信息熵阈值分割

把信息熵的概念带入图像就是，图像的信息熵越大（信息量大），所包含的细节越多，图像就越清晰。
最大信息熵阈值分割的示例代码如下：

#include <opencv2/imgproc/imgproc.hpp>  
#include <opencv2/core/core.hpp>        
#include <opencv2/highgui/highgui.hpp> 
#include <iostream> 
using namespace std;
using namespace cv;
// 计算当前的位置的能量熵
float caculateCurrentEntropy(cv::Mat hist, int threshold)
{
    float BackgroundSum = 0, targetSum = 0;
    const float* pDataHist = (float*)hist.ptr<float>(0);
    for (int i = 0; i < 256; i++)
    {
        // 累计背景值
        if (i < threshold)
        {
            BackgroundSum += pDataHist[i];
        }
        else // 累计目标值
        {
            targetSum += pDataHist[i];
        }
    }
    //std::cout << BackgroundSum << " "<< targetSum << std::endl;
    float BackgroundEntropy = 0, targetEntropy = 0;
    for (int i = 0; i < 256; i++)
    {
        // 计算背景熵
        if (i < threshold)
        {
            if (pDataHist[i] == 0)
                continue;
            float ratio1 = pDataHist[i] / BackgroundSum;
            // 计算当前能量熵
            BackgroundEntropy += -ratio1 * logf(ratio1);
        }
        else // 计算目标熵
        {
            if (pDataHist[i] == 0)
                continue;
            float ratio2 = pDataHist[i] / targetSum;
            targetEntropy += -ratio2 * logf(ratio2);
        }
    }
    return (targetEntropy + BackgroundEntropy);
}
// 寻找最大熵阈值并分割
cv::Mat maxEntropySegMentation(cv::Mat inputImage)
{
    // 初始化直方图参数
    const int channels[1] = { 0 };
    const int histSize[1] = { 256 };
    float pranges[2] = { 0, 256 };
    const float* ranges[1] = { pranges };
    cv::MatND hist;
    // 计算直方图
    cv::calcHist(&inputImage, 1, channels,
        cv::Mat(), hist, 1, histSize, ranges);
    float maxentropy = 0;
    int    max_index = 0;
    cv::Mat result;
    // 遍历得到最大熵阈值分割的最佳阈值
    for (int i = 0; i < 256; i++)
    {
        float cur_entropy =
            caculateCurrentEntropy(hist, i);
        // 计算当前最大值的位置
        if (cur_entropy > maxentropy)
        {
            maxentropy = cur_entropy;
            max_index = i;
        }
    }
    //  二值化分割
    threshold(inputImage, result, max_index, 255,
        CV_THRESH_BINARY);
    return result;
}
int main()
{
    cv::Mat srcImage = cv::imread("test.jpg");
    if (!srcImage.data)
        return 0;
    cv::Mat grayImage;
    cv::cvtColor(srcImage, grayImage, CV_BGR2GRAY);
    // 最大熵阈值分割实现    
    cv::Mat result = maxEntropySegMentation(grayImage);
    cv::imshow("grayImage", grayImage);
    cv::imshow("result", result);
    cv::waitKey(0);
    return 0;
}

结果图如下：