粗糙集理论及其在图像处理中应用.docVIP

粗糙集理论及其在图像处理中应用 　　摘要：首先描述了粗糙集理论的基本概念，包括粗糙集知识表示方法和粗糙集约简理论；叙述了粗糙集理论及其与其他非线性理论相结合在图像处理中的应用情况；最后指出了粗糙集理论应用于图像处理的基本思路，并指出将粗糙集理论与其他非线性理论相结合应用于图像处理，将会产生更加有效的结果。 　　关键词：粗糙集； 知识系统； 不确定性； 图像处理 　　中图分类号：TP18； TP391文献标志码：A 　　文章编号：1001-3695(2007)04-0176-03 　　RS(Rough Sets，粗糙集，又称为粗集)理论是一种刻画不完整性和不确定性的数学工具，能有效分析和处理不精确、不一致、不完整等各种不完备信息，并从中发现隐含知识，揭示潜在的规律[1]。粗集理论是由波兰学者Zdzislaw Pawlak在1982年[2]提出的。1991年Pawlak Z.出版了专著[3]，系统全面地阐述了RS理论，奠定了严密的数学基础。该书与1992年出版的RS理论应用专集[4]较好地总结了这一时期RS理论与实践的研究成果，促进了它的发展。?? 　　Rough Sets的生命力在于它具有较强的实用性，目前已经在人工智能、知识与数据发现、模式识别与分类、故障检测等方面得到了较为成功的应用。目前，大量学者将粗糙集理论应用于图像处理的各个方面，取得了较好的效果。?? 　　 　　1粗糙集理论基本概念?? 　　 　　粗糙集理论的出发点在于：根据目前已有的对给定问题的知识将问题的论域进行划分；然后对划分后的每一个组成部分确定其对某一概念的支持程度，即肯定支持此概念、肯定不支持此概念和可能支持此概念。基本粗糙集理论包括两方面的内容，即RS知识表示方法和粗糙集约简理论。?? 　　 　　1.1RS知识表示方法?? 　　基于Rough Sets理论的知识发现，主要是借助于信息表这样一种有效的数据表知识表达方式。信息表知识表达系统的基本成分是研究对象的集合。关于这些对象的知识是通过指定对象的属性(特征)和它们的属性值(特征值)来描述的。一般地，一个信息表知识表达系统S可以表示为一个四元组S=(U,R,V, f )。这里，U是对象的集合，也称为论域；R是属性的非空有限集合；V=∪a∈A，Va表示属性a的值域； f ∶U×R→V是一个信息函数，它指定U中每一个对象x的属性值。?? 在粗集理论中，知识被认为是一种分类能力，即根据事物的特征差别将其分门别类的能力。分类过程中相差不大的个体被归于同一类，它们的关系就是不可分辨关系，即等价关系。其定义为：对于每个属性子集B??R，本文定义一个不可分辨关系(Indiscernibility Relation)IND(B)，即?? 　　显然，IND(B)是一个等价关系(满足自反性、对称性和传递性)。?? 　　粗糙集理论的不确定性是建立在上、下近似的概念之上的。给定知识表达系统S=(U,R,V, f)，对于每个子集X??U和不可分辨关系B，X的上近似(Upper Approximation)和下近似(Lower Approximation)分别定义如下：?? 　　X的上近似B??-(X)=∪{Yi|Yi∈U|IND(B),Yi∩X≠φ}?? 　　X的下近似B-(X)=∪{Yi|Yi∈U|IND(B),Yi??X}?? 　　集合BNB(X)=B??-(X)-B-(X)称为X的B边界(Boun??dary)；POSB(X)=B-(X)称为X的B正域(Positive Region)；NEGB(X)=U-B??-(X)称为X的B负域(Negative Region)。?? 　　B-(X)是根据知识B(属性子集B)、U中所有一定能归入集合X的元素构成的集合，即所有包含于X的基本集Yi的并；B??-(X)是根据知识B、U中所有一定和可能归入集合X的元素构成的集合，即所有与X的交不为空集的基本集Yi的并；BNB(X)是根据知识B、U中既不能肯定归入X，又不能肯定归入集合X的元素构成的集合；正域POSB(X)是根据知识B、U中所有能确定一定归入X的元素的集合；负域NEGB(X)是根据知识B、U中所有不能确定一定归入X的元素的集合；边界域BNB(X)是某种意义上论域上的不确定域，边界域中的元素既不能肯定地属于集合X，也不能肯定地属于X。?? 　　集合的不精确性正是由于边界域的存在而引起的。集合的边界域越大，其精确性则越低。如果BNB(X)是空集，则X关于R是清晰的(Crisp)，称集合X为精确集；反之如果BNB(X)不是空集，则称集合X为关于R的粗糙集(Rough Sets)。?? 　　 　　1.2RS约简理论?? 　　RS约简理论是粗糙集的核心内容。其主要思想是：保持相对分类能力不变