基于云模型的粒计算方法研究.doc

 基于云模型的粒计算方法应用 云模型是一个定性定量转换的双向认知模型，正向高斯云和逆向高斯云算法实现了一个基本概念与数据集合之间的转换关系；本文基于云模型和高斯变换提出的高斯云变换方法给出了一个通用的认知工具，不仅将数据集合转换为不同粒度的概念，而且可以实现不同粒度概念之间的柔性切换，构建泛概念树，解决了粒计算中的变粒度问题，有着广阔的应用前景。 视觉是人类最重要的感觉，人类所感知的外界信息至少有80%[130]。图像分割[131]是一种最基本的计算机视觉技术，是图像分析与理解的基础，一直以来都受到人们的广泛关注大致为[132]。第一类是采用自顶向下马尔科夫随机场、引力场的邻域相关关系。在特征空间对图像建模，描述具有结构性分割结果也一般具有语义特征，但是由于对数据的未知性、缺乏足够先验知识的指导，导致模型的参数选择存在一定的困难。采用自底向上数据图像数据聚类，采用的理论包括高斯、模糊集、粗糙集等；或者预先假设的统计特性符合一定的分类准则，通过优化分割结果，Otsu方法的最大方差准则[133][134]、Kapur熵准则[135][136]等。这类方法缺乏表达在数据空间建模，鲁棒性。激光熔覆利用高能激光束熔覆材料与基材表面薄层一起熔凝添料熔覆层[132]。如何从激光熔覆图像获取精确的激光高度。只考虑图像的灰度值属性，那么一幅图像可以看作是在区间[0,255]上取值的一个数值矩阵，统计每个灰度值对应的像素点个数，就可以得到图像的灰度直方图，即像素灰度级的频率分布。7.1显示了一幅256×256像素、灰度值在[0, 255]之间的激光熔覆图及其灰度直方图，白色区域为高能密度的激光，黑色区域为背景颜色，同时在前景和背景之间存在一个过渡区域。 原图 (b) 灰度直方图 7.1 激光熔覆图以图像中像素点的灰度值作为数据集合，采用基本不重叠的变换策略，自适应高斯云变换7.2 (a)所示。利用这三个概念对图像进行分割，可以获得三个概念所对应的图像区域，如图7.2 (b)所示。 (a) 高斯云变换曲线 (b) 三色图 图7.2 将激光熔覆图Laser1聚类成3个概念并进行分割 表7.1 激光熔覆图Laser1聚类形成的3个概念 概念 期望 熵 超熵 含混度 幅值 黑色背景区 81.3 15.3 1.81 0.354 0.7557 灰色过渡区 172.3 31.7 3.74 0.354 0.1881 白色激光区 253.2 1.3 0.11 0.247 0.0562 如表7.1所示，利用自适应高斯云变换将激光熔覆图Laser1按灰度聚类成三个概念：第一个为灰度值为81.3左右黑色背景去，第二个概念为灰度值在172.3左右的灰色过渡区，第三个概念为灰度值在253.2左右白色激光区。在这幅激光熔覆图中，黑色背景和白色激光之间的过渡区具有明显的灰度特征，形成了与白色、黑色并列的一个新概念，具有其独立的内涵和外延[133][134]、Kapur[135][136]和模糊C均值（FCM）等经典利用统计属性获得阈值的图像分割方法对激光熔覆图分割的结果如图7.3所示。虽然图像都被分成了黑色和白色两部分，但是它们划分的边界区域并不相同：Kapur方法发现图像中熵最大区域，即颜色最混乱的地方，因此并不适于激光熔覆图的分割；C均值方法的分割结果靠近黑色背景区；Otsu和模糊C均值的方法分割的结果靠近白色激光区。 (a) Kapur分割的二色图 (b) C-means分割的二色图 (c) Otsu分割的二色图 (d) FCM分割的二色图 图7.3 利用Kapur、C-means、Otsu 和FCM对Laser1进行分割 从高斯云变换的角度看，这种差异性是由于过渡区的存在造成的，因此对过渡区的发现和提取应是激光熔覆图像分割中的重点。 （a）Laser2原图 （b）高斯云变换结果 （c）Laser2三色图 图7.4 将激光熔覆图Laser2聚类成3个概念并进行分割 表7.2 激光熔覆图Laser2聚类形成的3个概念 概念 期望 熵 超熵 含混度 幅值 黑色背景区 87.97 12.2 1.60 0.393 0.659 灰色过渡区 165.61 30.4 3.98 0.393 0.293 白色激光区 253.08 1.5 0.10 0.205 0.048 （a）Laser3原图 （b）高斯云变换结果 （c）Laser3三色图 图7.5 将激光熔覆图Laser3聚类成3个概念并进行分割 表7.3 激光熔覆图Las