周 娇，王 力，2*，陈小青

(1.贵州大学 大数据与信息工程学院 信息与通信工程系，贵阳 550025；2.贵州工程应用技术学院 信息工程学院，毕节 551700)

引 言

图像分割是图像处理中一项基本技术，是图像简化、目标区突出和降低分析难度的一种重要手段，为图像识别与分类的前提。所谓图像分割是依据一定的准则，将图像中人们感兴趣区域的内容提取出，其分割精确度影响后续结果。因此图像分割仍是一个研究前沿与热点，对此国内外学者对其进行大量的研究，许多有效的方法也陆续被提出，主要分为：基于色彩类型、基于不同分割依据和基于所用理论差异等。其中基于不同分割依据主要包括：边缘检测法、阈值法和区域生长法等[1-2]。阈值法是图像分割最常用的处理方法，其操作简单、效率高和稳定性能好，本文中讨论的2维最大熵分割算法是阈值法中的一种。20世纪80年代，学者们开始将信息论中熵的概念用于选取阈值，熵代表平均信息量，熵越大，表明包含的信息量多[3]。其中,1维最大熵图像分割法缺点在于：该方法仅考虑灰度信息，而图像分割过程中易受噪声的影响，导致较差的分割效果。所以学者们将1维推广至2维，将点灰度-区域灰度同时考虑，具有较好的分割效果和抗噪性能。传统最大熵法通过将全部灰度级遍历以获取最优阈值，该方式计算难度大、耗时长和速度慢，从而难以实现实时性分割要求[4-5]。

针对最大熵中的阈值选择问题，一些学者结合粒子群优化算法、遗传算法的优化特性，采用这些方法图像分割效果在一定程度上有所提高，但陷入局部最优，早熟收敛等弊端未能克服，同时图像分割精度有待提高[6-7]。……