均值-中值-梯度共生矩阵模型的最大熵分割算法

"这篇论文研究了一种改进的最大熵分割算法，即基于均值—中值—梯度共生矩阵模型的最大熵阈值分割算法。该算法旨在解决基于灰度—梯度共生矩阵模型的传统方法在抗噪声方面的不足。通过引入新的模型，算法能够更有效地抑制高斯噪声、椒盐噪声及其混合噪声，提高图像分割的鲁棒性。同时，还导出了快速递推公式以节省计算时间和存储空间。实验结果证明，新算法在性能上优于传统的灰度—梯度模型分割方法。" 本文是龙建武等人于2010年发表的研究成果，得到了国家自然科学基金和吉林省科技发展计划的资助。研究团队成员包括硕士研究生、教授、博士研究生等，他们的主要研究方向集中在图像处理和模式识别领域。 论文中提出的问题是基于灰度—梯度共生矩阵模型的最大熵阈值分割算法在处理噪声图像时效果不佳。为了解决这个问题，研究者引入了一个新的数学模型——均值—中值—梯度共生矩阵模型。这个模型结合了灰度值、梯度信息以及中值信息，可以更好地描述像素间的相互关系，从而提高噪声环境下的图像分割性能。 最大熵分割算法是一种广泛应用的图像分割技术，它通过寻找使图像信息熵最大的阈值来分割图像。而新提出的均值—中值—梯度共生矩阵模型最大熵阈值分割算法，不仅增强了分割的准确性，还通过快速递推公式优化了计算效率，减少了计算时间和存储需求。 实验部分对比了新算法与传统灰度—梯度模型的分割效果，结果显示新算法在抑制各种噪声干扰方面表现出优越性，特别是在处理高斯噪声、椒盐噪声及其混合噪声的图像时，分割结果更为准确。因此，这一改进对于图像处理领域具有重要的实践意义，特别是在需要处理噪声图像的场合。 关键词涵盖灰度—梯度共生矩阵、均值—中值—梯度共生矩阵、最大熵、阈值和图像分割，这些概念是理解论文核心内容的关键。文章的中图分类号和文献标志码则标识了其在计算机科学和技术领域的专业定位。最后，DOI（数字对象唯一标识符）为后续的引用和检索提供了方便。