最大熵阈值分割法

不善言辞，就不写关于信息熵的概念了，直接写方法：
说白了，算法的核心思想是最大化下列公式:

其中H0(q)和H1(q)定义如下：

p(i)是指灰度值为 i 的像素点在整个图片中所占的比重，p0(q)是指小于阈值的像素点在整个图片中所占的比重，p1(q)是指大于阈值的像素点在整个图片中所占的比重，然后我们要最大化上述公式，下面是该算法的python代码:

import numpy as np
from PIL import Image
import cv2
def loadImage():
    im=Image.open("lena.png")
    im=im.convert('L')
    print(np.size(im))
    data=im.getdata()
    data=np.array(data)
    data=np.reshape(data,(512,512))
    return data
def max_entropy(image):
    def calcu_entropy(hist,threshold):
        sum_pixels=image.shape[0]*image.shape[1]
        temp_hist=hist/sum_pixels;
        sum1=0.
        sum2=0.
        for i in range(256):
            if i<threshold:
                sum1+=temp_hist[i]
            else:
                sum2+=temp_hist[i]
        entropy1=0.
        entropy2=0.
        if (sum1==0)|(sum2==0):
            return 0
        for i in range(256):
            if i<=threshold:
                if temp_hist[i]!=0:
                    entropy1-=(temp_hist[i]/sum1)*np.log2(temp_hist[i]/sum1)
            else:
                if temp_hist[i]!=0:
                    entropy2-=(temp_hist[i]/sum2)*np.log2(temp_hist[i]/sum2)
        entropy=entropy1+entropy2
        return entropy
    def max_Entropy(image):
        max_ent=0.
        max_index=0
        hist=cv2.calcHist(image,[0],None,[256],[0,255])#计算灰度直方图  返回一维数组
        for i in range(256):
            entropy=calcu_entropy(hist,i)
            if entropy>max_ent:
                max_ent=entropy
                max_index=i
        ret,th=cv2.threshold(image,max_index,255,cv2.THRESH_BINARY)
        print(th)
        return th
    img=max_Entropy(image)
    return img
image=cv2.imread("lena.png")
image=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)#图像灰度化
image=max_entropy(image)
cv2.imshow("image",image)
cv2.waitKey(0)