雷錫騫，徐 欽，羅 鈿，胥田田

（蘭州工業(yè)學(xué)院，甘肅 蘭州 730050）

0 引 言

閾值分割作為圖像分割算法中原理最簡單，效果最有效的方法之一，利用設(shè)置的閾值識別函數(shù)選取閾值，根據(jù)像素?cái)?shù)據(jù)的相似性將待處理數(shù)據(jù)劃分為背景和目標(biāo)，為后續(xù)圖像信息的分析與計(jì)算奠定基礎(chǔ)[1]。Tsallis熵作為熵閾值分割的一種，在將待分割圖像進(jìn)行分類信息度量時，更全面考慮數(shù)據(jù)間的相互聯(lián)系，具備更高的靈活性與適用性。為達(dá)到更好的分割效果，往往增加閾值分割的維數(shù)，算法復(fù)雜度的提高使得處理時間延長，大量研究者根據(jù)圖像特征等調(diào)整算法分割后取得的效果與實(shí)時性。文獻(xiàn)[2]將圖像復(fù)雜度應(yīng)用于閾值分割中，采用曲線擬合實(shí)現(xiàn)分割算法的實(shí)時性與穩(wěn)定性；文獻(xiàn)[3]在改進(jìn)一維Otsu算法中引入圖像復(fù)雜度，在分割效果基本一致的基礎(chǔ)上，結(jié)合圖像復(fù)雜度減少算法的計(jì)算冗余；文獻(xiàn)[4]提出基于圖像復(fù)雜度的分割算法，改進(jìn)閾值分割算法中存在的閾值選取困難、分割效果不完整等不足，實(shí)驗(yàn)效果較好；文獻(xiàn)[5]提出一種新型廣義熵，通過調(diào)整參數(shù)處理系統(tǒng)中的相關(guān)附加信息，并用粒子群搜索方法改進(jìn)算法參數(shù)的最優(yōu)值，取得了較好的結(jié)果。大量研究人員通過在閾值算法中引入優(yōu)化算法，可在一定程度上提高分割效果和實(shí)時性[6-9]。本文提出基于圖像復(fù)雜度的Tsallis熵閾值分割算法，不僅能夠減少算法計(jì)算冗余度，更能保證算法的分割效果。

1 圖像復(fù)雜度

圖像復(fù)雜度是對圖像進(jìn)行去噪、閾值分割等相關(guān)處理時困難程度的度量，一般可以從整體、區(qū)域和目標(biāo)3個方面進(jìn)行分析[3]。本文從整體角度對圖像進(jìn)行復(fù)雜度描述，便于后續(xù)限制閾值遍歷范圍，提高圖像分割的實(shí)時性。圖像復(fù)雜度基于廣義集合理論，對復(fù)雜度進(jìn)行更為準(zhǔn)確的描述需要從組成論的角度出發(fā)。在圖像信息熵的基礎(chǔ)上引入灰度共生矩陣，分析圖像的紋理特征，調(diào)查并統(tǒng)計(jì)圖像中兩像素灰度在一定距離和一定方向上的相關(guān)程度，包括能量、反差和相關(guān)度的計(jì)算?；叶裙采仃囍?，以Pij表示第i行、第j列元素從灰度值i出發(fā)，距離為(dx,dy)的另一像素點(diǎn)位置上出現(xiàn)灰度值為j的頻度，空間關(guān)系如圖1所示[4]。

圖1 像素空間位置關(guān)系

基于以上空間關(guān)系，以圖像均值μ作為初始分割閾值的圖像復(fù)雜度，Ωk(μ)描述為：

2 二維Tsallis熵閾值分割算法分析

二維Tsallis熵算法遍歷待處理圖像中的每個像素，魯棒性更佳則處理效果更好，但計(jì)算像素熵值時，雙重循環(huán)過程難以滿足應(yīng)用場合中的實(shí)時性要求。

3 改進(jìn)二維Tsallis熵閾值選取算法

由p(i,j)推出某點(diǎn)i值和j值對應(yīng)的一維Tsallis熵可表示為：

結(jié)合圖像復(fù)雜度，改進(jìn)算法流程如圖2所示。

圖2 本文算法流程

本文通過分解二維Tsallis熵算法，降低時間復(fù)雜度，縮短了算法整體遍歷時間。定量評價引入?yún)^(qū)域間對比度GC=|f1-f2|/(f1+f2)，其中，f1與f2代表分割之后兩區(qū)域的灰度均值。根據(jù)分割后圖像的GC值比較圖像分割效果，其值越高，則表示處理效果越好。對測試圖像進(jìn)行處理，分割效果對比如圖3、表1所示。

圖3 cameraman圖像不同算法分割效果

表1 cameraman圖像分割效果

4 結(jié) 語

經(jīng)典一維、二維Tsallis熵在各應(yīng)用領(lǐng)域各有優(yōu)勢，一維Tsallis熵存在實(shí)時性較好但算法分割效果不理想的問題，二維Tsallis熵算法效果較好但復(fù)雜度高，故本文結(jié)合圖像復(fù)雜度縮小遍歷范圍，在保證分割效果的基礎(chǔ)上進(jìn)行分解降維處理，經(jīng)實(shí)驗(yàn)驗(yàn)證，效果較好[10]。