【算法应用】基于麻雀搜索算法求解Renyi熵图像多阈值分割问题
目录
- 1.算法原理
- 2.多阈值图像分割
- 3.多阈值二维Renyi熵图像分割
- 4.结果展示
- 5.参考文献
- 6.代码获取
1.算法原理
【智能算法】麻雀搜索算法（SSA）原理及实现
2.多阈值图像分割
多阈值图像分割（Multi-threshold image segmentation, MIS）是一种通过应用多个阈值将图像分割为多个区域的技术，与传统的二值图像分割方法相比，MIS能够更精确地划分区域，有效提取和分离图像中的多个目标或感兴趣区域。这种方法在区域细分、目标分离、适应复杂背景和特征保持方面具有显著优势。
3.多阈值二维Renyi熵图像分割
二维Renyi熵是一种用于描述二维随机变量联合分布的不确定性或信息量的指标。当分布的不确定性和复杂性增加时，二维Renyi熵值会增大；当分布更加确定且简单时，二维Renyi熵值则减小。在图像分割领域，二维Renyi熵被用于量化纹理特征，有助于更好地理解图像的纹理属性。二维Renyi熵计算公式：
R
α
{
(
t
1
,
s
1
)
,
(
t
1
,
s
1
)
,
.
.
.
,
(
t
L
−
1
,
s
L
−
1
)
}
=
1
1
−
α
l
n
∑
p
=
0
t
∑
q
=
0
s
(
P
p
q
P
N
k
(
t
k
,
s
k
)
)
α
P
N
k
(
t
k
,
s
k
)
=
{
∑
p
=
0
t
1
∑
q
=
0
s
1
P
p
q
,
k
=
1
∑
p
=
0
t
k
∑
q
=
0
s
k
P
p
q
−
P
N
k
−
1
,
1
<
k
⩽
L
−
1
\begin{aligned} & R^\alpha\{(t_1,s_1),(t_1,s_1),...,(t_{L-1},s_{L-1})\}=\frac{1}{1-\alpha}\mathrm{ln}\sum_{p=0}^t\sum_{q=0}^s(\frac{P_{pq}}{P_{N_k}(t_k,s_k)})^\alpha \\ & P_{N_k}(t_k,s_k)= \begin{cases} \quad\sum_{p=0}^{t_1}\sum_{q=0}^{s_1}P_{pq},k=1 \\ \quad\sum_{p=0}^{t_k}\sum_{q=0}^{s_k}P_{pq}-P_{N_{k-1}},1<k\leqslant L-1 & & \end{cases} \end{aligned}
Rα{(t1,s1),(t1,s1),...,(tL−1,sL−1)}=1−α1lnp=0∑tq=0∑s(PNk(tk,sk)Ppq)αPNk(tk,sk)={∑p=0t1∑q=0s1Ppq,k=1∑p=0tk∑q=0skPpq−PNk−1,1<k⩽L−1
4.结果展示
5.参考文献
[1] Shi J, Chen Y, Wang C, et al. Multi-threshold image segmentation using new strategies enhanced whale optimization for lupus nephritis pathological images[J]. Displays, 2024, 84: 102799.