基于模糊逻辑与图像处理算法的研究.ppt

基于模糊逻辑的图像处理算法研究 研究生： 石振刚 导 师： 高立群 模糊信息处理是利用模糊数学工具，来处理带有模糊不确定性的信息。在图像处理中，由于成像期间空间分辨率及各种光照条件的影响，使得目标图像边界与背景之间的像素灰度具有中间过渡性质，从而使目标物的边界具有模糊性。另外，图像处理往往是一个信息不足的不适定问题，由于问题的复杂性，不可能完全搞清楚造成这种信息不足的全部原因。因而，对于图像处理这样一个复杂的问题，利用模糊信息处理技术来进行研究有其内在的必然性和合理性。 基于模糊逻辑的脉冲噪声滤波算法 引言 卷积运算结果为wi(x,y),i=1,2,3,4。定义wi(x,y)绝对值的最小值为像素点(x,y)的脉冲噪声检测值w(x,y) 。若像素点(x,y)为孤立的脉冲噪声点时，w(x,y)的值将较大。若像素点(x,y)为非脉冲噪声点或图像边缘点时，w(x,y)的值较小。设置一阈值wT,若w(x,y) wT，则可判定此点为脉冲噪声点。 改进MMEM算法的滤波实现步骤如下: (1)在输入图像灰度值矩阵中任取一个中心在(x,y),大小为3×3的窗口，找出灰度最大值Imax和最小值Imin，若I(x,y)=Imax或I(x,y)=Imin ，则令I(x,y)=0，去除它们，即去除那些受噪声严重污染的像素点。如剩下的像素个数大于等于3，则去除它们中的最大和最小灰度值，然后用其平均值作为滤波器的输出。如剩下的像素个数大于零小于3，则用其灰度值的平均值作为滤波器的输出。如剩下的像素的个数等于零，执行步骤(2)。 (2)取一个大小为5×5的窗口，找出灰度最大值Imax和最小值Imin，若I(x,y)=Imax或I(x,y)=Imin ，则令I(x,y)=0，然后用剩下像素灰度值的加权平均作为滤波器的输出。其公式为 若窗口中的像素均被丢弃，则用相邻4个滤波器输出值的加权平均作为滤波器的输出。其公式为: 设脉冲噪声检测值w(x,y)为一模糊事件，其隶属函数为 ，定义如下模糊规则： (1)若某一像素点的w(x,y)值较大，则该像素点为脉冲噪声点的可能性也就较大，相应地隶属函数也较大。 (2)若某一像素点的w(x,y)值较小，则该像素点为脉冲噪声点的可能性也就较小，相应地隶属函数也较小。 像素点为脉冲噪声点，隶属度值决定了其可能的程度，滤波器输出应以隶属度值为权重，同时考虑原输入点灰度值和用改进MMEM算法对噪声像素点的估计灰度值。 结论 单一使用传统中值滤波方法去除脉冲噪声时会造成图像细节信息的丢失、使图像变模糊。为克服此缺陷，提出了一种新的基于模糊逻辑的图像去噪算法。从实验结果中可以看到，与中值滤波算法及其他改进的中值滤波算法相比，新算法在去除脉冲噪声时能获得较好的效果。 引言 结论 在分析了PM算法缺陷的基础上，提出了一种改进的基于模糊逻辑的偏微分方程去噪算法。该算法将隶属度分布函数作为PM算法中扩散方程的扩散系数，利用模糊熵概念及粒子群优化算法来选取扩散系数阈值参数，从而能够比较合理地解释各向异性扩散的过程。最后，以三幅灰度图像进行验证，结果证明，所提方法不仅能够较好地抑制高斯噪声，而且能够很好地保持图像的细节，验证了算法的有效性。 基于粒子群模糊聚类的边缘检测算法 引言 结论 本节构造了边缘检测性能更好的边缘点特征向量来定量描述边缘点附近的灰度分布是有序的、具有方向性以及灰度突变是具有结构性的三个本质特征。由于所提方法在构造边缘点特征向量时，充分地考虑了噪声点和边缘点的本质差别，因此此方法对噪声具有良好的抑制作用。利用基于粒子群算法的模糊聚类方法进行边缘检测，本节方法能产生较明确的边缘，无需再进行细化处理，提高了边缘定位的精度。 引言 结论 本节在分析了传统单层次模糊增强Pal算法缺陷的基础上，提出了一种改进的基于模糊增强的图像边缘提取算法。该算法定义了多层次图像的模糊熵及一个基于模糊熵的测度，同时还提出一种新的模糊增强算子，从而更有效地增强了图像边缘信息。算法中先求层次，进行模糊平滑处理，再作模糊增强处理，最后进行边缘提取。比传统单层次模糊增强Pal算法处理所得的图像效果更佳。通过仿真实验，验证了算法的有效性。 基于模糊逻辑的图像阈值分割算法 引言 结论 引言 基于模糊连通度的图像阈值分割算法 基于模糊连通度的图像阈值分割算法 实验结果分析与比较 实验结果分析与比较 小结 结论 本文基于计算机视觉、模糊逻辑、最优化等理论与技术，针对图像处理中的图像去噪、边缘提取及分割等问题进行研究，