基于模糊理論的圖像分割區(qū)域法研究.pdf

1、圖像分割就是指把圖像分解成各具特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過程。它是由圖像處理到圖像分析的關(guān)鍵步驟，在圖像工程中占有非常重要的位置，并且已在計算機視覺、模式識別和醫(yī)學(xué)圖像處理等實際中得到了廣泛的應(yīng)用。 在眾多的分割算法中，基于模糊系統(tǒng)理論和區(qū)域法的分割技術(shù)是圖像分割領(lǐng)域中極其重要和應(yīng)用相當(dāng)廣泛的算法。首先由于圖像在成像過程中受各種因素的影響，使得要分割的目標(biāo)與背景之間一般都帶有一定的相似性和不確定性，而模糊集合論及由此而

2、發(fā)展起來的模糊信息處理技術(shù)，對處理帶有模糊不確定性的事件及對不精確知識的描述與處理具有得天獨厚的優(yōu)勢。而區(qū)域分割法則是利用同一對象區(qū)域內(nèi)部的均勻性，依照共同的圖像屬性來劃分圖像區(qū)域。分割的目的是把圖像中的每個象素都賦予一個類別的屬性，使得具有預(yù)定義屬性的象素都聚集在同一個類別之中。因此，本文主要對基于模糊理論的圖像分割區(qū)域法進行了研究。在方法學(xué)上，重點研究了三類目前較為新穎的分割算法，基于信息熵的圖像分割方法，基于過渡區(qū)提取的圖像分割方

3、法，以及基于圖論聚類的分割方法，并對三種方法的分割效能進行量化比較。 在基于信息熵的圖像分割方法中，結(jié)合模糊理論和概率論提出了一種基于二維隸屬劃分的Renyi熵分割算法。調(diào)節(jié)參數(shù)α的使用對信息的度量更具有一般性和靈活性。由于在樣本個數(shù)固定時，減少分類錯誤率的辦法是增加新的獨立特征組成高維特征矢量，使得在低維矢量空間中未顯現(xiàn)的特征在高維矢量空間中顯現(xiàn)出來。因此，進一步提出了基于三維直方圖的最大Renyi熵分割算法。首先對圖像進行模

4、糊概率描述，然后在條件概率和條件熵的基礎(chǔ)上提出模糊劃分熵的新定義。實驗表明該方法分割出的目標(biāo)會在二維直方圖上形成一個由直線段與高次雙曲線圍成的凸形區(qū)域，它是區(qū)分目標(biāo)和背景的關(guān)鍵區(qū)域，因而可以較精細地分析該區(qū)域內(nèi)象素的歸屬。后者則利用了象素點的灰度分布信息和鄰域空間相關(guān)信息，關(guān)鍵區(qū)域擴展為一個面和高次雙曲面圍成的區(qū)域，且由于考慮了圖像的局部空間信息，即便在圖像低對比度和低信噪比時，也可以排除一些噪聲的干擾，分割的效果及穩(wěn)定性較前者有明顯增

5、強。 在基于過渡區(qū)提取的圖象分割算法中，首先對傳統(tǒng)的過渡區(qū)提取理論進行了回顧，傳統(tǒng)方法在計算高端剪切和低端剪切有效平均梯度曲線時，當(dāng)背景區(qū)域出現(xiàn)變化幅度很小灰度值波動時，曲線則會發(fā)生極大的變化，從而無法保證曲線的單峰特性，導(dǎo)致求得的過渡區(qū)可靠性差。因此提出了基于模糊形態(tài)學(xué)預(yù)處理和小波能量特征比變換的過渡區(qū)提取與分割算法，從而可以得到較理想的過渡區(qū)灰度分布范圍。傳統(tǒng)圖論聚類法由于是以樣本數(shù)據(jù)的局域連接特征作為聚類的主要信息源，這造

6、成該方法在圖像處理領(lǐng)域應(yīng)用的缺陷，即無法處理類之間相互很接近的數(shù)據(jù)。另外，在初始化時由于將每個象素作為一類這樣使得數(shù)據(jù)處理量極大，計算效率低。因此提出了一種基于空間關(guān)系約束的圖論聚類分割算法。改進算法不但考慮了節(jié)點與區(qū)域之間的空間特征分布，而且在初始化時將灰度相同的象素劃分為一類，這樣不僅縮減了算法所需的存儲空間而且使得數(shù)據(jù)處理的復(fù)雜度得到了極大改善。進一步地，在生成完全圖時利用模糊相似關(guān)系給結(jié)點對對應(yīng)的邊賦權(quán)值，從而提出了一種模糊最大