基于模糊理论与空间信息的图像分割方法研究

摘要

图像分割是计算机视觉应用的基础,同时也是图像分析领域中具有挑战性的、非常困难的任务。图像分割应用于众多行业，诸如在卫星遥感图像识别、农业生产、人脸识别、产品检测、智能交通管理、雷达图像监测、医学、工业等方面，都起着举足轻重的作用。至今，图像分割没有一种通用的方法，还需要进一步的研究和完善。
　　本文首先叙述了图像分割方法的发展现状，接着深入研究了图像分割的传统方法，并分析它们在实际应用中遇到的问题和存在的缺点，之后提出了一些改进的图像分割方法。主要内容包括：⑴研究了非局部空间自适应阈值分割方法，首先指出最大类间方差法的缺点，进而提出根据分割出的目标和背景灰度统计量为判断标准，对图像的灰度统计直方图进行多次分割，以获得最佳阈值的计算模型，即非局部自适应阈值分割方法。该方法针对图像利用非局部信息的获取方法和迭代过程获得阈值矩阵，通过像素点与邻近阈值矩阵元素的关系确定其隶属度关系，然后进行图像的分割。最后用形态学滤波处理图像，得到比较满意的实验效果。⑵研究了基于广义模糊熵的图像分割方法，首先介绍了De Luca和Termini提出的基于模糊熵的分割方法，这种经典算法虽可达到效果，但仍有其不足的地方需加以改进。改进后的算法是将广义补和广义模糊熵结合，形成了基于补运算的广义模糊熵的图像分割算法。更新广义模糊熵中不动点的值，求出图像质量指标测评值，将新算法与基于模糊熵的图像分割算法进行比较，证明了不动点m是基于广义模糊熵的图像分割算法的关键要素，选取合适的m值对于分割效果至关重要。⑶研究了基于空间信息的阴影集模糊C均值聚类算法。首先介绍了基于阴影集的模糊C均值聚类算法，该算法对于处理图像的边界区域很有效，但由于完全丢弃了图像的空间信息，使它对于含噪声的图像处理能力较低。因此提出了基于空间信息的阴影集模糊C均值聚类算法，并分别比较了局部空间、非局部空间以及局部和非局部结合三种情况，实验证明，该算法比传统的阴影集模糊C均值聚类算法效果更好更优越。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 研究背景及意义

1.2 国内外发展现状

1.3 论文内容安排

2 传统图像分割的方法介绍

2.1 基于边缘的图像分割

2.2 基于区域的图像分割

2.3 基于区域和基于边界相结合的分割方法

3 非局部自适应阈值图像分割法

3.1 引言

3.2 去除背景像素

3.3 非局部自适应阈值分割

3.4 形态学滤波

3.5 实验结果及分析

4 基于模糊熵的阈值分割方法

4.1 模糊集

4.2 几种常用的隶属度函数

4.3 模糊熵

4.4 广义模糊熵

4.5 基于广义模糊熵的图像分割

4.6 实验结果及分析

4.7 改进参数的广义模糊熵阈值分割算法

5 基于阴影集的模糊C均值聚类图像分割

5.1 引言

5.2 模糊C均值聚类算法

5.3 基于阴影集的模糊C均值聚类

5.4 局部空间的阴影集C均值聚类和非局部空间的阴影集C均值聚类

5.5 实验结果及分析

6 本文工作总结与展望

6.1 工作总结

6.2未来工作展望

参考文献

攻读硕士学位期间撰写的论文及科研成果

致谢