面向目标检测的粗集理论及其应用研究

论文摘要

目标检测是从图像中判断感兴趣物体是否存在，及存在信息的过程。其准确性和实时性是系统的重要评估指标之一。概括来说，目标检测主要分为两部分，先确定图像中是否存在目标，若存在，则判断目标的属类并确定其位置。提取出感兴趣物体是后续匹配识别处理的重要过程，也就是图像分割。目前常用的图像分割算法主要有阈值分割、基于边缘的分割、基于区域的分割和聚类分割方法等。其中阈值分割由于其简单易于操作和在寻找紧密边界的优势而得到广泛应用。由于图像邻近灰度级之间的过渡使得图像含有模糊边缘，邻近灰度级之间的相似性和图像像素点之间的关联性也会产生含糊性，这就给寻找合适的阈值增加了难度。近年来，有学者将粗集理论以及粗集理论的一些扩展理论应用到图像处理中，取得了相较于传统方法更好的结果。本文在介绍目标提取和粗集相关理论的基础上深入研究了图像表示模型，并结合粗糙熵研究基于图像模型的阈值分割算法，针对不同的分割要求，结合模糊集、S-粗集构造了不同的图像分割算法。进一步的，给出了基于图像模型的边缘检测算法，主要工作如下：（1）图像模型构造：将图像视为模糊集，探讨图像的模糊上、下近似，构造了图像模糊粗集表示模型；引入具备动态迁移特性的S-粗集，通过定义迁移准则，建立了开放的图像S-粗集表示模型；同时结合包含度，提出了适应离散点迁移的图像变精度S-粗集表示模型。（2）阈值分割算法构造：利用粗糙熵平衡目标粗糙度和背景粗糙度，由最大熵原理知当粗糙熵最大时得到最优阈值，建立了基于上述三个图像模型的阈值分割算法。（3）边缘检测算法构造：将灰度边缘图像视为考虑对象，通过构造的图像模型阈值分割算法确定边缘二值化阈值。在S-粗集模型中考虑“边缘”特性，提出了双向S-粗集边缘检测算法。（4）仿真实验证实了本文所提算法的有效性、灵活性和抗噪性.

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 背景与研究意义
• 1.2 目标检测概述
• 1.2.1 基本概念
• 1.2.2 图像分割研究现状
• 1.2.3 图像分割评价标准
• 1.3 粗集理论在图像中的应用
• 1.4 本文主要研究内容与创新点
• 1.5 本文组织结构
• 第2章 基础知识
• 2.1 知识
• 2.2 粗集
• 2.3 模糊粗集和粗模糊集
• 2.4 S-粗集
• 2.4.1 S-粗集产生背景
• 2.4.2 单向 S-粗集
• 2.4.3 双向 S-粗集
• 2.5 熵和粗糙熵
• 2.6 粒计算简介
• 2.7 本章小结
• 第3章 基于粗糙熵的图像模糊粗集阈值分割
• 3.1 图像的粗集表示
• 3.2 图像的粗糙熵度量及阈值分割算法
• 3.3 图像的模糊粗集表示
• 3.4 图像粗糙熵及阈值分割算法
• 3.5 实验结果分析
• 3.6 本章小结
• 第4章 基于粗糙熵的图像 S-粗集阈值分割
• 4.1 图像的 S-粗集表示
• 4.2 图像的变精度 S-粗集表示
• 4.3 基于图像模型的阈值分割算法
• 4.4 实验结果分析
• 4.4.1 图像 S-粗集阈值算法与 Pal 法的比较
• 4.4.2 图像 S-粗集阈值算法与其他阈值法的比较
• 4.4.3 图像 S-粗集阈值算法与变精度阈值算法的比较
• 4.4.4 图像变精度 S-粗集阈值算法与传统阈值法的比较
• 4.5 本章小结
• 第5章 基于粗集和 S-粗集的图像边缘检测算法
• 5.1 经典模糊粗集边缘检测算法
• 5.2 粗集和 S-粗集边缘检测算法
• 5.3 实验结果分析
• 5.3.1 图像粗集模型边缘提取
• 5.3.2 图像 S-粗集模型边缘提取
• 5.4 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢