模糊理论图像增强算法剖析.docVIP

模糊理论图像增强算法剖析 　　摘 要 通过对图像模糊理论的研究，得出隶属度函数和增强算子在模糊图像处理中的地位，并以煤矿图像为例进行图像增强处理研究，取得了比传统方法更好的增强效果。 　　关键词 图像增强；模糊理论；增强效果 　　中图分类号：TP391 文献标识码：A 文章编号：1671-7597（2014）07-0044-01 　　图像模糊处理就是用模糊集合的方式将图像的各个块或者特征信息通过模糊集合来理解表示，并进一步对这些信息进行处理，从而达到处理效果。在模糊理论处理信息的过程中，它对图像的表示、处理取决于所选择的模糊技术和待解决的问题，具有很强的针对性。一般情况下，图像模糊处理主要分为三个步骤：图像模糊特征提取、隶属函数值的修正和模糊域反变换。 　　用模糊技术进行图像处理的过程就是，首先将图像从空间域通过隶属函数变换到模糊特征平面，也称为隶属平面，就是将图像进行模糊化的过程，对原图像信息赋予更具体更直观的意义。之后，根据实际需要选择适当的模糊技术来修正隶属度值，也就是逐点的修改转换后的隶属度值，达到图像处理的目的，这一过程也就是模糊处理的过程，最后通过隶属度函数的反变换式将图像从模糊域反变换回空间域，以此来完成图像的解码过程。由此可见，对模糊增强技术最重要的环节就是对隶属值的修正，可以从隶属度函数的选择使用或者推陈出新来考虑，也可以从模糊增强算子的角度来考虑。总之，都是为了能得到新的隶属度函数值，以此来改善图像效果。在实际应用中，对隶属度函数的修正可以有很多种方法，研究者们也是在不断的寻求更好的更有效更快捷的算法，比较常用的就是模糊增强算子、模糊聚类分析、模糊逻辑规则、模糊数学形态学以及各种综合方法等。 　　在对图像进行增强处理时，希望能够较好的增强感兴趣的图像信息，同时又希望能较好的去除噪声信息，改善整体的图像质量。但是，实际操作中，这却是一对矛盾体。因为，模糊图像增强是对所处理图像区域中的所有隶属值进行处理，这里当然也包括噪声的隶属值，也就是说在增强图像信息的同时，对噪声信息也进行了增强处理；而在滤除噪声信息时候，由于噪声信息大部分分布在高频信息区域，在滤除噪声的同时又不会不可避免的模糊图像的细节信息，导致图像边缘模糊。因此，图像增强的过程往往也是一个自相矛盾的过程。为了能够处理好这一对矛盾体，得到较理想的处理效果，往往选择的是一个折中的办法，这就需要找到一个合适的修正隶属度值的函数，来达到较好的增强处理目的。传统的图像增强算法通常是基于整幅图像的统计量通过转换函数来进行处理，处理的过程包括所有的像素点，这样对于某些局部区域相对于全局图像所占信息相对来说量较小时，在处理中就会因为取值较小而被忽略，就会造成局部处理效果的不理想，影响后续噪声滤波和边缘增强的处理，这并不是研究者想要的结果。于是许多算法都以领域的统计特性为基点，充分利用邻域的重要信息来对图像进行局部灰度调整，形成了许多局域增强处理的算法。 　　在图像的增强处理中，由于处理图像有很强的针对性，因此在各类算法中在都存在一个或者以上的控制参数，通过这个参数可以控制转换函数曲线来增强图像的感兴趣的区域，已得到某种需求的增强目的。对于如何选择参数这个问题就引起了一些学者的关注，于是产生了一系列自适应的图像增强处理算法。对于图像的自适应增强研究，主要是着眼于各种算法中存在的不固定的参数值，所谓的自适应就是能自动的选择一个最优参数来做到该算法的最优增强处理效果，而不需要以往一样通过大量的实验来确定最优参数值，浪费了大量的时间精力，选取的参数还未必能是处理效果最优。自适应增强目前主要应用的三大类增强算法有：自适应滤波器、基于图像建模和估计理论的增强算法以及基于模糊集合论的增强算法。 　　在对S.K.Pal经典模糊增强算法的分析、模糊理论图像增强中隶属函数与增强算子的改进等研究，发现采用不同的隶属函数对增强效果并没有很大影响。 　　以煤矿图像为背景，实现煤矿图像的增强应用为例。为克服经典S.P.King算法的缺陷，采用了一种升半梯形模糊分布来求μmn，即 　　（1） 　　其中 　　（2） 　　gmax为灰度值的最大值，gmin为灰度值的最小值。在式（2）的制约下，式（1）中的μmn∈[-1，1]，符合广义隶属度函数的定义。式（1）是一个简单的线性函数，与经典算法相比，运算速度将大大提高。 　　基于以上隶属度函数的特点，对增强算子做如下设计： 　　（3） 　　参数r=0.2956，β=2，α=2，其中r值的选取是考虑到分段函数式（3）中的后两式在r值两端的连续性得到的。这里D值的选取与图像有着直接的关系，由于图像的千差万别，因此不可能找到一个最好的D值来适合所有的图像。对于同一幅图像，D值的选择不同就会将原始图像映射为不同隶属度，就会对不同