[人工智能]山东大学暑期实训第四次记载（第二周第一次）

? ? ? 7月5号-6号，根据分配好的任务分工，我进行着查找验证有关图像处理以及骨干分割代码的工作。暂时筛选出5种图像分割的方法：

一.Entropy Method图像分割方法

计算前景和背景的信息熵，求最大熵。含义是经过阈值分割后图像的平均信息量越大愈好。

所使用的代码：

import cv2
import numpy as np
import matplotlib.pyplot as plt
import math
import os

def Entropy(gray):
    p = []  # 灰度概率

    H_last = 0  # 上一个H总熵
    best_k = 0  # 最佳阈值
    hist = cv2.calcHist([gray], [0], None, [256], [0, 256])  # 255*1的灰度直方图的数组
    for i in range(256):
        p.insert(i, hist[i][0] / gray.size)
    for k in range(256):
        H_b = 0  # black的熵，前景的平均信息量
        H_w = 0  # white的熵，背景的平均信息量
        for i in range(k):
            if p[i] != 0:
                H_b = H_b - p[i] * math.log(2, p[i])

        for i in range(k, 256):
            if p[i] != 0:
                H_w = H_w - p[i] * math.log(2, p[i])

        H = H_b + H_w
        if H > H_last:
            H_last = H
            best_k = k

    return H, best_k

def operateImages_path(file_pathname):
    #遍历处理该目录下的所有图片
    for filename in os.listdir(file_pathname):
        print(filename)
        img = cv2.imread(r""+file_pathname+"/"+filename)  # 读取图像（BGR）
        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转灰度图像
        H, best_k = Entropy(gray)
        ret, thresh1 = cv2.threshold(gray, best_k, 255, cv2.THRESH_BINARY)
        plt.imsave("D:/AllPycharmProjects/ImageRes/EM"+"/"+filename, thresh1, cmap="gray")  # 保存图片

if __name__ == "__main__":
    operateImages_path("./ImageOps")

图像结果：

二.FCM

处理结果：

三.K-means方法

处理结果：

四.熵算法

处理结果：

五.直方图法

处理结果：

总结：已有的这几个算法对图像的处理效果与我们的预期有些差距，还需要继续改进！