5.6.5 实验与分析
为了验证本节阈值分割算法的有效性，本节在上述二次差分的药液图像的基础上进行实验，对比了基于差分进化算法优化后的三维Tsallis熵阈值法与传统的Tsallis熵阈值法、最大熵阈值法以及迭代阈值法的性能。
在实验室中涉及的一些参数初始化如下：三维Tsallis熵阈值法和传统的Tsallis熵阈值法都需要确定q的大小，这里初始化q=0.8。差分进化算法的初始化参数为：D=3，N=7×D，F=0.5，CR=0.9，Gmax=100。
图5.45给出了3帧药液残差图像进行阈值处理后的结果。其中，图5.45(a)为原始药液残差图像，图5.45(b)为本节的基于差分进化的三维Tsallis熵阈值法进行分割的结果，图5.45(c)为传统Tsallis熵阈值法进行分割的结果，图5.45(d)为最大熵阈值法进行分割的结果，图5.45(e)为迭代阈值法分割的结果。
图5.45 药液残差图像阈值分割结果对比
(a)原始药液残差图像；
(b)本节阈值法：tⅠ=(49，54，28)，tⅡ=(50，53，24)，tⅢ=(48，60，19)；
(c)传统Tsallis熵阈值法：tⅠ=33，tⅡ=49，tⅢ=51；
(d)最大熵阈值法：tⅠ=75，tⅡ=81，tⅢ=86；
(e)迭代阈值法：tⅠ=30，tⅡ=27，tⅢ=28
从图5.45可以看出，三维Tsallis熵阈值法较其他三种阈值方法能得到更加准确的分割结果。和传统Tsallis熵阈值法相比，当它们的一维阈值相近时，三维Tsallis熵阈值法的其他两维阈值能够保证消除一些较强的噪声点。最大熵阈值法分割的结果滤除了一些异物目标，而迭代阈值法的分割结果包含了很多噪声点，这必然会给后续的目标识别带来很大的干扰。
为了客观评价本节提出的阈值分割算法，本节利用3个指标来衡量算法各方面的性能：目标计数一致性[67](Object count agreement，OCA)、像素距误差[68](Pixel distance error，PDE)以及区域间对比度[69](Gray-level Contrast，GC)。
(1)目标计数一致性
一个好的分割算法得到的目标数目Sn一定和参考图像(也称为黄金标准)中的实际目标数目Tn相等，因此Sn与Tn之间的差异能够在一定程度上反映分割算法性能的好坏。根据图像中分块数(Fragmentation)F 来定义目标计数一致性测度的公式为：
其中，p 和q 都是缩放系数，实验中选取p=0.1，q=2。F 介于0和1之间，F 的值越大，说明分割的效果越好。
(2)像素距误差
像素距误差用来描述实际分割中错分像素与其应属的正确区域位置的距离。假设图像中错分的像素个数为N，用d2(i)来表示第i个错分像素与其正确位置的距离。常用的一个品质因数FOM(Figure of Merit)公式为：(https://www.daowen.com)
其中，p 是一个比例因子，实验中选取p=1。FOM 的值越大，说明分割效果越好。
(3)区域间对比度
一个好的分割算法所产生的区域应该有着较为一致的亮度以及边界处有较强的对比度。假设在分割结果中，某区域的平均灰度为f1，其相邻区域的平均灰度为f2，则这两个区域的灰度对比度GC可以定义为：
灰度对比度GC的值越大，说明分割的效果越好。
本节通过对300帧药液残差图像进行分割得到各项评价指标的平均值，如表5.3所示。通过分析可以得知，本节算法在目标计数一致性、像素距误差以及区间对比度方面都比其他三个算法表现突出。
表5.3 分割算法评价指标对比
另外，输入参数p 对三维Tsallis熵阈值法的影响也需要进一步讨论。如图5.46所示，给出了三维阈值随p 取值的变化曲线，从图中可以看出，当0.7＜p＜0.9时，三维阈值的变化范围趋于平缓，并且分割的效果也达到最优，如图5.47所示。因此，p 在[0.7，0.9]范围内取值都可以达到较为理想的分割结果。
图5.46 阈值随p变化的曲线
图5.47 三个性能指标随p 变化的曲线
