基于最大信息熵阈值红外图像分割方法研究

周熠

摘 要：红外图像技术是在飞机检测中使用广泛的图像之一，其最大信息熵阈值分割方法拥有易行、简单、有效的优点，在使用中比较广泛。为了有效分割出实际拍摄的红外目标信号，传统最大信息熵阈值分割方法所求出的最佳阈值和手动切分阈值点存在着一定的偏差。本文提出一种新的预处理方法，使得最大信息熵阈值分割结果在计算最终阈值能更加接近手动分割阈值。

关键词：最大信息熵阈值；图像分割；最佳阈值；手动分割阈值

一、简介

红外图像成像技术是根据物体表面的温度辐射形成的，这也造成了红外图像的一些特性，边缘模糊以及区域层次划分清晰。红外图像是由温度变化引起的，因此它形成的是单一通道的伪彩色图像，颜色的深浅只是表明了物体表面温度的高低。阈值的选取是阈值法分割的关键，如果阈值选取太低，会把背景点错分为目标点，给图像分割的后续工作带来误差；反之，如果阈值选取过大，则会把目标点错分为背景点，从而丢失图像的有用信息。所以，最大信息熵阈值分割方法必须选取一个合适的阈值才能使分割的效果达到最好。

二、最大信息熵

信息熵是用来计量信息不确定程度的最合适标尺。一个事件或一组事件发生的概率大，它的不确定性就小；反之，发生的概率小，则不确定性就大。

假设一幅大小为M×N图像可以分类成为L个灰度级，对于整个图像灰度直方图可以用h（i）（i=0，1，2，3，4，…，L1）来表示。我们可以定义为下列式子：

p（i）=h（i）M×N

式子表示灰度值为i的概率密度的估计。阈值t将图像分类为目标和背景两大类。因为图像的灰度值的变化范围是从01之间，所以我们可以首先假设小于等于t的所有像素灰度点表示为目标背景，而灰度值大于t的所有像素点表示为图片目标。为了更好地进行图像分割，我们首先可以定义一下统计量。

P（t）=∑ti=0p（i）

上式中的t表示为阈值，其含义为像素点被分到背景类的概率。因此我们可以进一步将所有的像素点分成下面的两类。一类是背景类像素点，我们可以用C1表示：p（0）P（t），p（1）P（t），…，p（t）P（t）以及另一类目标类像素点，我们用C2表示：p（t+1）1-P（t），p（t+2）1-P（t），…，p（L-1）1-P（t）。

我们可以定义C1，C2的信息熵为：

综上所述，图像被阈值t分割成为的C1和C2两类的熵值可以分别求出，我们可以得到两类的总熵值。

可以求得t为我们所需的最佳阈值，我们可以将经典最大熵图像分割问题转化成为一个求解最优值的问题。

三、改进方法

前面两节我们讲到利用最大熵阈值分割方法来处理图像问题，但是在实际的分割过程中会与最佳阈值出现一定的偏差。本文试验方法采用的是红外主动的方法，红外主动加热方法是通过外界激励来加热待测物体表面。如果出现积水，裂痕等损伤，那么它们的退热过程中一定存在不均匀的部分。我们通过分割出不均匀部分来判断是否出现损伤。

本文采用过滤全黑和全白像素点方法来进行实验，取点分别为0.10.9，0.20.8，0.30.7。

四、实验部分

根据上述方法，为论证本文观点的有效性。本文在win8系统下，以MATLAB2014a作為仿真软件进行编程实现，硬件环境为i53230，，260GHz，4GB内存，图片分辨率为256×320。

图一为最大熵阈值分割图像结果，没有经过任何的预处理，分割区域太大而且出现了未闭合的小瑕疵区域，因此对于此类算法进行改进是非常有必要的。图二是第一次进行像素点的过滤，但是未能满足我们的最终需求。图三是进一步的改进，从实验的结果上可以看出，有明显的进步，而且中间的凹陷已经明显分离。图四是最终得到的图像，对比于图一来说，不仅去除了凹陷部分，而且对于圆形的损伤已经完全可以分割出现。由此可见，本文的方法论证和改进是非常有必要，而且有效果的。

五、归纳与总结

本文通过对红外灰度图像进行预处理之后所得到的结果不仅可以改善了分割的最终效果，而且在分割过程中，去除了图像的部分不必要的像素点之后，我们可以简化计算，节约了计算时间。此外，对于红外灰度图像的改进方法随着计算机的进步也慢慢在进步，还有更多的改进方法值得我们去寻求。

参考文献：

[1]莫玉龙，张郑擎，彭明生.具有抗噪能力的图像阈值分割法[J].上海大学学报（自然科学版），2001，7（6）.