空间邻域信息提升的图像阈值分割方法研究

本篇论文主要探讨的是"音视频-编解码-融入空间邻域信息的图像阈值分割方法研究"，这是一个结合深度学习、机器学习和人工智能的领域，特别关注于提升图像处理中的分割精度。图像分割是计算机视觉中的关键任务，通过将图像划分为多个区域，每个区域具有相对一致的特征。传统的阈值分割方法依赖于单一的灰度信息，往往不能提供理想的效果。 论文首先针对传统二维直方图在边缘检测方面的不足，提出了一种新的灰度-局部方差直方图。这种直方图不仅考虑了像素的灰度值，还加入了局部方差，以捕捉像素邻域内的灰度变化，从而增强了对边缘信息的敏感度。基于此，论文设计了一种二维最大熵阈值分割方法，通过这种方式，分割效果得到了显著改进。 进一步地，论文融合了图像像素邻域的局部熵信息和灰度值，构建了灰度-局部熵直方图。这种方法强调了图像灰度分布的离散程度，并且引入了Tsallis熵这一非广延性熵的概念，相较于Shannon熵，Tsallis熵在统计特性上具有优势。作者提出了基于灰度-局部熵直方图的Tsallis熵阈值分割方法，这种方法在实际应用中展现了更好的图像分割准确性，尤其是在处理复杂场景和边缘细节时，其性能更为优越。 这篇硕士论文创新性地将空间邻域信息与图像阈值分割相结合，通过引入新的直方图和熵概念，优化了图像分割过程，提高了分割结果的精确性和鲁棒性，对于音视频编码中的图像处理具有重要的理论和实践价值。