【摘要】：在第2章中，总结了在MT分割算法中经常使用的目标函数，为了验证MDGWO方法的效率，在第3章已经使用Kapur熵的基础上，本节还引入了Otsu方法，通过数据比较分析两种方法的优劣。表4.5中列出了分别采用Kapur和Otsu为目标函数的情况下，MDGWO分割的详细数据。因此，在使用MDGWO优化算法的前提下，Kapur的分割结果更好。
在第2章中，总结了在MT分割算法中经常使用的目标函数，为了验证MDGWO方法的效率，在第3章已经使用Kapur熵的基础上，本节还引入了Otsu方法，通过数据比较分析两种方法的优劣。表4.5中列出了分别采用Kapur和Otsu为目标函数的情况下，MDGWO分割的详细数据。
如表4.5所示，从最优阈值的比较来看，基于Kapur的方法在阈值分布方面更加分散，而且覆盖范围更广，这能在一定程度上反映出该类方法能够更好地实现图像分割。但是图像分割质量的好坏不能直接从阈值的分布体现。因此，本章在给出最优阈值的基础上，同时显示了两种方法所获得的分割效果（PSNR）。从数据分析来看，除了Starfish图像，阈值为2和3的Maize图像以及阈值为4时的Surfing图像以外，Kapur方法均优于Otsu方法。
表4.5 不同目标函数的图像分割数据比较
(www.xing528.com)
续表
从整体上来看，相比较于Otsu方法，Kapur方法在PSNR方面平均提高了15.32%。当阈值数量为4时，Butterfly图像获得了最大的提高，比Otsu方法提高了43.35%。因此，在使用MDGWO优化算法的前提下，Kapur的分割结果更好。在后续章节中，将以Kapur为目标函数进行比较分析。
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。
