智能优化算法应用:基于蝗虫算法优化的最大熵图像多阈值分割 - 附代码
摘要:本文介绍基于最大熵的图像分割,并且应用蝗虫算法进行阈值寻优。
1.前言
阅读此文章前,请阅读《图像分割:直方图区域划分及信息统计介绍》https://blog.csdn.net/u011835903/article/details/108024753 了解基础知识,相关公式含义。
2.最大熵阈值分割原理
Kapur等人于1985年提出的最大熵法是另一种广受关注的阈值选取方法 ,其是在Pun等人所做工作的启发下,经过一些修正而得出。该方法以形式简单、意义明确的特点成为关注度最高、使用最多的基于熵的阈值选取方法。最大熵法的阈值选取准则是分割后的目标类和背景类的总熵值最大,即信息量最大。在一维直方图的条件下,对应于阈值 t的目标类和背景类的熵值分别为:
H
0
(
t
)
=
−
∑
i
=
0
t
p
i
w
0
(
t
)
l
n
p
i
w
0
(
t
)
(1)
H_{0}(t)=-\sum_{i=0}^t \frac{p_i}{w_0(t)}ln\frac{p_i}{w_0(t)}\tag{1}
H0(t)=−i=0∑tw0(t)pilnw0(t)pi(1)
H b ( t ) = − ∑ i = t + 1 L − 1 p i w b ( t ) l n p i w b ( t ) (2) H_b(t)=-\sum_{i=t+1}^{L-1}\frac{p_i}{w_b(t)}ln\frac{p_i}{w_b(t)}\tag{2} Hb(t)=−i=t+1∑L−1wb(t)pilnwb(t)pi(2)
最佳阈值选取准则为:
t
∗
=
a
r
g
m
a
x
(
0
≤
t
≤
L
−
1
)
{
H
0
(
t
)
+
H
b
(
t
)
}
(3)
t^*=argmax_{(0\leq t\leq L-1)}\{H_0(t)+H_b(t)\}\tag{3}
t∗=argmax(0≤t≤L−1){H0(t)+Hb(t)}(3)
推广到多阈值则为,寻找一组阈值
(
t
0
,
.
.
.
,
t
n
)
(t_0,...,t_n)
(t0,...,tn)使得熵值最大
t
(
1
,
.
.
,
n
)
∗
=
a
r
g
m
a
x
{
H
0
+
H
1
+
,
.
.
.
+
H
n
}
(4)
t(1,..,n)^*=argmax\{H_0+H_1+,...+H_n\}\tag{4}
t(1,..,n)∗=argmax{H0+H1+,...+Hn}(4)
3.基于蝗虫优化的多阈值分割
由上述最大熵阈值分割法的原理可知,要得到最终的阈值,需要去寻找阈值,熵值最大。于是可以利用智能优化算法进行阈值的寻优,使得获得最佳阈值。
于是优化的适应度函数就是:
f
u
n
{
t
(
1
,
.
.
,
n
)
∗
}
=
a
r
g
m
a
x
{
H
0
+
H
1
+
,
.
.
.
+
H
n
}
(5)
fun\{t(1,..,n)^*\}=argmax\{H_0+H_1+,...+H_n\}\tag{5}
fun{t(1,..,n)∗}=argmax{H0+H1+,...+Hn}(5)
设置阈值分割的个数,寻优边界为0到255(因为图像的像素值范围为0-255),设置相应的蝗虫算法参数
蝗虫算法原理请参考:https://blog.csdn.net/u011835903/article/details/107694862
4.算法结果:
5.参考文献:
[1]吴一全,孟天亮,吴诗婳.图像阈值分割方法研究进展20年(1994—2014)[J].数据采集与处理,2015,30(01):1-23.