PSO算法的最大熵阈值图像分割

Halcom

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：

1.     % 最大熵法分割
   
2.     % http://www.docin.com/p-603535257.html
   
3.     p1 = log( sum( probR(1:xR) ) );
   
4.     p2 = log( sum( probR(xR+1:Lmax) ) );
   
5.     p3 = sum( probR(1:xR).*log(probR(1:xR) + eps) ) ./ sum( probR(1:xR) );
   
6.     p4 = sum( probR(xR+1:Lmax).*log(probR(xR+1:Lmax) + eps) ) ./ sum( probR(xR+1:Lmax) );
   
7.    
   
8.     fitness = p1+p2-p3-p4;                 % 适应度值

复制代码

多分割的话，这篇文章，还是有些坑啊。

1.     p1 = log( sum( p(1:t(1)) ) );
   
2.     p2 = log( sum( p(t(1)+1:t(2)) ) );
   
3.     p3 = log( sum( p(t(2)+1:Lmax) ) );
   
4.     p4 = sum( p(1:t(1)).*log(p(1:t(1)) + eps) ) ./ sum( p(1:t(1)) +eps );
   
5.     p5 = sum( p(t(1)+1:t(2)).*log(p(t(1)+1:t(2)) + eps) ) ./ sum( p(t(1)+1:t(2)) +eps );
   
6.     p6 = sum( p(t(2)+1:Lmax).*log(p(t(2)+1:Lmax) + eps) ) ./ sum( p(t(2)+1:Lmax) +eps );
   
7.     fitness = p1+p2+p3-p4-p5-p6;                 % 适应度值

复制代码

也可以参考：https://wenku.baidu.com/view/3fa4312ffd0a79563c1e72f9.html

二维最大熵法：

1. function fitness = fun(im, t)
   
2. % 输入：
   
3. % I是图像
   
4. % t是阈值
   
5. 
   
6. % 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，
   
7. % 计算出区域灰度均值图像(L个灰度级)，
   
8. % 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，
   
9. % 这样的数据对存在L×L种可能的取值
   
10. 
    
11. h = fspecial('average',[2,2]);  % 2x2均值模板
    
12. meanI = imfilter(im, h);        % 均值图像
    
13. Lmax = 256;
    
14. % pi,j为点灰度-区域灰度均值对(i,j)发生的概率
    
15. pij = zeros(Lmax,Lmax);
    
16. for i=0:Lmax-1
    
17.     [x,y] = find(im==i);  % 原图像寻找
    
18.     data=[];
    
19. %     for j=1:length(x)
    
20. %         data(j) = double( meanI(x(j),y(j)) );
    
21. %     end
    
22.     data = meanI( sub2ind(size(meanI),x, y) );
    
23.     n_countR = imhist(uint8(data));  % 直方图
    
24.     % pi,j为点灰度-区域灰度均值对(i,j)发生的概率
    
25.     pij(i+1, :) = n_countR;
    
26. end
    
27. pij = pij./(Lmax*Lmax);
    
28. 
    
29. PA = sum( sum( pij(1:t(1), 1:t(2)) ) );
    
30. % PB = sum( sum( pij(t(1)+1:Lmax, t(2)+1:Lmax) ) );
    
31. HA = -sum( sum( pij(1:t(1),1:t(2)).*log(pij(1:t(1),1:t(2))+eps) ) );
    
32. HL = -sum( sum( pij(1:Lmax,1:Lmax).*log(pij(1:Lmax,1:Lmax)+eps) ) );
    
33. fitness = log( PA*(1-PA)+eps ) + HA./(PA+eps) + (HL-HA)./(1-PA+eps);
    

复制代码