基于分解的二维指数灰度熵图像阈值分割

现有最大Shannon熵或Tsallis熵阈值选取方法仅仅依赖于图像灰度直方图的概率信息,而没有直接考虑类内灰度的均匀性;且用对数定义的Shannon熵还存在无定义值和零值的问题。为此,提出了一维和基于分解的二维指数灰度熵阈值分割方法。首先给出了指数灰度熵的定义及其一维阈值选取方法;然后将其推广得到二维指数灰度熵阈值选取公式,提出了基于分解的二维指数灰度熵阈值分割方法。通过分别求原像素灰度级图像和邻域平均灰度级图像的一维指数灰度熵最佳阈值,并将其组合求解二维指数灰度熵最佳阈值,大大缩小了搜索空间,使计算复杂度由O(L4)降为O(L)。实验结果表明,与基于基本粒子群算法的二维最大Shannon熵法、二维最大Tsallis熵法以及采用递推的二维交叉熵法相比,所提出方法的分割效果具有明显的优势,且运行时间大幅减少。