·528. 智能系统学报 第5卷 由图1(b)和图2(b)可知,灰度熵单阈值选取 方图的灰度熵阈值选取方法缩短了运行时间;与基 方法的分割结果(图1(c)、图2(c))明显优于最大 于粒子群的最大Shannon嫡多阈值选取方法相比, Shannon熵单阈值选取方法(图1(g)、图2(g)).由 基于递推混沌小生境粒子群的灰度熵多阈值选取方 于最大Shannon熵阈值选取方法仅仅依赖于图像灰 法可以更为迅速地找到最佳阈值,在运行速度上有 度直方图的概率信息,是在单一的直方图上寻找最 一定的优势. 佳阈值,而没有直接考虑类内灰度的均匀性;而灰度 为了进一步验证灰度熵阈值选取方法的有效 熵直接反映了类内灰度的均匀性,也同时考虑了概 性,再以2幅大小为512×512的实际医学图像 率信息,使得灰度熵阈值选取方法分割的图像更为 (“大脑”CT图像、“肝脏”MR图像)的双阈值分割 准确.图1()和图2(f)是经量化图像直方图的灰度 来说明,分割结果分别如图3和图4所示,相应的阈 熵单阈值选取方法分割的图像,由表1可见,其阈值 值及运行时间列于表2.与基于粒子群的最大Shan- 与灰度嫡单阈值选取方法得到的阈值略有差别,但 non熵阈值选取方法(图3(d)和图4(d))相比,本 仅从主观视觉效果分析,与灰度嫡单阈值选取方法 文方法所得的分割图像中.大脑细节特征更为清晰 得到的分割图像相似.图1(d)、图2(d)和图1(h)、 (图3(©)):肝脏更为完整,且周围的皮肤也一同被 图2()分别为基于递推混沌小生境粒子群的灰度 分割出来(图4(c)) 熵以及基于粒子群的最大Shannon嫡双阈值选取方 表2医学图像分割的双阑值及运行时间的比较 法的分割结果,可以看出本文方法的分割结果更为 Table 2 The comparison of two thresholds and processing 准确.图1(e)、图2(e)和图1(i)、图2(i)分别展示 time of image segmentation 了基于递推混沌小生境粒子群的灰度熵以及基于粒 大脑 肝脏 子群的最大Shannon嫡三阈值选取方法的分割结 阈值 时间/s 阙值 时间/s 果.从主观视觉效果上来看,本文方法分割后的图像 灰度嫡 在细节、纹理等方面优势明显,比如Hous图像中墙 (10,33) 0.406 (5,85)0.422 双阙值 砖之间的层次、Peppers图像中辣椒轮廓等. 然后再来比较上述阈值选取方法的运行时间 最大 Shannon(25,111)0.410 (67,195)0.443 由表1可知,灰度熵单阈值选取方法的运行时间和 熵双阙值 最大Shannon熵单阈值选取方法相近;量化图像直 3010 25 20 15 50100150200250 {a)原始图像 (b)直方图 (c)灰度幢双值 (d)最大Shannon痴双谢值 图3大脑图像及其分割结果 Fig.3 Brain image and segmentation results ×10 15 10 o 50100150200250 (a)惊始图像 (b)直方图 (c)灰度熵双网值 (d)最人Shannon熵双阙值 图4肝脏图像及其分割结果 Fig.4 Liver image and segmentation results