OpenCV4入门教程073：最大熵阈值分割

索引地址：系列索引

熵（shang），用于表示一个系统的混乱程度。黑洞会捕获一切物质，但是他依然会以辐射的方式损失质量最终完全消失，也就是说熵是不断增加的。现在普遍认为熵增是必然的结果并且不可逆。

图片中熵最大或者极大的地方是哪？当然是不同对象的交界处。

// 功能：代码 3-26 最大熵阈值分割
// 作者：朱伟 zhu1988wei@163.com
// 来源：《OpenCV图像处理编程实例》
// 博客：http://blog.csdn.net/zhuwei1988
// 更新：2016-8-1
// 说明：版权所有，引用或摘录请联系作者，并按照上面格式注明出处，谢谢。//
#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
using namespace std;
using namespace cv;
// 计算当前的位置的能量熵
float caculateCurrentEntropy(cv::Mat hist, int threshold) {
    float        BackgroundSum = 0, targetSum = 0;
    const float *pDataHist = (float *)hist.ptr<float>(0);
    for (int i = 0; i < 256; i++) {
        // 累计背景值
        if (i < threshold) {
            BackgroundSum += pDataHist[ i ];
        } else // 累计目标值
        {
            targetSum += pDataHist[ i ];
        }
    }
    // std::cout << BackgroundSum << " "<< targetSum << std::endl;
    float BackgroundEntropy = 0, targetEntropy = 0;
    for (int i = 0; i < 256; i++) {
        // 计算背景熵
        if (i < threshold) {
            if (pDataHist[ i ] == 0)
                continue;
            float ratio1 = pDataHist[ i ] / BackgroundSum;
            // 计算当前能量熵
            BackgroundEntropy += -ratio1 * logf(ratio1);
        } else // 计算目标熵
        {
            if (pDataHist[ i ] == 0)
                continue;
            float ratio2 = pDataHist[ i ] / targetSum;
            targetEntropy += -ratio2 * logf(ratio2);
        }
    }
    return (targetEntropy + BackgroundEntropy);
}
// 寻找最大熵阈值并分割
cv::Mat maxEntropySegMentation(cv::Mat inputImage) {
    // 初始化直方图参数
    const int    channels[ 1 ] = {0};
    const int    histSize[ 1 ] = {256};
    float        pranges[ 2 ]  = {0, 256};
    const float *ranges[ 1 ]   = {pranges};
    cv::MatND    hist;
    // 计算直方图
    cv::calcHist(&inputImage, 1, channels, cv::Mat(), hist, 1, histSize, ranges);
    float   maxentropy = 0;
    int     max_index  = 0;
    cv::Mat result;
    // 遍历得到最大熵阈值分割的最佳阈值
    for (int i = 0; i < 256; i++) {
        float cur_entropy = caculateCurrentEntropy(hist, i);
        // 计算当前最大值的位置
        if (cur_entropy > maxentropy) {
            maxentropy = cur_entropy;
            max_index  = i;
        }
    }
    //  二值化分割
    threshold(inputImage, result, max_index, 255, cv::THRESH_BINARY);
    return result;
}
int main() {
    cv::Mat srcImage = cv::imread("circles.jpg");
    if (!srcImage.data)
        return 0;
    cv::Mat grayImage;
    cv::cvtColor(srcImage, grayImage, cv::COLOR_BGR2GRAY);
    // 最大熵阈值分割实现
    cv::Mat result = maxEntropySegMentation(grayImage);
    cv::imshow("grayImage", grayImage);
    cv::imshow("result", result);
    cv::waitKey(0);
    return 0;
}

效果