1) 2-D fuzzy maximum entropy
二维模糊最大熵
1.
2-D fuzzy maximum entropy method in image segmentation based on DPSO;
基于分散微粒群算法的二维模糊最大熵图像分割
2) 2-D maximum fuzzy partition entropy
二维模糊划分最大熵
1.
The method of 2-D maximum fuzzy partition entropy can obtain better segmentation,because it takes advantage of gray and spatial neighboring information, and fuzziness of image also is taken into consideration.
二维模糊划分最大熵分割方法不仅利用了灰度信息以及空间邻域信息,而且兼顾了图像自身的模糊性,能取得较为满意的分割结果。
3) maximum fuzzy entropy
最大模糊熵
1.
Double thresholding algorithm for image segmentation based on maximum fuzzy entropy and particle swarm optimization;
基于最大模糊熵和微粒群的双阈值图像分割
2.
Then a new threshold segmentation method based on maximum fuzzy entropy is proposed to obtain a binary image.
为了准确找到芯片焊盘的位置,首先对已有隶属函数进行改造,用一种新的基于最大模糊熵原则的阈值分割法对图像进行二值处理;然后采用计算图像重心的方法得到芯片的大致位置;最后针对芯片上各焊盘的位置特点,以焊盘为模板,通过计算模板图像和目标图像之间的汉明距离来识别各焊盘的位置。
3.
Fuzzy entropy is defined at first,then a new fuzzy clustering method based on maximum fuzzy entropy is proposed, that is GCM method.
介绍了一种新的模糊聚类方法，定义了模糊熵，提出了基于最大模糊熵的模糊聚类的方法，得到了一种新的聚类算法——GCM算法。
4) fuzzy maximum entropy
模糊最大熵
1.
Research of improved algorithm for multilevel thresholding image segmentation based on fuzzy maximum entropy
模糊最大熵多阈值分割的改进算法研究
5) 2D fuzzy entropy
二维模糊熵
1.
A image segmentation algorithm based on particle swarm optimization and 2D fuzzy entropy is presented.
将微粒群算法和二维模糊熵阈值分割法结合,提出了一种基于微粒群和二维模糊熵的图像分割方法。
6) 2-D maximum entropy
二维最大熵
1.
2-D maximum entropy method in image segmentation based on genetic quantum algorithm;
基于量子遗传算法的二维最大熵图像分割
2.
The 2-D maximum entropy image segmentation method is studied in this paper,for the problems that the method is complex,time-consuming and lack of practicability during evaluating threshold,a 2-D maximum entropy image segmentation method based on CGA(chaos genetic algorithm) is presented.
研究了基于二维最大熵的图像分割算法,针对基于二维最大熵的图像分割算法存在的计算复杂度高、计算时间长等问题,提出了一种基于混沌遗传算法的二维最大熵算法。
3.
Applied the maximum entropy of information theory and combined the criterion function with an improved 2-D maximum entropy algorithm,the .
利用该模型产生准则函数,在信息论中最大熵原理基础上,应用文中改进的二维最大熵算法能自动确定最佳分割阈值,实现了对暗场图像的分割。
补充资料：最大熵法
对信号的功率谱密度估计的一种方法。1967年由J.P.伯格所提出。其原理是取一组时间序列，使其自相关函数与一组已知数据的自相关函数相同，同时使已知自相关函数以外的部分的随机性最强，以所取时间序列的谱作为已知数据的谱估值。它等效于根据使随机过程的熵为最大的原则,利用N个已知的自相关函数值来外推其他未知的自相关函数值所得到的功率谱。最大熵法功率谱估值是一种可获得高分辨率的非线性谱估值方法，特别适用于数据长度较短的情况。
最大熵法谱估值对未知数据的假定 一个平稳的随机序列，可以用周期图法对其功率谱进行估值。这种估值方法隐含着假定未知数据是已知数据的周期性重复。现有的线性谱估计方法是假定未知数据的自相关函数值为零，这种人为假定带来的误差较大。最大熵法是利用已知的自相关函数值来外推未知的自相关函数值，去除了对未知数据的人为假定，从而使谱估计的结果更为合理。
熵在信息论中是信息的度量，事件越不确定，其信息量越大，熵也越大。对于上述问题来说，对随机过程的未知的自相关函数值，除了从已知的自相关函数值得到有关它的信息以外，没有其他的先验知识。因而，在外推时，不希望加以其他任何新的限制，亦即使之"最不确定"。换言之，就是使随机过程的熵最大。
最大熵法功率谱估值表达式 最大熵法功率谱估值的表达式为
式中PM为M阶预测误差滤波器的输出功率;B为随机过程的带宽;为采样周期;ɑm(m＝1,2,...,M)由下式决定：
式中rNx(M)为已知的随机过程的自相关函数值。
从功率谱估值的表达式可以看出，最大熵法与自回归信号模型分析法以及线性预测误差滤波器是等价的，只是从不同的观点出发得到了相同的结果。
由已知信号计算功率谱估值的递推算法 应用上述的谱估值表达式进行计算时，需要知道有限个自相关函数值。但是，实际的情况往往是只知道有限长的时间信号序列，而不知道其自相关函数值。为了解决这个问题，J.P.伯格提出了一种直接由已知的时间信号序列计算功率谱估值的递推算法，使最大熵法得到广泛的应用。递推算法如下：
递推算法只需要知道有限长的时间信号序列，不须计算其自相关函数值,所得的解保证是稳定的。但是,其解只是次优解。
应用递推算法往往使谱估值出现"谱线分裂"与"频率偏移"等问题，因而,又有各种改进的算法。其中,较著名的有傅格算法和马普尔算法，但是所需的计算量较大。另外，在有噪声的情况下，如何选定阶数仍有待进一步探讨。
最大熵法谱估值对未知数据的假定 一个平稳的随机序列，可以用周期图法对其功率谱进行估值。这种估值方法隐含着假定未知数据是已知数据的周期性重复。现有的线性谱估计方法是假定未知数据的自相关函数值为零，这种人为假定带来的误差较大。最大熵法是利用已知的自相关函数值来外推未知的自相关函数值，去除了对未知数据的人为假定，从而使谱估计的结果更为合理。
熵在信息论中是信息的度量，事件越不确定，其信息量越大，熵也越大。对于上述问题来说，对随机过程的未知的自相关函数值，除了从已知的自相关函数值得到有关它的信息以外，没有其他的先验知识。因而，在外推时，不希望加以其他任何新的限制，亦即使之"最不确定"。换言之，就是使随机过程的熵最大。
最大熵法功率谱估值表达式 最大熵法功率谱估值的表达式为
式中PM为M阶预测误差滤波器的输出功率;B为随机过程的带宽;为采样周期;ɑm(m＝1,2,...,M)由下式决定：
式中rNx(M)为已知的随机过程的自相关函数值。
从功率谱估值的表达式可以看出，最大熵法与自回归信号模型分析法以及线性预测误差滤波器是等价的，只是从不同的观点出发得到了相同的结果。
由已知信号计算功率谱估值的递推算法 应用上述的谱估值表达式进行计算时，需要知道有限个自相关函数值。但是，实际的情况往往是只知道有限长的时间信号序列，而不知道其自相关函数值。为了解决这个问题，J.P.伯格提出了一种直接由已知的时间信号序列计算功率谱估值的递推算法，使最大熵法得到广泛的应用。递推算法如下：
递推算法只需要知道有限长的时间信号序列，不须计算其自相关函数值,所得的解保证是稳定的。但是,其解只是次优解。
应用递推算法往往使谱估值出现"谱线分裂"与"频率偏移"等问题，因而,又有各种改进的算法。其中,较著名的有傅格算法和马普尔算法，但是所需的计算量较大。另外，在有噪声的情况下，如何选定阶数仍有待进一步探讨。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条