《表1 四种阈值分割方法的阈值对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于类间方差验证的Tsallis熵阈值分割》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

结合图5和表1，从四种方法的分割效果和阈值选择两方面比较分析，在五幅图像中，Otsu法和本文方法分割效果差异并不明显，阈值的选取都较为接近，但对目标边缘细节的处理中本文方法较Otsu法更为精准，在阈值选取上较Otsu法进一步细化。文献[11]方法表现不稳定，Person图中该方法在目标区域相对缩小了错分点，但passerby图中该方法在边缘区域有较大误分割，在Car图中对车尾部的错分区域优化不及本文方法，Workpiece1图和Workpiece2图中图像边缘处均出现小范围误分割。KSW熵法表现较差，在Person图中明显失效，背景区域出现大范围误分割；在Car图中，汽车尾部有大面积欠分割，在Workpiece1图和Work‐piece2图中边缘处仍存在小范围误分区域。Otsu法表现较优，在五幅图像中对目标区域均有准确分割，但在Person图目标中有明显错分割区域，Workpiece1图中相对KSW熵法和文献[11]方法边缘处有所优化，但仍有小面积错分割。本文方法在Tsallis熵的基础上通过类间方差验证细化阈值选取，对Person图目标中错分区域优化缩小，在Car图中汽车尾部区域进一步分割出目标，在Work‐piece1图和Workpiece2图中针对图像边缘出现小范围的错分区域均有改善。当目标与背景的灰度值十分接近时（在红外图像的模糊边缘这种情况明显）阈值方法难以准确分割，本文方法通过Tsallis熵和类间方差两方面约束选取阈值，改善了阈值方法在目标与背景灰度值接近时的识别精度，因而在结果中本文方法较其他几种方法能进一步剔除或减小错分割区域，增强了边缘处理能力。