基于模糊Renyi熵与量子遗传算法的图像分割方法

"这篇论文研究了在单轴运动下的未标定图像序列的度量重构问题，主要关注图像阈值分割方法的改进。作者提出了一种新的基于模糊熵的图像阈值分割方法，以适应数字图像固有的模糊特性。通过模糊Rényi熵的计算，该方法能够更准确地反映图像信息，提高分割质量。" 在图像处理和计算机视觉领域，图像分割是一项核心技术，它对图像理解与模式识别的准确性有着直接的影响。众多分割方法中，基于阈值的方法因其直观性和简易性而被广泛应用。然而，选择合适的阈值是实现有效分割的关键挑战。传统的基于Shannon熵的阈值法虽然简便，但有时可能无法达到最佳效果。 Rényi熵作为Shannon熵的广义形式，在图像分割中展现出优于Shannon熵的性能，因为它能消除目标函数的局部极值并优化分割过程。考虑到数字图像的模糊特性，例如3D物体投射到2D图像时的失真，以及图像内部的边界模糊和非均匀性，模糊集理论成为描述这种不确定性的有力工具。 现有的基于Rényi熵的分割方法忽视了图像的模糊特性，本文提出了一种改进方案。首先，通过模糊隶属度函数将图像的灰度直方图转换到模糊域，定义模糊Rényi熵，以更好地捕捉图像的模糊信息。然后，利用最大熵原理来确定最佳分割阈值。为了优化隶属度函数的参数，避免传统穷举法的高计算成本，论文采用了量子遗传算法（Quantum Genetic Algorithm, QGA）。QGA具有快速收敛、强寻优能力和防止早熟的特性，能有效地搜索最佳阈值，满足实时处理的需求。 该方法通过实验与典型阈值法对比，证明了其在分割质量和实时性上的优越性。赵敏、张路、孙棣华和阳树洪的研究工作展示了模糊Rényi熵与量子遗传算法的结合在图像分割领域的创新应用，为未来图像处理和计算机视觉的研究提供了新的思路和技术支持。