搜索资源列表
image quality assessment
- 可用于计算二维图像的均方误差、峰值信噪比以及信息熵
二维直方图熵阈值法
- 计算图像的二维直方图，通过信息熵算法确立阈值，以此为依据对图像进行分割。
algorithm
- 阈值法是图像分割的一种重要方法, 在图像处理与识别中广为应用. 提出了一种基于灰度2梯度共生矩阵 模型和最大熵原理的自动阈值化方法. 该方法不仅利用了图像的灰度信息, 而且也利用了梯度信息, 通过计算基 于灰度2梯度共生矩阵的二维熵, 并使边缘区域的熵最大来选择阈值向量. 仿真结果显示, 该算法比其他二维熵方 法效果更佳.-Th resho lding is an impo rtant fo rm of image segmentat ion and is used in image
The-maximum-entropy-method-
- 算法通过将二维直方图分为四部分：背哥、目标．受噪声干扰的背景和受噪声干扰的目标，以选取这四部分的信息熵的和最大作为闽值的选取准则。访方法有三个优点：尽可能包括背罱部分和目标部分；可以有效地提高对噪声敷据的鲁棒性；不过度地引入噪声和边缘信息。实验结果表明，谊方法具有较好的图像分割效果。-Through two-dimensional histogram algorithm will be divided into four parts: back elder brother, target. By
WignerVille2014
- 本文将小波图像分解和信息熵特征提取相结合，提出一种新的掌纹特征提取算法。该算法首先对掌纹灰度图像进行二维小波分解，再利用多分辨信息熵分别计算不同尺度下的能谱熵作为特征向量，从而实现掌纹特征提取。该算法不但避免了图像增强和纹理细化等预处理过程，而且运用多分辨信息熵的自适应计算方法来调节分解级数，使得到的特征向量长度远小于传统算法。-In this paper, wavelet image decomposition and information entropy feature extractio
Marx20110509
- 本文将小波图像分解和信息熵特征提取相结合，提出一种新的掌纹特征提取算法。该算法首先对掌纹灰度图像进行二维小波分解，再利用多分辨信息熵分别计算不同尺度下的能谱熵作为特征向量，从而实现掌纹特征提取。该算法不但避免了图像增强和纹理细化等预处理过程，而且运用多分辨信息熵的自适应计算方法来调节分解级数，使得到的特征向量长度远小于传统算法。-In this paper, wavelet image decomposition and information entropy feature extractio
Shang_grayworld
- 灰度世界法中改进的方法，结合信息熵的性质及其意义，在一维熵的基础上引入能够反映灰度分布空间特征的特征量来组成图像的二维熵,达到校正图像的目的.-Gray world method improved method, combined with the nature and significance of the information entropy is introduced to reflect the spatial intensity distribution characteristic
image-fusion
- 二维快速小波变换分解与重构；融合规则是区域能量加权；融合图像评价，包括清晰度、信息熵等-2-D fast wavelet decomposition and reconstruction Area Energy weighted fusion Image fusion uation, including definition, information entropy, etc
twoD_max_seg_pro
- 基于二维信息熵的图像分割，自己写的，经典版的，带注释的，还有理论公式的说明，欢迎加企鹅号，30二8四51六7，一起讨论该算法。-Based on two-dimensional information entropy image segmentation, wrote it myself, classic version, annotated, and theoretical explanation of the formula, please add number of penguins, s
两个matlab实现最大熵法图像分割程序
- 本文提供了两种方法计算二维最大图像信息熵(This paper provides two methods for computing two-dimensional maximum image information entropy)