论文部分内容阅读
图像分割是图像处理和计算机视觉中的基本技术,是大多数图像分析及视觉系统的重要组成部分,也是成功进行图像分析、理解与描述的关键步骤。在图像分割的若干方法中,基于概率熵的阈值选取充分考虑了图像信号具有的随机性,却忽视了图像中包含的模糊性,分割结果在很多情况下是不理想的。所以,对图像分割这样一个基本而又重要的问题,研究利用模糊熵进行解决有其内在的必然性和合理性。采用模糊熵对图像进行分割时,一般是按模糊隶属度取为0.5进行分割的,但当图像的光照不均匀时,上述假设的局限性就显露出来。本文提出的基于广义模糊熵的图像分割方法按模糊隶属度取为m(0<m<1)进行分割,这增多了选择更好分割结果的机会,能够获得比传统模糊熵分割方法更佳的分割效果。本论文主要的研究工作概括如下:(1)针对Cauchy型隶属度函数提出了较合理的模糊域的确定算法,使得最终的阈值更加接近直方图的最低谷;针对S型隶属度函数,给出了S型二维隶属度函数的一个构造,这个S型二维隶属度函数相对于已有的S型二维隶属度函数具有更加明显的几何意义,能够带来更加理想的分割效果。(2)提出了C均值聚类算法和模糊熵相结合的图像分割方法、二维Otsu法和模糊熵相结合的图像分割方法、二维熵法和模糊熵相结合的图像分割方法。在这些结合方法中,均先采用这些常用的图像分割方法对图像进行初步分割,再采用模糊熵对初步分割产生的错分类点进行重新归类。对于含有噪声的图像,这种结合方法会得到优于这些常用图像分割方法的分割结果。(3)给出了广义模糊熵的严格定义,构造了几种广义模糊熵形式,并把它们成功地应用于图像分割中,取得了很好的分割效果。最后还提出了利用图像质量评价准则确定广义模糊熵定义中参数m(0<m<1)的方法,实验结果表明,用此方法确定的m与依靠视觉观察获得的结果是基本上一致的。本论文的工作得到了国家自然科学基金(No: 60572133)的资助。