2004-Image thresholding using Tsallis entropy-平芜编程栈

注：博主并非旨在对针对文章中提及论文的实验设计、数据及结果进行逐一还原，而是针对其核心方法论或关键创新点，通过自行设计的实验流程进行验证与探索。若是完整的论文复现，会进行提前说明。

1 论文简介

《Image thresholding using Tsallis entropy》是由 M. Portes de Albuquerque、 I.A. Esquef、 A.R. Gesualdi Mello 和 M. Portes de Albuquerque 于 2004 年发表在期刊《Pattern Recognition Letters》上的一篇论文。该论文针对图像分割中的自动阈值选择这一经典问题，首次将源于非广延统计力学的Tsallis 熵概念应用于图像阈值分割。传统的基于Shannon 熵（即 Boltzmann-Gibbs-Shannon 统计）的阈值方法（如 Kapur 方法）本质上是可加的，适用于像素间相互作用短程、记忆短的系统。然而，许多图像（如具有长程相关性、纹理结构或噪声的影像）包含非加性的信息内容。为此，论文借鉴 Tsallis 熵，通过引入一个实数参数qqq来表征系统的非广延性程度，并基于此构建了一个新的阈值目标函数。

2 算法原理

假设一幅数字图像具有kkk个灰度级，其归一化直方图可视为一个概率分布pi=p1,p2,…,pkp_i = p_1, p_2, \ldots, p_kpi=p1,p2,…,pk，其中0≤pi≤10 \leq p_i \leq 10≤pi≤1且∑i=1kpi=1\sum_{i=1}^k p_i = 1∑i=1kpi=1。

步骤一：定义前景与背景的概率分布

选择一个灰度级ttt作为候选阈值。图像被分为两类：前景（或目标，Class A，灰度级111到ttt），背景（Class B，灰度级t+1t+1t+1到kkk），这两个类别的概率分布分别为：
pA:p1PA,p2PA,…,ptPA p_A: \frac{p_1}{P^A}, \frac{p_2}{P^A}, \ldots, \frac{p_t}{P^A}pA:PAp1,PAp2,…,PApt
pB:pt+1PB,pt+2PB,…,pkPB p_B: \frac{p_{t+1}}{P^B}, \frac{p_{t+2}}{P^B}, \ldots, \frac{p_k}{P^B}pB:PBpt+1,PBpt+2,…,PBpk
其中，PA=∑i=1tpiP^A = \sum_{i=1}^{t} p_iPA=∑i=1tpi，PB=∑i=t+1kpiP^B = \sum_{i=t+1}^{k} p_iPB=∑i=t+1kpi，分别是前景和背景的累积概率。

步骤二：计算前景与背景的 Tsallis 熵

根据 Tsallis 熵的定义：
Sq=1−∑i=1k(pi)qq−1 S_q = \frac{1 - \sum_{i=1}^k (p_i)^q}{q - 1}Sq=q−11−∑i=1k(pi)q
分别计算前景和背景分布的熵值：
SqA(t)=1−∑i=1t(piPA)qq−1 S_q^A(t) = \frac{1 - \sum_{i=1}^{t} \left( \frac{p_i}{P^A} \right)^q}{q - 1}SqA(t)=q−11−∑i=1t(PApi)q
SqB(t)=1−∑i=t+1k(piPB)qq−1 S_q^B(t) = \frac{1 - \sum_{i=t+1}^{k} \left( \frac{p_i}{P^B} \right)^q}{q - 1}SqB(t)=q−11−∑i=t+1k(PBpi)q
这里，qqq是非广延性参数，是一个实数。当q→1q \to 1q→1时， Tsallis 熵收敛为 Shannon 熵。

步骤三：构建基于伪可加性规则的总目标函数

对于统计独立的系统 A 和 B， Tsallis 熵遵循伪可加性规则：
Sq(A+B)=Sq(A)+Sq(B)+(1−q)⋅Sq(A)⋅Sq(B) S_q(A + B) = S_q(A) + S_q(B) + (1-q) \cdot S_q(A) \cdot S_q(B)Sq(A+B)=Sq(A)+Sq(B)+(1−q)⋅Sq(A)⋅Sq(B)
因此，以阈值ttt分割后，图像的总 Tsallis 熵Sq(t)S_q(t)Sq(t)定义为：
Sq(t)=SqA(t)+SqB(t)+(1−q)⋅SqA(t)⋅SqB(t) S_q(t) = S_q^A(t) + S_q^B(t) + (1-q) \cdot S_q^A(t) \cdot S_q^B(t)Sq(t)=SqA(t)+SqB(t)+(1−q)⋅SqA(t)⋅SqB(t)

步骤四：优化阈值

最优阈值toptt_{opt}topt是使上述总 Tsallis 熵Sq(t)S_q(t)Sq(t)最大化的那个灰度级ttt：
topt=arg⁡max⁡t[SqA(t)+SqB(t)+(1−q)⋅SqA(t)⋅SqB(t)] t_{opt} = \arg\max_t \left[ S_q^A(t) + S_q^B(t) + (1-q) \cdot S_q^A(t) \cdot S_q^B(t) \right]topt=argtmax[SqA(t)+SqB(t)+(1−q)⋅SqA(t)⋅SqB(t)]
算法遍历所有可能的灰度级ttt，计算对应的Sq(t)S_q(t)Sq(t)，并找到其最大值对应的ttt，即为最终分割阈值。参数qqq的值需要根据图像特性（如噪声类型、像素间相关性）进行调整，以获得最佳分割效果。