基于改进广义模糊增强的图像分割方法研究.docVIP

基于改进广义模糊增强的图像分割方法研究 　　摘 要：本文提出了一种基于改进广义模糊增强的图像分割方法。该算法就Pal模糊增强算法的不足进行分析，提出一种改进的广义模糊增强算法且将其应用于图像分割中，并就模糊参数选择缺乏理论依据的问题提出一个解决方案。在与各类传统分割方法的分割效果进行比较后，实验结果证明该方法的算法复杂度低，分割速度快且分割质量高。 　　关键词：图像分割；广义模糊增强；模糊参数；二值化 　　中图分类号：TP273 　　在图像处理领域，图像分割技术占有重要地位，它是计算机视觉和图像理解的最基本问题。其分割结果关键性地决定了图像处理系统高层模块的性能，如对图像的分析、理解，识别等。所谓分割[1]就是按照一定的准则把图像分割成若干互不交叠的区域，被分割的区域应满足同质性和唯一性。分割算法的任务就是将图像划分为不同特性的区域，用所分割区域表示图像感兴趣的部分，为实现图像描述方法的转换和图像后续处理提供重要的依据。 　　在图像的实际成像过程中，由于各种因素的影响，如光照、反射、视角、噪声等，使得图像中各种景物之间存在着不确定性和不精确性（及模糊性）的问题，而不确定性又往往是由其模糊行引起的，这些都会造成图像质量下降的问题，为后续的图像分割工作带来相当大的干扰性。模糊集合理论[2]以其模糊逻辑推理方式，为不确定因素所造成的系统复杂性和决策过程的分析提供了有效手段，利用模糊集合理论处理因多灰度所造成的不确定性问题比用普通集合的思维更加合理。Pal[3][4]等人正是基于此认识，率先将模糊集合理论应用到图像增强处理上，目前在其基础上已经有了不少改进算法[5][6]。为了在分割过程之中避免各种因素对图像质量的影响，提高分割质量，减短分割时间，本文提出一种基于改进广义模糊增强的图像分割方法，并将其应用于多幅图像的分割中，实验表明，图像经过本文算法中的广义模糊增强后，不仅各区域之间层次更加清楚，而且各区域的对比度、边沿强度等也有显著提高，从而便于将图像中的目标和背景很好地分割开来。 　　1 Pal模糊增强算法及其缺陷 　　依照模糊集理论，一个灰度级为L的M×N的二维灰度图像，可以表示成一个模糊矩阵： 　　矩阵中每个元素Pij/xij表示图像中元素（i，j）的灰度xij相对于最大亮度L-1的亮度程度，由P={Pij}构成的平面称为图像模糊特征平面，文献[3]中Pij采用下式求解： 　　其中xmax为图像的最大灰度值，Fc和Fd为模糊特征参数，一般取Fc=2，称Pij=0.5时的灰度值为渡越点Xc。设定Fc和Xc，即可计算出Fd： 　　令T（xij=0）=α，则结合式（2）（3）可得： 　　取Fc=2时显然有α0。 　　模糊增强的基本思想是对通过对Pij进行非线性变换，以渡越点为界增大或减小Pij的值，得到新的模糊特征平面P`={P`ij}，其中 　　n为迭代次数，一般迭代1～3次即可得到很好的增强效果。最后再对P`ij进行逆变换，即可获得原灰度图像X={xij}的模糊增强图像X`={x`ij}： 　　由上述分析可知α0，经过式（5）变换后，会出现P`ijα的情况，使得进行式（7）的逆变换时会产生奇点。按文献[3]中将P`ijα的情况均规定为P`ij=α，这将造成原图像中相当多的低灰度值经增强后都变为零，导致图像灰度信息的损失。此外，Pal算法中经过式（2）计算后Pij∈[α，1]，属于普通模糊集合，且式（2）及其逆变换的表达方式较为复杂，增加了计算量和算法复杂度。就以上分析，本文提出一种改进的广义模糊增强算法，并将其应用于图像分割。 　　2 广义模糊增强与二值化操作 　　2.1 基于改进广义模糊增强的图像分割算法 　　基于上述分析，给出本文的广义模糊增强算法流程图： 　　图1 广义模糊增强算法 　　为了克服以上分析的Pal算法的缺陷，本文采用正弦函数实现图像从空间的灰度值X={xij}到广义性质集P={Pij}的变换： 　　， （8） 　　其中D为模糊参数，对其取值规定如下： 　　（9） 　　其中xmax和xmin分别为图像的最大和最小灰度值。显然在式（9）的制约下，式（8）中的Pij∈[-1，1]，属于广义模糊集，实现了对普通模糊集的扩展，且其α0，避免了逆变换时奇点问题的出现。进一步分析可知，式（8）与式（2）的函数都是非线性递增变换函数，但式（8）的表达方式却简单得多，易于实现，且对增强效果并无大的影响。 　　经过式（8）的操作后，下面需对Pij进行非线性变换，将广义性质集P={Pij}变换为普通性质集P`={P`ij}，式（5）的迭代方式不变，将式（6）中的变换F扩展如下： 　　可用图2中的曲线表示： 　　图2 　　由图2分析可知，F的作用是降低广义模糊集的模糊度，