验并与传统互信息量分割方法进行了比较。由于篇幅有限，这里仅给出2个图片的实验及比较研究结果；另外，探讨了参数α对分割阈值的影响。

5.1 分割方法比较研究

从图1中的图像分割结果来看，采用经典互信息量分割方法无法完全检测到目标，或目标含有太多背景；但是，本文提出的模糊互信息量分割方法可以完全检测出目标，或检测出的目标中含背景噪声。

从表1来看，参数α越小，对图像分割最佳阈值影响越 大；但是，随着参数α的增大，对图像分割最佳阈值影响越小。特别是当α>4.0时，对模糊互信息量分割方法的影响非常小。因此，针对模糊互信息量图像分割方法，其α选取范围为(0,4.0)。在实际使用模糊互信息量图像分割时，如何从(0,4.0)选取恰当α，使得其分割效果达到最佳是当前图像分割面临的共性问题。

表1 模糊互信息量法中参数α对分割阈值的影响

Lena图 轮胎图 摄影师图细胞图

0.0112620141149

0.101221589119

0.5078124381

1.0068123369

2.00 3.00 4.00 5.0061 58 57 5625 21 16 1664 57 56 56

10.00

50.006

56 58 16 14 56 56

11 11 10 9 7

(a)电线桩原图 (b)互信息量法(t=52) (c)本文方法(t=25,α

=1.0)

6 结束语

本文在传统互信息量的基础上提出了模糊互信息量，并应用于图像分割研究，其分割性能优于基于传统互信息量的分割方法。但是，模糊互信息量分割方法中参数α的选取是当前图像分割面临的共性问题，有待进一步探讨研究。

参考文献

[1] Sezgin M. Survey over Image Thresholding Techniques and

Quantitative Performance Evaluation[J]. Journal of Electronic Image, 2004, 13(1): 145-165.

[2] Rigau J, Feixas M, Sbert M, et al. Medical Image Segmentation

Based on Mutual Information Maximization[C]//Proc. of MICCAI’04. Berlin, Germany: Springer-Verlag, 2004: 135-142. [3] Kim J. A Nonparametric Statistical Method for Image Segmen-

tation Using Information Theory and Curve Evolution[J]. IEEE Trans. on Image Process, 2005, 14(10): 1486-1502.

[4] 吕庆文, 陈武凡. 基于互信息量的图像分割[J]. 计算机学报,

(d)环状原图 (e)互信息量法(t=77) (f)本文方法(t=185,α=2.0)

图1 实验图片及分割结果

5.2 参数选择对阈值的影响

为了探讨模糊互信息分割方法中参数α对分割阈值的影响，采用4个典型图片来进行实验，如图2所示，得出参数α选取的大致范围。

(a)Lena图 (b)轮胎图

2006, 29(2): 297-300.

[5] Pal S K, King R R, Hashion A A. Automatic Gray Level

Thresholding Through Index of Fuzziness and Entropy[J]. Pattern Recognition, 1983, 1(1): 141-146.

[6] Bezdek J C. Pattern Recognition with Fuzzy Objective Function

Algorithms[M]. New York, USA: Plenum Press, 1981.

(c)摄影师图 (d)细胞图

[7] Maes F. Multimodality Image Registration by Maximization of

Mutual Information[J]. IEEE Trans. on Medical Image, 1997, 16(2): 187-198.

图2 4个典型图片

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

（上接第217页）

参考文献

[1] 刘忠伟. 利用局部累加直方图进行彩色图像检索[J]. 中国图象

图形学报, 1998, 3(7): 533-537.

[6] Anil K. Combining Multiple Matchers for a High Security

Fingerprint Verification System[J]. Pattern Recognition Letters, 1999, 20(11-13): 1371-1379.

[7] Wang Yongxu. A Fingerprint Recognition Algorithm Based on

Principal Component Analysis[C]//Proc. of IEEE TENCON’06. Hong Kong, China: [s. n.], 2006.

[8] Kawagoe M, Tojo A, Fingerprint Pattern Classification[J]. Pattern

Recognition, 1984, 17(3): 295-303.

[9] Jian Yang. From Image Vector to Matrix: A Straightforward Image

Projection Technique——IMPCA vs PCA[J]. Pattern Recognition, 2002, 35(9): 1997-1999.

[2] Anil K. A Multichannel Approach to Fingerprint Classification[J].

IEEE Trans. on PAMI, 1999, 21(4): 348-359.

[3] Jain A K, Prabhakar S. Filterbank-based Fingerprint Matching[J].

IEEE Tans. on Image Processing, 2000, 9(5): 846-859.

[4] Jain A, Ross A. Fingerprint Matching Using Minutiae and Texture

Features[C]//Proc. of ICIP’01. New York, USA: IEEE Press, 2001. [5] Ranade S, Rosenfeld A. Point Pattern Matching by Relaxation[J].

Pattern Recognition, 1980, 12(5): 269-275.

——220