交叉熵约束的红外图像最小错误阈值分割

刘松林; 牛照东; 陈曾平

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

交叉熵约束的红外图像最小错误阈值分割

刘松林, 牛照东, 陈曾平

文章导航 > 红外与激光工程 > 2014 > 43(3): 979-984

刘松林, 牛照东, 陈曾平. 交叉熵约束的红外图像最小错误阈值分割[J]. 红外与激光工程, 2014, 43(3): 979-984.

引用本文:

刘松林, 牛照东, 陈曾平. 交叉熵约束的红外图像最小错误阈值分割[J]. 红外与激光工程, 2014, 43(3): 979-984.

Liu Songlin, Niu Zhaodong, Chen Zengping. Minimum error thresholding for infrared image under constraint of cross entropy[J]. Infrared and Laser Engineering, 2014, 43(3): 979-984.

Citation:

Liu Songlin, Niu Zhaodong, Chen Zengping. Minimum error thresholding for infrared image under constraint of cross entropy[J]. Infrared and Laser Engineering, 2014, 43(3): 979-984.

交叉熵约束的红外图像最小错误阈值分割

1.
国防科学技术大学自动目标识别重点实验室,湖南长沙410073

基金项目:

国防科技大学博士生跨学科联合培养计划（kxk130405）

详细信息

作者简介:
刘松林（1986-），男，博士生，主要从事红外目标建模与自动识别等方面的研究。Email：xdnudt@163.com；陈曾平（1967-），男，教授，博士生导师，博士，主要从事雷达信号处理、自动目标识别等研究。

刘松林（1986-），男，博士生，主要从事红外目标建模与自动识别等方面的研究。Email：xdnudt@163.com；陈曾平（1967-），男，教授，博士生导师，博士，主要从事雷达信号处理、自动目标识别等研究。

中图分类号: TP391.4

Minimum error thresholding for infrared image under constraint of cross entropy

1.
ATR Lab,National University of Defense Technology,Changsha 410073,China

摘要: 针对目标和背景具有相似统计分布的红外图像，经典阈值分割方法仅以某种形式的方差或熵作为准则，未考虑图像的实际特性，分割效果不甚理想。为此，提出了一种基于交叉熵约束的红外图像最小错误阈值分割新方法。首先，引入交叉熵来度量目标和背景统计分布的相似性，交叉熵越小表明分布越相似；然后在交叉熵小于一定值的条件下使分类错误达到最小。交叉熵的约束保证了分割过程适应红外图像实际特性，分类错误最小确保了分割效果的有效性。该方法原理清晰、参数设置简单，在一系列实际图像上的实验结果表明，与现有几种经典阈值分割方法相比，文中方法有效提高了目标和背景具有相似统计分布的红外图像的阈值分割准确率。
- 红外图像 /
- 阈值分割 /
- 交叉熵 /
- 分类错误
Abstract: Focusing on the infrared images which have similar statistical distributions between object and background, conventional thresholding methods only take variance or entropy by someway as criterions for thresholding selection and they don't consider actual characteristics of infrared images, so the segmentation results are unsatisfactory. In order to solve this problem, a novel method of cross entropy constrained minimum error thresholding of infrared image was proposed. Firstly, cross entropy was called to measure the similarity between object and background's statistical distributions. The smaller the cross entropy was, the more similar the distributions were. After that, classification error was minimized when the cross entropy was below a certain value. Constraint of cross entropy guaranteed the segmentation process fits actual characteristics of images. Meanwhile, minimum of classification error ensured the effectiveness of segmentation results. The principles of proposed method are clear and the parameter setting is simple. Experimental results on real images show that compared with several classic thresholding methods, the proposed method can improve thresholding segmentation accuracy of infrared image with similar statistical distributions between object and background effectively.
- infrared image /
- thresholding /
- cross entropy /
- classification error

[1]
[2]	Li Zuoyong, Liu Chuancai, Cheng Yong, et al. Statistical thresholding method for infrared images [J]. Computer Science, 2010, 37(1): 282-286. (in Chinese) 李佐勇, 刘传才, 程勇, 等. 红外图像统计阈值分割方法[J]. 计算机科学, 2010. 37(1): 282-286.
[3]	Wang Xinyue, Gao Xuhui. Image segmentation method of self-adopting threshold [J]. Infrared and Laser Engineering, 2006, 35(S): 167-171. (in Chinese) 王歆玥, 高旭辉. 一种自适应阈值分割方法[J]. 红外与激光工程, 2006, 35(增刊): 167-171.
[4]
[5]	Sahoo P K, Soltani S, Wong A K C. A survey of thresholding techniques [J]. Computer Vision, Graphics and Image Processing, 1988, 41(2): 233-260.
[6]
[7]
[8]	Otsu N. A threshold selection method from gray-level histogram [J]. IEEE Transactions on System Man and Cybernetics, 1978, SMC-8: 62-66.
[9]
[10]	Hou Z, Hu Q, Nowinski W L. On minimum variance thresholding [J]. Pattern Recognition Letters, 2006, 27 (14): 1732-1743.
[11]
[12]	Kittler J, Illingworth J. Minimum error thresholding [J]. Pattern Recognition, 1986, 19(1): 41-47.
[13]
[14]	Kapur J N, Sahoo P K, Wong A K C. A new method for gray-level picture thresholding using the entropy of the histogram [J]. Computer Vision Graphics and Image Processing, 1985, 29(3): 273-285.
[15]	Li C H, Lee C K. Minimum cross entropy thresholding [J]. Pattern Recognition, 1993, 26(4): 617-625.
[16]
[17]	Cao Jiannong. Image segmentation of maximum cross entropy based on histogram reconstruction [J]. Journal of Computer Applications, 2011, 31(12): 3373-3377. (in Chinese) 曹建农. 基于直方图重构的极大交叉熵图像分割方法[J]. 计算机应用, 2011, 31(12): 3373-3377.
[18]
[19]	Cheng Shuhong, Hu Chunhai. Video object segmentation algorithm based on minimum Tsallis cross-entropy[J]. Infrared and Laser Engineering, 2011, 40(3): 559-563. (in Chinese) 程淑红, 胡春海. 利用最小Tsallis 交叉熵的视频对象分割算法[J]. 红外与激光工程, 2011, 40(3): 559-563.
[20]
[21]	Li Zuoyong, Liu Chuancai, Liu Guanghai, et al. Statistical thresholding method for infrared images[J]. Pattern Analysis and Applications, 2011, 14: 109-126.
[22]
[23]	Hu Q, Hou Z, Nowinski W L. Supervised range-constrained thresholding [J]. IEEE Transactions on Image Processing, 2006, 15(1): 228-240.

[1]	庞忠祥, 刘勰, 刘桂华, 龚泿军, 周晗, 罗洪伟. 并行多特征提取网络的红外图像增强方法 . 红外与激光工程, 2022, 51(8): 20210957-1-20210957-9. doi: 10.3788/IRLA20210957
[2]	廖莎莎. 基于筛选深度特征的红外图像目标识别方法 . 红外与激光工程, 2022, 51(5): 20210372-1-20210372-6. doi: 10.3788/IRLA20210372
[3]	杨棉绒, 牛丽平. 基于LGBM的Zernike特征选取及红外图像目标识别方法 . 红外与激光工程, 2022, 51(4): 20210309-1-20210309-6. doi: 10.3788/IRLA20210309
[4]	廖辉传, 赵海霞. 基于分类器决策融合的红外图像目标识别方法 . 红外与激光工程, 2022, 51(8): 20210725-1-20210725-6. doi: 10.3788/IRLA20210725
[5]	王鹏翔, 张兆基, 杨怀. 结合多特征融合和极限学习机的红外图像目标分类方法 . 红外与激光工程, 2022, 51(6): 20210597-1-20210597-6. doi: 10.3788/IRLA20210597
[6]	沈英, 黄春红, 黄峰, 李杰, 朱梦娇, 王舒. 红外与可见光图像融合技术的研究进展 . 红外与激光工程, 2021, 50(9): 20200467-1-20200467-18. doi: 10.3788/IRLA20200467
[7]	史国军. 深度特征联合表征的红外图像目标识别方法 . 红外与激光工程, 2021, 50(3): 20200399-1-20200399-6. doi: 10.3788/IRLA20200399
[8]	李娜, 邓家先, 崔亚妮, 陈褒丹. 基于暗通道先验的红外图像清晰化及FPGA实现 . 红外与激光工程, 2021, 50(3): 20200252-1-20200252-10. doi: 10.3788/IRLA20200252
[9]	赵璐, 熊森. 多视角红外图像目标识别方法 . 红外与激光工程, 2021, 50(11): 20210206-1-20210206-6. doi: 10.3788/IRLA20210206
[10]	田光宝, 王见, 王博文. 单目相机非合作目标提取及位姿检测 . 红外与激光工程, 2021, 50(12): 20210166-1-20210166-9. doi: 10.3788/IRLA20210166
[11]	杨雅志, 李骏. 单演信号在红外图像目标分类中的应用研究 . 红外与激光工程, 2021, 50(12): 20210165-1-20210165-7. doi: 10.3788/IRLA20210165
[12]	朱晓婷, 刘雁翔, 郭锐, 刘荣忠, 武军安. 末敏弹线阵红外图像的Harris角点检测优化算法 . 红外与激光工程, 2019, 48(S2): 149-155. doi: 10.3788/IRLA201948.S226004
[13]	李方舟, 赵耀宏, 向伟, 刘海峥. 基于改进非局部均值的红外图像混合噪声去除方法 . 红外与激光工程, 2019, 48(S1): 163-173. doi: 10.3788/IRLA201948.S128001
[14]	范雪霜, 孙强, 吕深圳, 杨建柏, 王健. 人体甲状腺动态红外图像多重分形分析 . 红外与激光工程, 2019, 48(4): 426002-0426002(10). doi: 10.3788/IRLA201948.0426002
[15]	张迪飞, 张金锁, 姚克明, 成明伟, 吴永国. 基于SVM分类的红外舰船目标识别 . 红外与激光工程, 2016, 45(1): 104004-0104004(6). doi: 10.3788/IRLA201645.0104004
[16]	张宝辉, 闵超波, 窦亮, 张俊举, 常本康. 目标增强的红外与微光图像融合算法 . 红外与激光工程, 2014, 43(7): 2349-2353.
[17]	张士杰, 李俊山, 杨亚威, 张姣, 李海龙, 郭毅. 湍流退化红外图像校正算法 . 红外与激光工程, 2014, 43(11): 3670-3675.
[18]	孙韶媛, 李琳娜, 赵海涛. 采用KPCA和BP神经网络的单目车载红外图像深度估计 . 红外与激光工程, 2013, 42(9): 2348-2352.
[19]	王慧丽, 齐异, 刘焕英. 舰船尾流红外图像边界检测方法 . 红外与激光工程, 2013, 42(2): 524-527.
[20]	卢瑞涛, 黄新生, 徐婉莹. 基于Contourlet变换和Facet模型的红外小目标检测方法 . 红外与激光工程, 2013, 42(8): 2281-2287.

点击查看大图

计量

文章访问数: 432
HTML全文浏览量: 95
PDF下载量: 138
被引次数: 0

交叉熵约束的红外图像最小错误阈值分割

1. 国防科学技术大学自动目标识别重点实验室,湖南长沙410073

作者简介:
刘松林（1986-），男，博士生，主要从事红外目标建模与自动识别等方面的研究。Email：xdnudt@163.com；陈曾平（1967-），男，教授，博士生导师，博士，主要从事雷达信号处理、自动目标识别等研究。

刘松林（1986-），男，博士生，主要从事红外目标建模与自动识别等方面的研究。Email：xdnudt@163.com；陈曾平（1967-），男，教授，博士生导师，博士，主要从事雷达信号处理、自动目标识别等研究。

收稿日期: 2013-07-08
修回日期: 2013-08-12
刊出日期: 2014-03-25

基金项目:

国防科技大学博士生跨学科联合培养计划（kxk130405）

中图分类号: TP391.4

关键词:

摘要: 针对目标和背景具有相似统计分布的红外图像，经典阈值分割方法仅以某种形式的方差或熵作为准则，未考虑图像的实际特性，分割效果不甚理想。为此，提出了一种基于交叉熵约束的红外图像最小错误阈值分割新方法。首先，引入交叉熵来度量目标和背景统计分布的相似性，交叉熵越小表明分布越相似；然后在交叉熵小于一定值的条件下使分类错误达到最小。交叉熵的约束保证了分割过程适应红外图像实际特性，分类错误最小确保了分割效果的有效性。该方法原理清晰、参数设置简单，在一系列实际图像上的实验结果表明，与现有几种经典阈值分割方法相比，文中方法有效提高了目标和背景具有相似统计分布的红外图像的阈值分割准确率。

English Abstract

Minimum error thresholding for infrared image under constraint of cross entropy

1. ATR Lab,National University of Defense Technology,Changsha 410073,China

Received Date: 2013-07-08
Rev Recd Date: 2013-08-12
Publish Date: 2014-03-25

Keywords:

Abstract: Focusing on the infrared images which have similar statistical distributions between object and background, conventional thresholding methods only take variance or entropy by someway as criterions for thresholding selection and they don't consider actual characteristics of infrared images, so the segmentation results are unsatisfactory. In order to solve this problem, a novel method of cross entropy constrained minimum error thresholding of infrared image was proposed. Firstly, cross entropy was called to measure the similarity between object and background's statistical distributions. The smaller the cross entropy was, the more similar the distributions were. After that, classification error was minimized when the cross entropy was below a certain value. Constraint of cross entropy guaranteed the segmentation process fits actual characteristics of images. Meanwhile, minimum of classification error ensured the effectiveness of segmentation results. The principles of proposed method are clear and the parameter setting is simple. Experimental results on real images show that compared with several classic thresholding methods, the proposed method can improve thresholding segmentation accuracy of infrared image with similar statistical distributions between object and background effectively.