基于粗糙集的图像分割.pdfVIP

基于粗糙集的图像分割 高锦标，甘岚，李朔 华东交通大学信息工程学院，南昌 （330013 ） E-mail ：Gaotrophy2007@163.com 摘 要：随着对医学图像处理时间和效率的要求越来越高，那些经常用在医学图像处理中的 算法就不停的被改进。本文就是将粗糙集在软计算方面的优势用到图像分割上面来，经过改 进的算法能够有效的提高图像分割速度，并且仍就保持了较高的图像分割效果。 关键词：粗糙集理论，算法，应用 1. 引言 医学图像识别当前已经成为计算机研究领域的一个热门的方向，而图像分割是图像识 别的前提，因此图像分割的好坏直接关系到图像识别的正确与否以及效率的高低。由于在实 际情况中，一些给定的医学图像的特征很模糊（没有明确的特征模式），分割起来很麻烦而 且效率比较低。粗糙集理论是一种新型的处理模糊和不确定知识的数学工具，已经在很多领 [1] 域得到了广泛的应用，因此一种基于粗糙集的图像分割方法在本文中被提出 。 2. 粗糙集理论 [3] 粗糙集（ Rough Set ）理论是由Z. Pawlak 于1982 年提出的 ，它是一种刻画不完整 性和不确定性的数学工具，能有效地分析和处理不精确、不一致、不完整等各种不完备信息， 并从中发现隐含的知识，揭示潜在的规律。它是数据挖掘的一个重要分支，主要思想是在保 持信息系统分类能力不变的前提下，通过知识约简，导出问题的决策或分类规则。在粗糙集 理论中，对象的知识是通过指定对象的基本特征（属性）和它们的特征值（属性值）来描述 的。一个知识表达系统定义为S = 〈U ，C，D ，V ，F 〉式中，U 是对象的集合，C ∪D = A 是 属性集合（ 等价关系集合），子集C 和D 分别称为条件属性和决策属性， 是属 性值的集合， 表示了属性a在A 的范围， 为一单射，使论域U 中任一元素取 属性a 在 中的某一唯一值。这种定义方式使对象的知识可以方便地以数据表格形式描述。 [2] 这种数据表称为知识表达系统 。 在知识表示系统中，如果属性集合A 由条件属性集合C 和决策属性集合D 组成，C， D 满足C ∪D = A ，C∩D =Φ，则称S 为决策系统。为了表示简单，有时用（U ，C ∪｛d ｝） 表示决策系统，即结论属性集合只包含一个元素。 由于在实际生活中，涉及许多模糊概念和模糊知识，反映在粗糙集模型中主要有两类： ①知识库的知识是清晰的，而被近似的概念是模糊的；②知识库的知识和被近似的概念都是 模糊的。模糊粗糙集的定义：设（U ，R ）是Pawlak 近似空间，即R 是论域U 上的一个等 价关系。若A 是U 上的一个模糊集合，则A关于（U ，R ）的一对下近似 和上近 似 定义为U 上的一对模糊集合，其隶属函数分别定义为 其中[x]R 为元素x 在关系R 下的等价类。若 ，则称A是可定义的，否则称A 是模糊 粗糙集（Fuzzy Rough Set ）。 - 1 - 3. 基于粗糙集的算法 基于租糙集的图像特征选择方法： 粗糙集方法用于模式识别主要基于知识系统的表达和属性的简化方法，其目