基于信息熵方法的多阈值图像分割算法

图像分割，简单地说就是将一幅数字图像分割成不同的区域，在同一区域内具有在一定的准则下可认为是相同的性质，如灰度，颜色，纹理等，而任何相邻区域之间其性质具有明显的区别。 基于信息熵的一类方法被广泛应用到图像分割领域，比如最大熵，最大交叉熵，最小交叉熵等。本文研究了基于Tsallis熵的多阈值图像分割算法，通过利用图像的灰度直方图信息，近似拟合灰度的概率分布函数，然后设定目标函数，目标函数最大化对应的阈值就是最佳阈值，相比传统算法，Tsallis熵的阈值分割方法，能够克服一定的噪声干扰，同时避免了单阈值的问题，能够分割多个感兴趣区域。 本文最后在matlab环境中进行真实图像的分割实验，结果表明，这种方法能够较好的克服图像细节分割不准的问题，同时能够针对多个灰度级别进行分割，大大提高分割的准确率。

clc;
clear;
%C=imread（‘lena.bmp‘）;
%C=imread（‘stone.jpg‘）;
C=imread（‘1.bmp‘）;
if isrgb（C）
    I=rgb2gray（C）;
else
    I=C;
end
%I=imnoise（I‘gaussian‘00.005）;
%figure
subplot（131）
imshow（I）
tic
IDX = otsu（I2）;
subplot（132）;
imagesc（IDX） axis image off 
colormap（gray）
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%确定基本粒子群算法的迭代次数和粒子个数
Iter = 50;
global  popsize
popsize = 20;  %%粒子个数
global dimsize
dimsize=2;  %%粒子维数
%初始化基本粒子群优化算法的参数
Wmax = 0.9;             %最大惯性因子
Wmin = 0.1;             %最小惯性因子
c1 = 2.0;               %个体学习因子
c2 = 2.0;               %群体学习因子
xmax = 254;             %粒子允许的最小位置
xmin = 2; 
speedmax=10;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%初始化
        for k1=1:popsize
           for i=1:popsize
              %Xpop（i1:dimsize）= unifrnd（xminxmax1dimsize）;
                 %pop（i1:dimsize）=[ unifrnd（xmin85） unifrnd（85170）unifrnd（170255）];   %%三阈值
                  Xpop（i1:dimsize）=unifrnd（22541dimsize）;   %%两阈值
           end
           for j=1:popsize
               Xpop（jdimsize+1:2*dimsize）= unifrnd（-speedmaxspeedmax1dimsize）;
           end
           pop（k11:2*dimsize ）= Xpop（k11:2*dimsize）;
        end
        
        BestFit = 0;
        pBestFit=zeros（popsize1）; %%%%%%%%
        %初始化粒子历史最优位置pBest和全局最优位置gBest
        pBest = zeros（popsizedimsize）;
        gBest = zeros（1dimsize）;
        
        %迭代更新
        for it = 1:Iter
            for t=1:popsize
                %计算适应度pFit并更新历史最优适应度pBestFit和全局最佳适应度gBestFit
                Theta = pop（t1:dimsize）;

                %当前粒子的适应度pFit
                pFit = ThetaFit（ThetaI）;

                %更新个体历史最优适应度pBestFit
                if pFit > pBestFit（t）
                    pBestFit（t） = pFit;
                    pBest（t1:dimsize） = pop（t1:dimsize）;
                end
        end
        %更新当前时刻全局最优位置gBest、前一时刻全局最优适应度PregBest
        %和全局最佳适应度gBestFit
        [gBestFitind] = max（pBestFit）;   %%pBestFit（j:）表示第j个子群的适应度值，ind（j）表示位置
        gBest（1:dimsize） = pBest（ind1:dimsize）;  
        %位置向量和速度向量更新
        for j=1:popsize
                for t = dimsize+1:2*dimsize
                    %惯性权重更新并产生随机数r1、r2
                    W = Wmax - it*（Wmax - Wmin）/Iter;
                    r1 = rand;
                    r2 = rand;

                    %速度向量Vpos更新
                    pop（jt） = W*pop（jt） + c1*r1*（pBest（jt-dimsize） - pop（jt-dimsize）） + ...
                            c2*r2*（gBest（t-dimsize） - pop（jt-dimsize））;
                    %限制更新后粒子速度在[VminVmax]范围内
                    if pop（jt） > speedmax
                        pop（jt） = speedmax;
                    end
                   if pop（jt） < -speedmax
                        pop（jt） = -speedmax;
                   end

                    %粒子位置更新
                    pop（jt-dimsize） = pop（jt-dimsize） + pop（jt）;
   

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-10-10 15:39  源码\
     文件       56910  2016-04-27 00:29  源码\1.bmp
     文件       66614  2016-04-27 00:08  源码\lena.bmp
     文件        3936  2016-04-27 00:41  源码\main.m
     文件        1888  2016-04-27 12:31  源码\main_Tsallis_2D.m
     文件       76885  2012-10-30 15:53  源码\stone.jpg
     文件      889611  2016-04-27 12:34  源码\毕业论文 （修复的）.docx
     目录           0  2018-10-10 15:39  演示\
     文件     5437006  2016-04-13 13:32  演示\9780.avi
     文件          64  2018-10-10 16:34  说明.txt
     目录           0  2018-10-10 15:38  需求\
     文件       13002  2016-04-04 21:27  需求\新建 Microsoft Word 文档.docx