 $T$ 的部分为背景,灰度值大于等于 $T$ 的部分为前景。因此,我们需要找到一个阈值 $T$,使得分割后的前景和背景的信息熵之和最大。 一维最大熵阈值分割法的具体步骤如下: 1. 统计图像灰度直方图,得到每个灰度值的像素数量。 2. 计算每个灰度值的概率 $p_i$。 3. 对于每个可能的阈值 $T$,计算分割后的前景和背景的信息熵 $H_1(T)$ 和 $H_2(T)$。 4. 计算信息熵之和 $H(T) = H_1(T) + H_2(T)$。 5. 选择使得 $H(T)$ 最大的阈值作为最终的分割阈值。 其中,分割后的前景和背景的信息熵可以通过以下公式计算: $$H_1(T) = -\sum_{i=0}^{T}p_i\log p_i$$ $$H_2(T) = -\sum_{i=T+1}^{255}p_i\log p_i$$ 一维最大熵阈值分割法是一种简单有效的图像分割方法,其基于信息熵的理论基础可以保证分割结果的最优性。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值