基于模糊集理論的圖像增強和圖像分割算法研究.pdf

1、圖像作為一種有效的信息載體，是人類獲取和交換信息的主要來源。由于人的視覺特性和數(shù)字圖像本身所具有的模糊性，模糊集理論在圖像處理方面有很大的優(yōu)勢，于是基于模糊集理論的圖像處理技術(shù)逐漸成為人們的研究熱點。圖像增強是圖像處理中的一個重要預(yù)處理環(huán)節(jié)，其目的是為了改善圖的質(zhì)量和視覺效果，以獲得更加有用的信息。圖像分割是從輸入圖像中提取目標或感興趣區(qū)域的過程，是目標檢測和識別過程中的重要步驟。在提出的上千種分割算法中，基于聚類的分割算法是一類極其重

2、要且應(yīng)用廣泛的算法，而聚類算法中最普遍使用的是模糊C均值聚類算法(FCM)，該類算法避免了設(shè)定閾值，且對于圖像分割自動化具有重要意義。
　　 本文主要對基于模糊集理論的圖像增強和分割技術(shù)進行了研究：第一，在分析了常用的圖像增強方法基礎(chǔ)上，針對Russo提出的模糊神經(jīng)網(wǎng)絡(luò)圖像增強算法采用固定參數(shù)的局限性，提出了一種改進的自適應(yīng)參數(shù)增強方法。通過計算每個像素與其鄰域像素加權(quán)均值的灰度差來確定噪聲率，實現(xiàn)平滑、銳化參數(shù)的自適應(yīng)選取。實

3、驗證明，該算法與Russo算法及其他算法相比，得到了更好的平滑效果。第二，由于標準模糊C均值聚類分割算法沒有考慮相鄰像素灰度值上的相關(guān)性，因此對噪聲比較敏感。為了克服這一缺點，提出了一種改進的自適應(yīng)FCM圖像分割算法，該算法利用鄰域灰度信息和鄰域隸屬度信息得到中心像素的隸屬度修正系數(shù)，然后根據(jù)不同的修正系數(shù)對隸屬度矩陣作自適應(yīng)修正。實驗結(jié)果表明，對于噪聲圖像，與標準FCM算法及其它改進算法相比，該算法能夠取得更好的分割效果。后，設(shè)計并實