【毕业论文】基于超模糊集的多属性图像阈值分割算法.ppt

基于超模糊集的 ----------系统仿真学报 多属性图像阈值分割算法 * 方法概述 传统的分割方法: 对图像单一的属性标准对图像进行分割，很难满足图像的多方面分割要求。 由于许多外界干扰因素的存在，使得基于经典模糊集方法进行的分割，结果也常常不令人满意。 多属性图像阈值分割方法(F2ES) 基于超模糊集合理论。在超模糊集的基础上，结合模糊熵和模糊相似性两种截然不同的属性刻画待分割图像，构造综合评价函数，得到最佳阈值。 * 方法概述 经典模糊集: 它的隶属函数值本身是一个确定的值，很难将这些不确定因素直接模型化表示出来。 超模糊集: 它的每个隶属函数值本身是一个模糊集合，可以很容易的将这些不确定因素描述出来。 * 超模糊集 由超模糊集的定义, 由隶属函数 ,定义超模糊集 可表示为： * 隶属函数阈值分割 一幅M×N 具有L 灰度级的图像A ： 可转化成各像素相对于某个特定灰度级l 的模糊矩阵。将图像矩阵转化为模糊矩阵的方法有很多。 本文采用经典的模糊理论中函数转换的方法，有如下三种： * 隶属函数 指数概率密度函数定义表达式： * 隶属函数 用C(l) 表示在一幅图像中，灰度级为l 的总的像素个数。当给定一个特定的分割阈值T 时，目标区域和背景区域的平均灰度水平可定义为： 像素的隶属值与分割后，该像素所处的区域有着密切的联系。根据指数概率密度函数以及不同区域的平均灰度水平得到以下表达式，表示属于不同区域像素的隶属函数值： * 图像经典模糊熵 经典的模糊熵是用来衡量一个模糊集合的模糊程度。模糊熵越大，表示该模糊集越模糊。 对于一幅 M ×N 的图像，灰度级为L， μ(x)是定义在L级灰度上的隶属函数。设灰度值为xij 的像素(i, j) 的隶属度为 ，则图像A的模糊熵为： * 图像经典模糊熵 经典模糊集中隶属函数值是一个确定的值，事实上，我们不可能精确地确定像素点到底能以多大的值隶属于背景或目标区域。 只能在理论基础上，估计该像素能在多大程度范围内隶属于背景或目标区域。 由于超模糊集隶属函数的多值性，将经典模糊熵推广到超模糊集合下更具有实际意义： 其中， 和 分别表示隶属函数的μ (x) 的上限和下限。 * 模糊相似性 模糊相似性是用来衡量给定两个模糊集合之间相似程度的。在经典模糊集中，其定义式为： 现在将这个概念引入到图像的阈值分割中，作为割阈值的一项指标，两个图像的相似性可表示为： 其中，μA(aij)和μB(bij) 分别表示两幅图像的隶属函数，aij和bij 分别表示图A和图B第(i, j) 个像素的像素值。 * 模糊相似性 如果令图B为理想的分割图像，则目标区域的像素属于目标区域的隶属函数值μB_obj(bij)应该为1。 同理，背景区域的像素属于背景区域的隶属函数值μB_bk(bij)也应该为1。 * 模糊相似性 与模糊熵的定义类似，模糊相似值也是用一个假定精确的隶属函数值来描述相似性。 为了得到更加准确的相似性描述形式，我们也将这种模糊相似性推广到超模糊集下用隶属函数值的上下限来描述的形式。从而达到通过隶属函数值区间来刻画相似性的目的。 其表达式可写成： * F2ES算法描述 可以总结为以下步骤： (1) 选择合适的隶属函数。本文通过试验对比，选择指数概率密度函数作为待分割图像的隶属函数。 (2) 任意选取一个初始阈值T，计算图像的灰度直方图，统计各灰度值像素的个数C(f)。 (3) 计算背景区域和目标区域的平均灰度水平μobj 和μ bk 。 (4) 根据平均灰度水平及式(10)和式(11)，求解对应阈值T时，每个像素所对应的隶属函数值μ(xij) 及其上限值μU(xij)和下限值μ L(xij)。 (5) 根据式(14)和式(20)计算对应阈值T的图像模糊熵和图像模糊相似值，并记录。 (6) 更换阈值T，重复步骤2、3、4、5步，重新计算新的模糊熵和模糊相似值；直到阈值T遍历灰度级[0, L ] 后，再执行下一步。 * F2ES算法描述 (7) 比较所有的模糊熵和模糊相似值。找到最小模糊熵Hmin 和最大模糊相似值Smax ，构造综合评价函数函数。 (8) 利用优化方法求解综合评价函数，找到函数值最小时所对应的灰度级lopt ，令分割阈值Topt =lopt 。此时的阈值Topt ，即为所求的最优阈值。 (9) 根据阈值Topt 对图像进行阈值分割。 * F2ES实验结果 * * * Our objective is to perform real time 3D detection of obj