基于模糊集理论的图像增强和图像分割算法研究

摘要

图像作为一种有效的信息载体，是人类获取和交换信息的主要来源。由于人的视觉特性和数字图像本身所具有的模糊性，模糊集理论在图像处理方面有很大的优势，于是基于模糊集理论的图像处理技术逐渐成为人们的研究热点。图像增强是图像处理中的一个重要预处理环节，其目的是为了改善图的质量和视觉效果，以获得更加有用的信息。图像分割是从输入图像中提取目标或感兴趣区域的过程，是目标检测和识别过程中的重要步骤。在提出的上千种分割算法中，基于聚类的分割算法是一类极其重要且应用广泛的算法，而聚类算法中最普遍使用的是模糊C均值聚类算法(FCM)，该类算法避免了设定阈值，且对于图像分割自动化具有重要意义。
　　 本文主要对基于模糊集理论的图像增强和分割技术进行了研究：第一，在分析了常用的图像增强方法基础上，针对Russo提出的模糊神经网络图像增强算法采用固定参数的局限性，提出了一种改进的自适应参数增强方法。通过计算每个像素与其邻域像素加权均值的灰度差来确定噪声率，实现平滑、锐化参数的自适应选取。实验证明，该算法与Russo算法及其他算法相比，得到了更好的平滑效果。第二，由于标准模糊C均值聚类分割算法没有考虑相邻像素灰度值上的相关性，因此对噪声比较敏感。为了克服这一缺点，提出了一种改进的自适应FCM图像分割算法，该算法利用邻域灰度信息和邻域隶属度信息得到中心像素的隶属度修正系数，然后根据不同的修正系数对隶属度矩阵作自适应修正。实验结果表明，对于噪声图像，与标准FCM算法及其它改进算法相比，该算法能够取得更好的分割效果。后，设计并实现了模糊图像处理系统，该系统主要实现了图像增强和图像分割模块，并对提出的算法及其他图像增强和分割算法进行了实验。