【摘要】：而智能优化算法与MT分割问题以目标函数为纽带相互联系，通过智能优化获取目标函数的极值即可获得一组最优阈值。基于上述分析，本章以Kapur熵为目标函数，通过ABC求解最优阈值。在MT图像分割领域，Kapur熵需从二级阈值扩展到多级阈值。对于二级阈值化问题，只有一个阈值t，其公式化表示如公式3.3所示：对于多级阈值化问题，Kapur熵可以被描述为：其中，m维的最优阈值ti可以通过公式3.5获得，该公式即为ABC的优化目标函数。
基于MT分割问题的计算复杂性，MT最优化需借助智能优化算法来实现。而智能优化算法与MT分割问题以目标函数为纽带相互联系，通过智能优化获取目标函数的极值即可获得一组最优阈值。基于上述分析，本章以Kapur熵为目标函数，通过ABC求解最优阈值。在MT图像分割领域，Kapur熵需从二级阈值扩展到多级阈值。基于信息熵的描述，一个离散信源的熵通常通过目标问题的概率分布p=pi来获得，其中pi是潜在状态i下的系统概率。基于图像的灰度直方图，每一个灰度级i的概率即为该灰度级的相对发生频率，假设图像I的每一个灰度级统计个数为h（i），其灰度概率可表示为基于图像I像素点数量的h（i）归一化，如公式3.2所示：
Kapur熵被用来测量类（区域）的紧密性和可分性。对于二级阈值化问题，只有一个阈值t，其公式化表示如公式3.3所示：
对于多级阈值化问题，Kapur熵可以被描述为：(www.xing528.com)
其中，m维的最优阈值ti可以通过公式3.5获得，该公式即为ABC的优化目标函数。本章将借助于MQABC，以公式3.5为目标函数，通过该目标函数的最大化来获取最优阈值。
式中，T为一个一维向量，其成员为MQABC的一个种群所表示的一组阈值。
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。
