
作者:范九伦
页数:224
出版社:科学出版社
出版日期:2019
ISBN:9787030630391
电子书格式:pdf/epub/txt
内容简介
图像阈值化是图像分割中的重要技术,本书结合作者的研究成果,从数学机理上,依据模式识别和信息论,讲述了四大类阈值分割方法。类是基于模式识别的判别分析,这包括了经典的Otsu法(优选类间方差法、很小内类方差法)和很小交叉熵法,给出了等价描述、迭代算法以及在二维和三维直方图上的表述。第二类是基于信息论的信息熵,依据广延熵和非广延熵,分别叙述了基于Shannon熵、Renyi熵、Tsallis熵、Arimito熵以及其它广义熵的阈值选取准则。第三类是基于图像直方图的”模型匹配”,在直方图与假设模型之间匹配程度优选的要求下,采用信息论的相对熵,讨论相关的阈值分割准则。第四类是基于灰度共生矩阵,描述相关的阈值选取过程。
本书特色
图像阈值化是图像分割中的重要技术,《灰度图像阈值分割法》结合作者的研究成果,从数学机理和算法角度,基于灰度直方图统计信息,较为系统地阐述了灰度图像阈值分割的几个主要方法,包括Otsu法(也称为第一类间方差法或最小类内方差法)、最小交叉熵法、第一熵法、最小误差法以及基于灰度共生矩阵的阈值法和其他方法。
目录
目录 前言 第1章 绪论 1 1.1 图像分割 1 1.2 灰度图像模型 7 1.3 灰度图像分割质量评价准则 9 1.3.1 主观评价准则 10 1.3.2 客观评价准则 12 1.3.3 测试用灰度图像 14 参考文献 17 第2章 判别分析阈值法Ⅰ——基于平方距离 21 2.1 第一类间方差法 21 2.1.1 一维第一类间方差法 21 2.1.2 一维第一类间方差法的改进 31 2.1.3 二维第一类间方差法 40 2.1.4 曲线阈值型二维第一类间方差法 45 2.1.5 三维第一类间方差法 50 2.2 二维灰度直方图的投影阈值法 55 2.2.1 第一投影阈值法 56 2.2.2 二维直方图的Fisher分割法 59 2.2.3 二次曲线判别方法 62 2.3 聚类分析法 64 参考文献 66 第3章 判别分析阈值法Ⅱ——基于信息距离 70 3.1 最小交叉熵法 70 3.1.1 一维最小交叉熵法 70 3.1.2 二维最小交叉熵法 77 3.1.3 直线阈值型二维最小交叉熵法 80 3.1.4 最小散度法 86 3.2 最小卡方统计法 87 3.2.1 最小卡方统计法Ⅰ 883.2.2 最小卡方统计法Ⅱ 92 3.2.3 最小卡方统计法Ⅲ 95 3.3 最小Tsallis交叉熵法 95 3.4 最小Renyi交叉熵法 97 3.5 最小倒数交叉熵法 99 3.6 最小指数交叉熵法 100 3.7 最小itakura-Saito散度法 101 参考文献 103 第4章 信息熵阈值法 106 4.1 第一后验信息阈值法 107 4.1.1 第一后验熵阈值法 107 4.1.2 约束条件下的第一后验熵阈值法 112 4.1.3 第一阈值化图像信息阈值法 113 4.2 第一广延熵阈值法 120 4.2.1 一维第一广延熵阈值法 120 4.2.2 二维第一广延熵阈值法 125 4.3 第一非广延熵阈值法 130 4.3.1 一维第一Tsallis熵阈值法 130 4.3.2 一维第一Arimoto熵阈值法 133 4.3.3 一维第一Kaniadakis熵阈值法 134 4.3.4 一维第一Masi熵阈值法 137 4.4 第一空间图像熵阈值法 138 参考文献 141 第5章 模型匹配阈值法 147 5.1 正态分布假设下的最小误差阈值法 147 5.1.1 一维最小误差阈值法 147 5.1.2 二维最小误差阈值法 155 5.1.3 二维直线阈值型最小误差阈值法 162 5.2 泊松分布假设下的最小误差阈值法 169 5.2.1 泊松分布假设下的一维最小误差阈值法 169 5.2.2 等价描述 170 5.3 瑞利分布假设下的最小误差阈值法 173 5.3.1 瑞利分布假设下的一维最小误差阈值法 173 5.3.2 等价描述 175 参考文献 179 第6章 共生矩阵阈值法 181 6.1 对称共生矩阵阈值法 181 6.1.1 对称共生矩阵 181 6.1.2 基于繁忙度的阈值法 182 6.1.3 基于均值的阈值法 188 6.2 非对称共生矩阵阈值法 195 6.2.1 非对称共生矩阵 195 6.2.2 第一熵阈值法 197 6.3 均匀概率阈值法 199 6.3.1 基于相对熵的阈值法 199 6.3.2 最小平方距离的阈值法 202 6.4 最小空间熵阈值法 204 参考文献 206 第7章 其他阈值法 209 7.1 P-分位数法 209 7.2 一致误差阈值法 210 7.3 矩量保持阈值法 212 参考文献 213















