PSO算法的最大熵阈值图像分割
PSO算法的最大熵阈值图像分割：http://www.docin.com/p-603535257.html具体的二分割程序：
% 最大熵法分割
% http://www.docin.com/p-603535257.html
p1 = log( sum( probR(1:xR) ) );
p2 = log( sum( probR(xR+1:Lmax) ) );
p3 = sum( probR(1:xR).*log(probR(1:xR) + eps) ) ./ sum( probR(1:xR) );
p4 = sum( probR(xR+1:Lmax).*log(probR(xR+1:Lmax) + eps) ) ./ sum( probR(xR+1:Lmax) );
fitness = p1+p2-p3-p4; % 适应度值多分割的话，这篇文章，还是有些坑啊。 p1 = log( sum( p(1:t(1)) ) );
p2 = log( sum( p(t(1)+1:t(2)) ) );
p3 = log( sum( p(t(2)+1:Lmax) ) );
p4 = sum( p(1:t(1)).*log(p(1:t(1)) + eps) ) ./ sum( p(1:t(1)) +eps );
p5 = sum( p(t(1)+1:t(2)).*log(p(t(1)+1:t(2)) + eps) ) ./ sum( p(t(1)+1:t(2)) +eps );
p6 = sum( p(t(2)+1:Lmax).*log(p(t(2)+1:Lmax) + eps) ) ./ sum( p(t(2)+1:Lmax) +eps );
fitness = p1+p2+p3-p4-p5-p6; % 适应度值
也可以参考：https://wenku.baidu.com/view/3fa4312ffd0a79563c1e72f9.html
二维最大熵法：function fitness = fun(im, t)
% 输入：
% I是图像
% t是阈值
% 首先以原始灰度图像(L个灰度级)中各象素及其4邻域的4个象素为一个区域，
% 计算出区域灰度均值图像(L个灰度级)，
% 这样原始图像中的每个象素都对应一个点灰度-区域灰度均值对，
% 这样的数据对存在L×L种可能的取值
h = fspecial('average',);% 2x2均值模板
meanI = imfilter(im, h); % 均值图像
Lmax = 256;
% pi,j为点灰度-区域灰度均值对(i,j)发生的概率
pij = zeros(Lmax,Lmax);
for i=0:Lmax-1
= find(im==i);% 原图像寻找
data=[];
% for j=1:length(x)
% data(j) = double( meanI(x(j),y(j)) );
% end
data = meanI( sub2ind(size(meanI),x, y) );
n_countR = imhist(uint8(data));% 直方图
% pi,j为点灰度-区域灰度均值对(i,j)发生的概率
pij(i+1, :) = n_countR;
end
pij = pij./(Lmax*Lmax);
PA = sum( sum( pij(1:t(1), 1:t(2)) ) );
% PB = sum( sum( pij(t(1)+1:Lmax, t(2)+1:Lmax) ) );
HA = -sum( sum( pij(1:t(1),1:t(2)).*log(pij(1:t(1),1:t(2))+eps) ) );
HL = -sum( sum( pij(1:Lmax,1:Lmax).*log(pij(1:Lmax,1:Lmax)+eps) ) );
fitness = log( PA*(1-PA)+eps ) + HA./(PA+eps) + (HL-HA)./(1-PA+eps);
页:
[1]