基于模糊集理论复杂背景下字符图像分割.docVIP

基于模糊集理论复杂背景下字符图像分割 　　[摘要] 针对复杂背景字符图像的特点,根据模糊逻辑和阈值分割方法将图像分为目标区域,背景区域以及模糊区域。结合邻域的区域隶属信息和灰度信息将灰度域转换成模糊域,在该模糊域上进行分割。经实践,该算法在工业环境中能够对复杂背景的彩色印刷图像可以得到较好的分割效果,在时间复杂度不高于传统的阈值分割算法,并且在分割的精确度上要优于传统的阈值分割算法。 　　[关键词] 模糊逻辑 阈值分割 模糊域 　　 　　0. 引言 　　图像分割是图像研究和机器视觉中重要的分支,分割目的在于根据图像特征,以及对图像的理解将包含感兴趣的目标图像从背景图像中分割出来,为以后的图像分析处理做预处理工作,降低分析、处理阶段的工作难度,因此图像分割工作的精确性是机器视觉系统成败的关键所在。由于图像在由三维映射到二维的过程中出现信息丢失,以及人类视觉的随机性,所以图像天生就有不完备性,因而图像分割至今没有通用的解决方法,这是当今图像处理的一个重大难题[4]。在传统逻辑中对于图像的各部分归属只有0,1之分,但是因为图像天生的不完备性所以0,1逻辑在处理图像分割问题中出现结构不良时有很多困难。美国学者Zadeh提出模糊集合论,使人类对集合的概念从0,1离散逻辑变成[0,1]连续逻辑[5],这种逻辑方式更符合人类认知过程,对于解决图像分割的不确定问题时有着广泛的应用。 　　目前针对图像分割的研究很多,使用模糊集理论的图像分割算法也是出现了很多种。例如:Pal等人在1983年提出过模糊熵的概念,研究的模糊阈值分割方法[6]。而后不断有学者在此基础上对模糊阈值分割算法进行改进,比如提出的出口问题解决方法、自动阈值选取等等。这类算法在选取模糊隶属度函数和相应的窗口将灰度空间转换成模糊空间,再根据最优化函数得出灰度空间上的最优阈值进行分割。另外一类基于模糊集理论的图像分割算法是由Bezdek提出的模糊C均值聚类为代表的方法[7]。这类算法主要的缺点就是聚类迭代过程时间复杂度过高,不能满足高速检测的需要。其他传统的阈值分割方法如全局阈值法和基于邻域的阈值法都难以做到精确分割,所以本文提出一种基于模糊集理论的结合简单阈值分割的算法无论对时间要求还是视觉效果的要求都可以满足。并且在下文中将会提举几种算法与本文算法进行比较。 　　1. 本文算法 　　 　　图1 原始图像 　　由图像可知,前景的号码和背景对比度极低,而且背景的纹理不均匀,因此传统的分割方法起不到良好的分割效果。 　　1.1划分图像 　　由图像灰度直方图,确定合适的高低阈值,将图像划分为三个部分:确定的背景部分,确定的目标区域以及模糊区域部分。由先验知识和直方图信息可以将图像划分3部分:灰度高于140部分的划为确定目标区域,灰度低于135部分划为确定背景区域,其他部分为待定模糊区域。如图2: 　　 　　 图2.a 确定目标区域 　　 　　图2.b 待定模糊区域 　　 图2:划分后图像,划分任务就变成划分模糊区域图像 　　由此分割转换为模糊区域的分割。 　　1.2将灰度空间转换为模糊空间 　　设矩阵S(i,j)来记录像素点(i,j)所属区域。 　　(6) 　　当S(i,j)=1时将其转换为模糊域值, 表示(i,j)点灰度。 　　则转换函数为: 　　(7) 　　其中 　　=(8) 　　表示像素点(i,j)四邻域所属区域均值。 　　= (9) 　　表示像素点(i,j)四邻域灰度均值。 　　这种方式的转换考虑到了像素4邻域对模糊区域像素最后归属区域的影响,也充分考虑到了4邻域的灰度对模糊区域像素点最终归属的影响。 　　1.3最终分割 　　转换到模糊域之后,进行直方化(直方图见图四)后使用简单的固定阈值分割,或者采用Otsu自动阈值分割,将模糊区域划分,高于阈值部分归入目标区域,低于阈值部分归入背景区域,完成分割。 　　 　　图3 转换后的直方图 　　3. 算法分析与实验结果 　　该算法在时间复杂度上基本和常见的阈值分割方法一致,完全符合高速在线检测的要求,但是还存在着依赖先验知识当高低阈值取值不当时分割效果不好的问题。Otsu算法是当今应用广泛计算简单公认的优秀的全局阈值分割算法[8]。文献9提出的Niblack算法是实现方法较为简单,算法效果较为稳定的一种局部阈值算法。这里使用Otsu算法,Niblack算法,以及模糊阈值算法进行对比,以确定本文算法的优越性。使用现场图像360×60. 　　实验结果表明在分割效果上Otsu算法在很多区域都没有做到完全分割,很多背景都被保留下来;Niblack算法的分割在很多区域没有完全分割,有的地方却过度分割;模糊阈值算法,对前景的保留做得不好,背景也有部分杂点残留。而本文算法则