搜索

文章查询

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

二维直方图θ划分最大Shannon熵图像阈值分割

吴一全 张金矿

二维直方图θ划分最大Shannon熵图像阈值分割

吴一全, 张金矿
PDF
导出引用
导出核心图
  • 鉴于常用二维直方图区域直分法存在错分,最近提出的斜分法不具普遍性,提出了适用面更广的基于二维直方图θ划分和最大Shannon熵的图像阈值分割算法.首先给出了二维直方图θ划分方法,采用四条平行斜线及一条其法线与灰度级轴成θ角的直线划分二维直方图区域,按灰度级和邻域平均灰度级的加权和进行阈值分割,斜分法可视为该方法中θ=45°的特例;然后导出了二维直方图θ-划分最大Shannon熵阈值选取公式及其快速递推算法;最后给出了θ取不同值时的分割结果及运行时间,θ取较小值时,边界形状准确性较高,θ取较大值时,抗噪性较强,应用时可根据实际图像特点及需求合理选取θ的值.与常规二维直方图直分最大Shannon熵法相比,本文提出的方法所得分割结果更为准确,抵抗噪声更为稳健,且所需运行时间及存储空间也大为减小.
    • 基金项目: 国家自然科学基金(批准号:60872065)资助的课题.
    [1]

    Liang Y M, Zhai H C, Chang S J, Zhang S Y 2003 Acta Phys. Sin. 52 2655(in Chinese)[梁艳梅、翟宏琛、常胜江、张思远 2003 物理学报 52 2655]

    [2]

    Tang Y G, Di Q Y, Zhao L X, Guan X P 2009 Acta Phys. Sin. 58 9(in Chinese)[唐英干、邸秋艳、赵立兴、关新平 2009 物理学报 58 9]

    [3]

    Guo H T, Tian T, Wang L Y, Zhang C T 2006 Acta Optica Sinica 26 506(in Chinese)[郭海涛、田 坦、王连玉、张春田 2006 光学学报 26 506 ]

    [4]

    Wu Y Q, Zhu Z D 1993 Journal of Data Acquisition and Processing 8 193(in Chinese)[吴一全、朱兆达1993 数据采集与处理 8 193]

    [5]

    Wu Y Q, Zhu Z D 1993 Journal of Data Acquisition and Processing 8 268(in Chinese)[吴一全、朱兆达 1993 数据采集与处理 8 268]

    [6]

    Sezgin M, Sankur B 2004 Electronic Imaging 13 146

    [7]

    Bardera A, Boada I, Feixas M, Sbert M 2009 Journal of Signal Processing Systems 54 205

    [8]

    Kapur J N, Sahoo P K, Wong A K C 1985 Computer Vision, Graphics and Image Processing 29 273

    [9]

    Xing X S 2004 Acta Phys. Sin. 53 2852(in Chinese)[邢修三 2004 物理学报 53 2852 ]

    [10]

    Abutaleb A S 1989 Pattern Recognition 47 22

    [11]

    Brink A D 1992 Pattern Recognition 25 803

    [12]

    Chen W T, Wen C H, Yang C W 1994 Pattern Recognition 27 885

    [13]

    Gong J, Li L Y, Chen W N 1996 Journal of Southeast University 26 31(in Chinese)[龚 坚、李立源、陈维南1996 东南大学学报 26 31]

    [14]

    Zhang Y J, Wu X J, Xia L Z. 1997 Pattern Recognition and Artificial Intelligence 10 259(in Chinese)[张毅军、吴雪菁、夏良正1997 模式识别与人工智能 10 259]

    [15]

    Yan X Q, Ye L Q, Liu J L, Gu W K 1998 Pattern Recognition and Artificial Intelligence 11 352(in Chinese)[严学强、叶秀清、刘济林、顾伟康 1998 模式识别与人工智能 11 352]

    [16]

    Du F, Shi W K. 2005 Pattern Recognition Letters 26 597

    [17]

    Cao Z H, Li Y J, Zhang K 2007 Scope on Acta Photonica Sinica 36 2377

    [18]

    Du F, Shi W K, Deng Y, Zhu Z F 2005 J. Infrared Millim. Waves 24 370 (in Chinese) [杜 峰、施文康、邓 勇、朱振幅 2005 红外与毫米波学报 24 370]

    [19]

    Wu Y Q, Pan Z, Wu W Y 2009 Pattern Recognition and Artificial Intelligence 22 162(in Chinese)[吴一全、潘喆、吴文怡 2009 模式识别与人工智能 22 162]

  • [1]

    Liang Y M, Zhai H C, Chang S J, Zhang S Y 2003 Acta Phys. Sin. 52 2655(in Chinese)[梁艳梅、翟宏琛、常胜江、张思远 2003 物理学报 52 2655]

    [2]

    Tang Y G, Di Q Y, Zhao L X, Guan X P 2009 Acta Phys. Sin. 58 9(in Chinese)[唐英干、邸秋艳、赵立兴、关新平 2009 物理学报 58 9]

    [3]

    Guo H T, Tian T, Wang L Y, Zhang C T 2006 Acta Optica Sinica 26 506(in Chinese)[郭海涛、田 坦、王连玉、张春田 2006 光学学报 26 506 ]

    [4]

    Wu Y Q, Zhu Z D 1993 Journal of Data Acquisition and Processing 8 193(in Chinese)[吴一全、朱兆达1993 数据采集与处理 8 193]

    [5]

    Wu Y Q, Zhu Z D 1993 Journal of Data Acquisition and Processing 8 268(in Chinese)[吴一全、朱兆达 1993 数据采集与处理 8 268]

    [6]

    Sezgin M, Sankur B 2004 Electronic Imaging 13 146

    [7]

    Bardera A, Boada I, Feixas M, Sbert M 2009 Journal of Signal Processing Systems 54 205

    [8]

    Kapur J N, Sahoo P K, Wong A K C 1985 Computer Vision, Graphics and Image Processing 29 273

    [9]

    Xing X S 2004 Acta Phys. Sin. 53 2852(in Chinese)[邢修三 2004 物理学报 53 2852 ]

    [10]

    Abutaleb A S 1989 Pattern Recognition 47 22

    [11]

    Brink A D 1992 Pattern Recognition 25 803

    [12]

    Chen W T, Wen C H, Yang C W 1994 Pattern Recognition 27 885

    [13]

    Gong J, Li L Y, Chen W N 1996 Journal of Southeast University 26 31(in Chinese)[龚 坚、李立源、陈维南1996 东南大学学报 26 31]

    [14]

    Zhang Y J, Wu X J, Xia L Z. 1997 Pattern Recognition and Artificial Intelligence 10 259(in Chinese)[张毅军、吴雪菁、夏良正1997 模式识别与人工智能 10 259]

    [15]

    Yan X Q, Ye L Q, Liu J L, Gu W K 1998 Pattern Recognition and Artificial Intelligence 11 352(in Chinese)[严学强、叶秀清、刘济林、顾伟康 1998 模式识别与人工智能 11 352]

    [16]

    Du F, Shi W K. 2005 Pattern Recognition Letters 26 597

    [17]

    Cao Z H, Li Y J, Zhang K 2007 Scope on Acta Photonica Sinica 36 2377

    [18]

    Du F, Shi W K, Deng Y, Zhu Z F 2005 J. Infrared Millim. Waves 24 370 (in Chinese) [杜 峰、施文康、邓 勇、朱振幅 2005 红外与毫米波学报 24 370]

    [19]

    Wu Y Q, Pan Z, Wu W Y 2009 Pattern Recognition and Artificial Intelligence 22 162(in Chinese)[吴一全、潘喆、吴文怡 2009 模式识别与人工智能 22 162]

  • 引用本文:
    Citation:
计量
  • 文章访问数:  4563
  • PDF下载量:  1085
  • 被引次数: 0
出版历程
  • 收稿日期:  2009-08-12
  • 修回日期:  2009-11-27
  • 刊出日期:  2010-08-15

二维直方图θ划分最大Shannon熵图像阈值分割

  • 1. 南京航空航天大学信息科学与技术学院,南京 210016
    基金项目: 

    国家自然科学基金(批准号:60872065)资助的课题.

摘要: 鉴于常用二维直方图区域直分法存在错分,最近提出的斜分法不具普遍性,提出了适用面更广的基于二维直方图θ划分和最大Shannon熵的图像阈值分割算法.首先给出了二维直方图θ划分方法,采用四条平行斜线及一条其法线与灰度级轴成θ角的直线划分二维直方图区域,按灰度级和邻域平均灰度级的加权和进行阈值分割,斜分法可视为该方法中θ=45°的特例;然后导出了二维直方图θ-划分最大Shannon熵阈值选取公式及其快速递推算法;最后给出了θ取不同值时的分割结果及运行时间,θ取较小值时,边界形状准确性较高,θ取较大值时,抗噪性较强,应用时可根据实际图像特点及需求合理选取θ的值.与常规二维直方图直分最大Shannon熵法相比,本文提出的方法所得分割结果更为准确,抵抗噪声更为稳健,且所需运行时间及存储空间也大为减小.

English Abstract

参考文献 (19)

目录

    /

    返回文章
    返回