基于模糊信息处理的图像分割方法研究

苏悦

陕西省西安市西北工业大学

基于模糊信息处理的图像分割方法研究

苏悦

陕西省西安市西北工业大学

图像分割在计算机视觉领域有极其重要的位置，尤其在图像理解、成像目标的识别与跟踪中更是关键技术所在，因为分割技术的好坏直接影响视觉系统的良莠，所以它的影响是巨大的。

图像分割；模糊信息处理；视觉系统

人类在获取外在世界信息的过程中有80%是通过视觉来获得的，而人的视觉系统却是一个好的信息处理的大系统，它能够准确的将复杂的外部景物进行识别、追踪并通过大脑对这些信息进行判断和处理。让机器模拟人的视觉系统进行研究形成了一门交叉学科—计算机视觉学。计算机视觉研究对计算机自动化、智能化水平有极大的促进作用。计算机平常处理的是数字和符号信息，而计算机视觉低层次的处理是通过二位数字图像阵列进行的，对于高层次的处理就需要用符号来表达了，在数字向符号的转化过程中须把数字表达的图像阵列转化为能够表征该数字集的具有几何特征的符号，该过程就要用到分割。分割是计算机视觉的最基本问题，因为它是视觉系统性能的关键性因素，所以图像分割问题成为人们热衷研究的热点问题。

1　模糊信息处理在图像分割中的意义

模糊信息处理是利用模糊数学来处理带有模糊不确定性的信息，之所以会存在这样的模糊性主要原因是：首先，日常生活中存在的很多对象本身就具有模糊性，也可以说是具有一系列的中间过度状态，这样就不得不用模糊集合来刻画，因为对于经典集合论来说，对于某个对象来说具有某一性质或完全不具有某种性质，但自然界中却存在特殊的例子，比如，自然界中存在的元素有金属和非金属两类，但是某些元素既具有金属的部分特征还具有非金属的一些特征，这样就形成了模糊性。其次，由于受到技术手段和能力的局限或受外部环境影响，可能会造成人们对于研究对象信息获取不充分，从而对事物认识出现模糊性。在图像分割的视觉任务中，以上两种模糊性的情况都存在。图像分割是视觉任务中的重要任务，而模糊信息处理技术自身却具有灵活、高效、简洁等优势，所以用模糊信息处理技术来解决实际问题有一定的合理性。

2　基于模糊信息处理的图像分割方法

其实在现实生活中受到一些不可控情形和现实状况的影响会得到模糊不清的图像。如，图像和背影相互交叠或边界不明确的图像等，这些图像给分割带来了很大的分割困难，本章举例提出一种能够由于降质的分割方法---基于代价函数和模糊熵的图像分割方法：

在对受到噪声干扰和较模糊的图像进行图像分割时利用阀值分割法效果往往并不理想，而利用代价函数最小化技术来进行图像分割却能收到较好的分割效果。该法首先需要将现在手头已有的图像重组一个理想的图像，后将该重组的图像进行阀值分割，理想图像的重组是通过一个代价函数最小的优化过程来实现的，代价函数是指手头已有图像和理想图像之间匹配程度的一个度量。该代价函数的匹配程度越高则重组图像的质量就越好，因此该代价函数的选取是本项技术的关键所在。例1为该原理的图像分割实例。

例1图像有目标“H”和背景两部分组成，目标的灰度均值为120，标准均方差为20，背景的灰度均值为100，标准均方差为20，图像和图像直方图如下图所示。（直方图显示目标与背景严重交叠，采用一般阀值分割无法分割图像）

图1　被污染的图像

图2　被污染图像直方图

第一步：利用代价函数最小化技术对退化图像进行平滑处理代数函数如下

其中f（u）代表退化后的图像在u=（i，j）处的灰度值。x（u）代表退化前的理想图像在u=（i，j）处灰度值的一个近似值，U表示所有像素的集合，V（u）是与u（i，j）的临近像素的集合，本文现选取临近的8个相似点，其大小为3*3，而中心在（i，j）的一个窗口中的像素，λ为指定数值2，上式变形为：

通过该式循环迭代得下式：

通过该式可以得到一副平滑的图像如图4所示，由图三可以看出目标与背景的灰度均值分别为120和100，他们之间这个极小值为阀值，对象进行阀值分割即可得图4，可得目标中正确率为89%，而背景正确分利率为91%。

图3　平滑图像直方图

第二步用模糊熵对平滑后的图像做进一步处理

将平滑后图像的直方图进行图像阀值分割，错误分类率比较大。本文先用最小模糊熵原则来达到目的。

在平滑后的图像灰度值矩阵中（大小为n*n），取一个中心在（i，j）窗口Wn（i，j），.当n=3时，第一步中目标与背景的灰度值分别为120和100，因此设a=100，b=120.

以该窗口为论域定义的两个模糊集合为A，B，其模糊熵测度定义为，

如果该窗口Wn（i，j）处于背景区域，则e（A）＜e（B），所以x（i，j）=100.相反则使x（i，j）=120.通过这样的处理可以将目标集合中，被阀值分割错误的分割到背景集合中的像素重新正确的再次归类到目标集合。例如，若窗口中心像素的灰度值x（i，j）=100，则他周围的8个像素的灰度值为120，经过模糊熵最小原则进行处理，其灰度值会变为120，符合实际情况。经过进一步处理后，得到图5，目标的正确分离率为98.92%，背景中的正确分利率为99.15%。

图4　平滑图像的分割图

图5　模糊熵进一步处理后的分割图

当目标与背景交叠严重，通常用一般的阀值分割法无法进行图像分割，用代价函数和模糊熵的图像分割法可以用代价函数最小化对退化的图像做预处理，然后再通过模糊熵对图像做进一步的处理，这种方法不仅可以降低分割图像的错分率，而且还可以改善图像的视觉效果。

3　结语

计算机视觉领域图像处理是研究的基础，由于受到多重因素的影响，其成为计算机视觉领域的研究热点，对于复杂和多样的视觉任务来说，由于多种因素可以影响到成像，所以在分割目标与背景时一般都带有不确定性，在处理带有模糊不确定事件和知识上应运而生了模糊信息处理技术。本文主要研究以模糊信息处理为基础的利用不同图像信息进行图像分割的原理，进而提出了方法。

［1］张广全.模糊测度论.贵州科技出版社，1994.

［2］钟义信.信息科学原理.北京邮电大学出版社，1996.

［3］赵荣椿.一种图像纹理特征提取与分割的新方法.电子学报，1994.