【摘要】：为了适应这个表述，Hf 称之为局部熵。假定目标在位置0 处，背景是均匀的，H9 标示3 ×3 的邻域局部熵。如果去除3 ×3 的邻域中心点，则新的局部图就有相邻点构成。新的局部熵定义为:假定没有目标在均匀的背景中，H9 与H8 近似相等，也就是说，Hz 近似等于零。表5.1空间位置分布标识表5.2空间分布灰度值Hf 是关于pij2 的线性组合。它的加权系数为1。
红外目标检测算法已得到长足发展，但是当遭遇到背景急剧变化时，对于目标的检测就会存在一定问题。假定大小M × N 的图像F = ［f(x，y)］M×N ，其中f(x，y)表示空间坐标(x，y)所对应的灰度值。f(x，y)∈GL = {0，1，···，L － 1 }，其中GL 表示灰度等级。那么熵定义如下表示:
其中Hf 表示图像熵，pij 表示灰度概率。假定M × N 表示图像局部窗的大小，那么Hf 就表示为图像的局部熵。
当采用局部熵检测红外目标，熵的计算近似如下形式:
进一步简化表达式为:
在相对均质化的灰度等级空间，Hf 会成为一个很小值;在大的离散区域，Hf 会成为一个很大值。尽管Hf 反映图像灰度的散差，它与熵描述意义的初始特性恰好相反。为了适应这个表述，Hf 称之为局部熵。
假定目标在位置0 处，背景是均匀的，H9 标示3 ×3 的邻域局部熵。如果去除3 ×3 的邻域中心点，则新的局部图就有相邻点构成。新的局部熵定义为:(www.xing528.com)
假定没有目标在均匀的背景中，H9 与H8 近似相等，也就是说，Hz 近似等于零。但是如果目标位于中心点，由于目标的出现，3 × 3 邻域的离散程度就会增加。将它从中心点剔除，离散程度就会降低。参见表5.1 和5.2 所示。
表5.1 空间位置分布标识
表5.2 空间分布灰度值
Hf 是关于pij2 的线性组合。它的加权系数为1。重新修正该加权系数，对应中心点，它的加权系数为α，则Hf 表达式变为［106］:
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
