论文摘要
图像分割就是指把图像分解成各具特性的区域并提取出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤,在图像工程中占有非常重要的位置,并且已在计算机视觉、模式识别和医学图像处理等实际中得到了广泛的应用。在众多的分割算法中,基于模糊系统理论和区域法的分割技术是图像分割领域中极其重要和应用相当广泛的算法。首先由于图像在成像过程中受各种因素的影响,使得要分割的目标与背景之间一般都带有一定的相似性和不确定性,而模糊集合论及由此而发展起来的模糊信息处理技术,对处理带有模糊不确定性的事件及对不精确知识的描述与处理具有得天独厚的优势。而区域分割法则是利用同一对象区域内部的均匀性,依照共同的图像属性来划分图像区域。分割的目的是把图像中的每个象素都赋予一个类别的属性,使得具有预定义属性的象素都聚集在同一个类别之中。因此,本文主要对基于模糊理论的图像分割区域法进行了研究。在方法学上,重点研究了三类目前较为新颖的分割算法,基于信息熵的图像分割方法,基于过渡区提取的图像分割方法,以及基于图论聚类的分割方法,并对三种方法的分割效能进行量化比较。在基于信息熵的图像分割方法中,结合模糊理论和概率论提出了一种基于二维隶属划分的Renyi熵分割算法。调节参数α的使用对信息的度量更具有一般性和灵活性。由于在样本个数固定时,减少分类错误率的办法是增加新的独立特征组成高维特征矢量,使得在低维矢量空间中未显现的特征在高维矢量空间中显现出来。因此,进一步提出了基于三维直方图的最大Renyi熵分割算法。首先对图像进行模糊概率描述,然后在条件概率和条件熵的基础上提出模糊划分熵的新定义。实验表明该方法分割出的目标会在二维直方图上形成一个由直线段与高次双曲线围成的凸形区域,它是区分目标和背景的关键区域,因而可以较精细地分析该区域内象素的归属。后者则利用了象素点的灰度分布信息和邻域空间相关信息,关键区域扩展为一个面和高次双曲面围成的区域,且由于考虑了图像的局部空间信息,即便在图像低对比度和低信噪比时,也可以排除一些噪声的干扰,分割的效果及稳定性较前者有明显增强。在基于过渡区提取的图象分割算法中,首先对传统的过渡区提取理论进行了回顾,传统方法在计算高端剪切和低端剪切有效平均梯度曲线时,当背景区域出现变化幅度很小灰度值波动时,曲线则会发生极大的变化,从而无法保证曲线的单峰特性,导致求得的过渡区可靠性差。因此提出了基于模糊形态学预处理和小波能量特征比变换的过渡区提取与分割算法,从而可以得到较理想的过渡区灰度分布范围。传统图论聚类法由于是以样本数据的局域连接特征作为聚类的主要信息源,这造成该方法在图像处理领域应用的缺陷,即无法处理类之间相互很接近的数据。另外,在初始化时由于将每个象素作为一类这样使得数据处理量极大,计算效率低。因此提出了一种基于空间关系约束的图论聚类分割算法。改进算法不但考虑了节点与区域之间的空间特征分布,而且在初始化时将灰度相同的象素划分为一类,这样不仅缩减了算法所需的存储空间而且使得数据处理的复杂度得到了极大改善。进一步地,在生成完全图时利用模糊相似关系给结点对对应的边赋权值,从而提出了一种模糊最大树图论聚类的图像分割新算法。构造一种简单有效且符合实际应用的模糊相似关系,引入了模糊逻辑,从而可以很好地刻画混合区域的不精确性,达到有效分割的目的。最后本文给出了一套图像分割质量评价算法。利用图像的模糊度来衡量图像分割的质量,并设计了一种实用的非线性映射函数,将图像从空间域变换到模糊性质域。构造评价模型并结合一系列实例对算法性能进行评价并分析评价结果。