基于粗糙集和模糊C均值聚类对噪声图像分割.docVIP

基于粗糙集和模糊C均值聚类对噪声图像分割 　　摘要：针对含有噪声的低对比度图像，运用了粗糙集理论中的不可分辨关系进行分类，去除噪声，保留边缘。应用局部的模糊增强算法，提升了图像的整体对比度，保留了像素的隶属度，有利于模糊C均值聚类分割，实验实现了很好的分割效果。 　　关键词：粗集分类；梯度图像； 插值滤波； 模糊分割 　　中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2016）35-0195-03 　　Noisy Image Segmentation Base on Rough Set and Fuzzy C-Means Clustering Combination 　　LI Yun-song， LI Xiao-jie， CHEN Ya-kun， MAO Rui 　　（Electronic Information Department，Zhengzhou Electronic Power College， Zhengzhou 450004， China） 　　Abstract：The paper presents an image segmentation method， which utilizes the indiscernibility relation of rough sets to carry on a reasonable classification about a low contrast noise image. Not only it is effective to restrain the noise， but also it preserves the edge details of image. The whole image contrast can be promoted by the fuzzy enhancement. As the same time， the kept membership is benefited to FCM segmentation. The experiment results show the enhancement image is well segmented. 　　Key words： rough sets classification； gradient image； interpolation filtering； fuzzy segmentation 　　图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，它是图像处理到图像分析的关键步骤。模糊C-均值聚类算法按照样本点在特征空间的聚集对图像进行分割，但对于含有噪声的图像，其噪声信息和真实信息一同处理时，鲁棒性较差，不能把噪声图像进行正确的分割。 　　图像分割算法大都是针对具体问题的，并没有一种适合于所有图像的通用的分割算法。近年来，随着通过各种新理论和新技术结合图像分割不断取得突破和进展。其中基于知识分类机制的粗糙集理论，运用不可分辨关系、上近似?c下近似和属性决策等与模糊C-均值聚类结合对图像进行分割，已取得好的分割效果。如张朝全[4]等运用粗糙集理论不可分辨关系和近似空间概念对图像进行平滑处理，有效去除噪声后，结合模糊C-均值聚类分割图像；李云松[5]运用粗糙集上近似和下近似概念对像素分类，保留了更多的图像边缘细节后，结合模糊C-均值聚类分割图像。 　　本文提出的噪声图像分割算法，是结合粗糙集理论的不可分辨关系按照像素的梯度值对图像分类，但因为图像的噪声和边缘梯度值都比较大，对分类后的图像用模糊C-均值聚类分割时，图像的边缘细节模糊不清。因此本文首先对分类的像素进行插值滤波和模糊增强，保留了图像的弱边缘细节，再利用模糊C-均值聚类算法取得很好的分割效果。 　　1 图像的粗集分类 　　1.1 粗集分类的基本概念 　　粗糙集是波兰理工大学Z.pawlak教授提出用来研究一种处理不精确、不确定和不完全数据的新的数学方法。它可以通过对数据的分析和推理来发现隐含的知识揭示潜在的规律。其主要思想是保持分类能力不变的条件下，通过知识约减，导出问题的决策或分类规则。 　　粗糙集主要涉及论域[U]、属性集合[R=C?D]、属性值域[V]和从[U×R]到[V]的信息函数[f]。因此，一个信息系统[S]可以表示为一个四元组[S=U， R， V， f]，简记为[S=（U， R）]，也称为知识库。 　　设[B?R]为一个非空子集，如果[xi，xj∈U]，均有[f（xi，r）=f（xj，r）， ?r∈B]成立，那么，我们称[xi和xj]关于属性子集[B]不可分辨关系，简记为[Ind（B）]，于是[Ind（B）]可以将论域[U]中的元素分