【摘要】：由于不同图像直方图的多样性，大多数图像用传统方法分割起来比较困难。图3.3和图3.4展示了图3.1中的原始图像分别经过2～5个阈值分割以后的结果。从效果来看，采用阈值为4和5获得了较为精细的图像分割结果。在图3.3和图3.4中除了给出MQABC图像分割结果以外，如文献［125］，同样在图像各自直方图中醒目地标出了算法所采用阈值的位置。与其他MT分割方法相比，很难从视觉上发现分割效果的差异。
基于篇幅和表述的方便性，本书选择了文献中常用的八张图片作为测试对象，如图3.1所示。Kapur熵以图像的直方图为基础的，因而在给出测试用图片的同时，本书也给出了图像所对应直方图。从图3.1可以看出，各个图片具有一个唯一的灰度直方图且其形状各异（如图3.1（m）所示直方图最为特殊），这保证了算法的普遍性和通用性。
由于不同图像直方图的多样性，大多数图像用传统方法分割起来比较困难。图3.3和图3.4展示了图3.1中的原始图像分别经过2～5个阈值分割以后的结果。从效果来看，采用阈值为4和5获得了较为精细的图像分割结果。如果图像是尺寸更大或者需要将图像分割成更多区域的情况下，完全可以通过增加阈值数量来完成。在图3.3和图3.4中除了给出MQABC图像分割结果以外，如文献［125］，同样在图像各自直方图中醒目地标出了算法所采用阈值的位置。与其他MT分割方法相比，很难从视觉上发现分割效果的差异。仅从视觉效果上区分图像分割效果的优劣，不仅不够准确，而且其效果优劣评价也会因人而异。因此，关于分割效果和性能的更为全面和详细的评价，本书将以定量数据表的形式在后面几节中给出定量分析。
图3.3 基于不同阈值的（a）-（d）图像分割结果及阈值位置
(www.xing528.com)
图3.3 （续） 基于不同阈值的（a）-（d）图像分割结果及阈值位置
图3.4 基于不同阈值的（e）-（h）图像分割结果及阈值位置
图3.4 （续） 基于不同阈值的（e）-（h）图像分割结果及阈值位置
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
