数字图像处理方向学术论文
10 基于脉冲耦合神经网络和进化算法的图像分割方法研究
可以选择其它的特征来衡量区域的一致性，如利用基于信息论的高阶熵等。图像分割算法应满足分割区域均匀性的要求，对灰度值来说，就是使同一分割区域的灰度值尽可能接近该区域的灰度均值。区域均匀性指标计算各个分割区域中像素值与均值的差异程度，它从很大程度上反映了图像的分割效果。
NU的计算公式为：
σ2
fNU=×2 FO+FTσFT,（1-4）
其中，σ2为整幅原始灰度图像的方差，σ2
f为目标区域灰度值方差。一个好的分
割结果对应的NU指标值应该接近于0 ，而对于NU=1，则意味着图像中的目标和背景之间几乎是无法区分。
(4) 相对前景区域误差（RAE－Relative Foreground Area Error)[37]：图像分析中的一个最基本问题就是要获得对图像中目标特征值的精确测量。因为特征的测量是基于分割结果的，所以其测量精确度直接取决于分割的质量。这个精度(可称为最终测量精度UMA)是围绕图像分析的最终目标——获得对图像中目标特征值的精确测量而提出的，它通过对目标特征值的测量和计算，根据其所反映的分割质量而对分割算法的性能作出评判。反过来最终测量精度也反映了分割图像的质量并可以间接地用来评判分割算法的性能。实际中，为了描述目标的不同性质，可以在最终测量精度的计算中选用不同的目标特征（feature），此时，UMA可写成UMAf。如用Rf代表从参考图像中获得的原始特征量值，而Sf代表从分割后的图像中获得的实际特征量值，则它们的相对差为：RUMAf=Rf Sf/Rf×100%。我们对该式作如下改造：
Ftrue Ftest, F trueRAE= Ftest Ftrue, FtestififFtest<Ftrue Ftrue≤Ftest,（1-5）
其中，Ftrue和Ftest分别表示从参考分割图像和测试分割图像中获得的目标特征值。RAE反映测试分割图像和基准分割图像中目标面积、形状等特征的差异，其取值范围为[0,1]，RAE = 0对应于最佳的分割结果。
以上四个评价指标的取值越小，说明图像分割的质量越高或分割效果越好，则所用分割算法的性能越好；反之，它们的值越大，说明分割质量越低或分割效果越差，即所用分割算法的性能越差。将四项指标值进行算术平均，可以给出对某一阈值分割算法的综合平均指标AVE：
AVE=ME+EMM+NU+RAE
4. （1-6）