论文摘要
图像分割是图像分析、识别和理解的基础,其主要是指将图像分割成几个特定的区域并把我们感兴趣的部分提取出来的技术,关于这方面的研究多年来一直受到人们的高度重视。但是由于图像本身的不确定性,以及噪声等情况的影响,使得图像分割算法面临着许多困难。到目前为止还不存在一种通用的,能够适用于各种类型图像的最优分割方法。鉴于模糊集合理论可以很好的描述不确定性信息,因此,近年来一些学者将模糊理论引入了图像分割中,其中以模糊C均值算法和模糊阈值分割发展的较为迅速。但是由于模糊集合自身的模糊程度不高,并且传统的模糊C均值算法对初始化的依赖程度比较大,因此,图像分割所取得的效果也并不十分理想。本文引入了模糊性更高的二型模糊集合,并在此基础上对传统的模糊C均值方法进行了改进。三型模糊集合是由Zadeh教授于1965年提出的。相对于传统的模糊集合,它的模糊程度更高,能更完整的表述不确定信息。本文中我们就二型模糊集合的定义和性质进行了深入的讨论,并且在此基础上建立了区间二型模糊C均值算法。区间二型模糊C均值算法在图像分割中体现出了比传统模糊C均值算法更优越的性能,在本文中,我们利用两个加权指数m1和m2将样本空间扩展到了一个区间二型模糊集合中,建立了主隶属度函数,同时这两个不同的加权系数形成了二型模糊集合的不确定性轨迹,体现了图像自身的不确定性信息,使我们可以得到更精确的分割结果。我们同样对区间二型模糊C均值算法的降型处理进行了分析,降型处理是区间二型模糊C均值算法最为复杂的计算过程,也是其特点所在,因此对于降型过程的处理是本文比较重要的部分。虽然区间二型模糊C均值算法还存在许多问题,但是二型模糊集合较传统模糊集合更优越的性质是不容忽视的,在处理高不确定性问题时,二型模糊集合的表现要远好于传统模糊集合。