基于PCNN赋时矩阵与粗集理论不可分辨关系图像增强.pdfVIP

基于PCNN赋时矩阵与粗集理论不可分辨关系的图像增 强1 马义德 刘映杰 夏春水 敦建征 （兰州大学信息科学与工程学院，兰州，730000） email: xiachsh04@ 摘 要:基于粗集理论中的不可分辨关系的等价概念及PCNN赋时矩阵，提出了一种含有脉冲 噪声的图像增强算法，计算机仿真结果表明，对被噪声污染的灰度图像，用基于PCNN与粗集 理论相结合的图像增强算法处理后，图像噪声得到有效抑制，画面更清晰，图像中目标的细 节也得到了很好的增强，其结果优于常规方法。 关键词 粗集；不可分辨关系；PCNN；赋时矩阵；图像增强 1.引言 近几年来，粗集(Rough sets, RS,又称为粗糙集)理论已成为智能信息处理领域和人工智能 领域中一个新的研究热点。由于图像信息本身的复杂性和较强的相关性，图像处理过程中的 各个层次可能出现不完整和不精确的问题，将粗集理论应用于图像处理，在一些场合具有比 硬计算方法(即精确、固定的算法) 更好的效果[1~8] 。Rough sets理论和其它软计算方法的结合， 能够提高数据开采能力，其中Rough sets与神经网络的结合是目前研究的热点。 PCNN(Pulse Coupled Neural Network ，脉冲耦合神经网络)是根据对动物的大脑视觉皮层 同步脉冲发放所获得的实验结果[9~13]进一步分析研究所得到的神经网络数学模型。研究表 明，PCNN可用于图像平滑、图像分割[14]、图像凹点搜索[15]、图像边缘检测[16]、图像融合[11]、 图像分解[16]、图像识别[17]等方面。 本文将PCNN与粗集理论相结合，提出了基于PCNN与粗集相结合的图像增强算法。计算 机仿真结果表明，用基于PCNN与粗集相结合的图像增强算法，可有效地进行图像增强，减 少图像噪声，增加图像对比度，使图像更加清晰，且图像增强的结果优于常规方法。 2.粗集理论简介 粗集理论是由波兰学者Zdzislaw Pawlak在1982年[18]提出的。1991年Pawlak Z. 出版了专著 [19]，系统全面地阐述了RS理论，奠定了严密的数学基础。该书与1992年出版的RS理论应用 专集[20]较好地总结了这一时期RS理论与实践的研究成果，促进了它的发展。 1基金项目：“985 ”特色项目计划基金(LZ985-231-582627) 甘肃省自然科学基金(YS021-A22-00910， 3ZS041-A25-017) 甘肃省中青年科技基金(3ZS041-A25-018) 兰州大学交叉学科青年创新研究基金项目 (LZU200313) 在粗集理论中, “知识”被认为是一种分类能力，即根据事物的特征差别将其分门别类 的能力。分类过程中相差不大的个体被归于同一类，它们的关系就是不可分辨关系，即等价 关系。 给定一个有限的非空集合U称为论域，R为一等价关系，则称知识库K=(U,R)为一个近似 空间。设x为U 中的一个对象，X为U 的一个子集，R(x)表示所有与x不可分辨的对象所组成的 集合。当X能用R 的属性确切地描述时，X是R可定义的，称X为R精确集；当X不能用R 的属 性确切地描述时，X是R不可定义的，称X为R非精确集或R粗糙集。 粗集理论的基本框架为：根据目前已有的对给定问题的知识以不可分辨关系将问题的论 域进行划分，形成知识表达系统，通过知识约简，获得最简知识。 3.PCNN及其赋时矩阵 3.1 简化PCNN模型 从上世纪90年代开始，由Eckhorn 阈值函数 等对猫的视觉皮层神经元脉冲串同步 V Y