基于模煳逻辑的图像处理算法研究（石振刚）.ppt

基于模糊逻辑的图像处理算法研究 研究生 石振刚导师 高立群 博士毕业答辩 绪论 主要内容 基于模糊逻辑的图像去噪算法 结论 基于模糊逻辑的边缘提取算法 基于模糊逻辑的阈值分割算法 模糊信息处理是利用模糊数学工具 来处理带有模糊不确定性的信息 在图像处理中 由于成像期间空间分辨率及各种光照条件的影响 使得目标图像边界与背景之间的像素灰度具有中间过渡性质 从而使目标物的边界具有模糊性 另外 图像处理往往是一个信息不足的不适定问题 由于问题的复杂性 不可能完全搞清楚造成这种信息不足的全部原因 因而 对于图像处理这样一个复杂的问题 利用模糊信息处理技术来进行研究有其内在的必然性和合理性 绪论 基于模糊逻辑的脉冲噪声滤波算法 基于模糊逻辑的图像去噪算法 基于模糊逻辑的偏微分方程去噪算法 引言 经典的滤波工具主要有线性低通滤波和非线性中值滤波 线性低通滤波在滤出噪声的同时 常常会模糊图像边缘或轮廓 非线性中值滤波在一定程度上克服了这一缺点 但滤波效果受选择滤波窗口影响很大 为了克服单一使用中值滤波方法去除脉冲噪声会造成图像细节信息丢失 使图像变模糊的缺陷 提出一种新的基于模糊逻辑的图像滤波算法 基于模糊逻辑的脉冲噪声滤波算法 脉冲噪声点检测 1 1 1 2 1 3 1 4 基于模糊逻辑的脉冲噪声滤波算法 设当前像素点的坐标为 x y 灰度值为f x y 其邻域取大小为5 5的矩形窗口 分别与式 1 1 1 4 所示模板进行卷积运算 卷积运算结果为wi x y i 1 2 3 4 定义wi x y 绝对值的最小值为像素点 x y 的脉冲噪声检测值w x y 若像素点 x y 为孤立的脉冲噪声点时 w x y 的值将较大 若像素点 x y 为非脉冲噪声点或图像边缘点时 w x y 的值较小 设置一阈值wT 若w x y wT 则可判定此点为脉冲噪声点 脉冲噪声点检测 基于模糊逻辑的脉冲噪声滤波算法 改进MMEM算法的滤波实现步骤如下 1 在输入图像灰度值矩阵中任取一个中心在 x y 大小为3 3的窗口 找出灰度最大值Imax和最小值Imin 若I x y Imax或I x y Imin 则令I x y 0 去除它们 即去除那些受噪声严重污染的像素点 如剩下的像素个数大于等于3 则去除它们中的最大和最小灰度值 然后用其平均值作为滤波器的输出 如剩下的像素个数大于零小于3 则用其灰度值的平均值作为滤波器的输出 如剩下的像素的个数等于零 执行步骤 2 噪声像素点灰度值复原 基于模糊逻辑的脉冲噪声滤波算法 2 取一个大小为5 5的窗口 找出灰度最大值Imax和最小值Imin 若I x y Imax或I x y Imin 则令I x y 0 然后用剩下像素灰度值的加权平均作为滤波器的输出 其公式为 噪声像素点灰度值复原 基于模糊逻辑的脉冲噪声滤波算法 若窗口中的像素均被丢弃 则用相邻4个滤波器输出值的加权平均作为滤波器的输出 其公式为 噪声像素点灰度值复原 基于模糊逻辑的脉冲噪声滤波算法 设脉冲噪声检测值w x y 为一模糊事件 其隶属函数为 定义如下模糊规则 1 若某一像素点的w x y 值较大 则该像素点为脉冲噪声点的可能性也就较大 相应地隶属函数也较大 2 若某一像素点的w x y 值较小 则该像素点为脉冲噪声点的可能性也就较小 相应地隶属函数也较小 噪声像素点灰度值复原 基于模糊逻辑的脉冲噪声滤波算法 像素点为脉冲噪声点 隶属度值决定了其可能的程度 滤波器输出应以隶属度值为权重 同时考虑原输入点灰度值和用改进MMEM算法对噪声像素点的估计灰度值 噪声像素点灰度值复原 基于模糊逻辑的脉冲噪声滤波算法 根据以上分析 得出下式 实验结果与分析 LENA图像几种不同算法的PSNR值比较 基于模糊逻辑的脉冲噪声滤波算法 实验结果与分析 LENA图像几种不同算法的MSE值比较 基于模糊逻辑的脉冲噪声滤波算法 实验结果与分析 a b c d e f g 基于模糊逻辑的脉冲噪声滤波算法 实验结果与分析 a b c d e f g 基于模糊逻辑的脉冲噪声滤波算法 基于模糊逻辑的脉冲噪声滤波算法 e f g a b c 实验结果与分析 结论 单一使用传统中值滤波方法去除脉冲噪声时会造成图像细节信息的丢失 使图像变模糊 为克服此缺陷 提出了一种新的基于模糊逻辑的图像去噪算法 从实验结果中可以看到 与中值滤波算法及其他改进的中值滤波算法相比 新算法在去除脉冲噪声时能获得较好的效果 基于模糊逻辑的脉冲噪声滤波算法 引言 近年来 基于偏微分方程 PDEs 的去噪方法在图像处理与分析领域得到了广泛的重视 因为它在平滑噪声的同时 可以使边缘得到保持 本节将模糊逻辑思想与Perona Malik方法相结合 提出了一种对高斯噪声图像更有效更有适应性的基于模糊逻辑的偏微分方程去噪算法 基于模糊逻辑的偏微分方程去噪算法 传统PM算法的缺陷 在实际应用中PM模型存在着以下的缺陷和局限性 1 常常不能够有效地消除小尺度区域的噪声和梯度很大的突变 2 提供的两种扩散系数都只是启发性的 并且还没有足够的理论来支持其合理性 3 阈值参数的选取难以控制 基于模糊逻辑的偏微分方程去噪算法 基于粒子群优化算法确定扩散系数阈值参数 由于在对灰度图像的处理中 灰度值数据类型通常选用double型 因而种群中粒子及其速度我们都采用实数编码 粒子群编码格式如下所示 其中 dimSize表示参数维度 本文中为3 popSize表示种群大小 使得模糊熵 达到最大 从而完成 扩散系数阈值参数的确定 基于模糊逻辑的偏微分方程去噪算法 实验结果与分析 a 原图 b 高斯噪声图像 c PM算法结果 d 本文算法结果 基于模糊逻辑的偏微分方程去噪算法 实验结果与分析 a House原图 b 高斯噪声图像 c PM算法结果 d 本文算法结果 e PM算法边缘提取 f 本文算法边缘提取 基于模糊逻辑的偏微分方程去噪算法 实验结果与分析 a 污染原图 b 中值滤波结果 c PM结果 d 本文方法结果 基于模糊逻辑的偏微分方程去噪算法 结论 在分析了PM算法缺陷的基础上 提出了一种改进的基于模糊逻辑的偏微分方程去噪算法 该算法将隶属度分布函数作为PM算法中扩散方程的扩散系数 利用模糊熵概念及粒子群优化算法来选取扩散系数阈值参数 从而能够比较合理地解释各向异性扩散的过程 最后 以三幅灰度图像进行验证 结果证明 所提方法不仅能够较好地抑制高斯噪声 而且能够很好地保持图像的细节 验证了算法的有效性 基于模糊逻辑的偏微分方程去噪算法 基于粒子群模糊聚类的边缘检测算法 基于模糊逻辑的边缘提取算法 基于模糊增强的图像边缘检测算法 引言 用FCM算法进行图像边缘检测时存在对初始化敏感及容易陷入局部极优的两大缺陷 针对上述缺点 许多研究人员把进化计算引入到模糊聚类中 以期达到全局寻优 快速收敛的目的 形成了基于进化计算的模糊聚类算法 本节利用PSO算法全局寻优 快速收敛的优点结合FCM算法提出一种新的粒子群模糊聚类算法 并将其应用于图像的边缘检测中 给出了一个新的基于粒子群模糊聚类的图像边缘检测算法 基于粒子群模糊聚类的边缘检测算法 图像边缘点特征向量定义 1 邻域一致性分量 R i j max Gk1 Gk2 k 1 2 N Gk1 Gk2分别为线素方向 k两侧的灰度平均值 基于粒子群模糊聚类的边缘检测算法 2 结构性分量 3 方向性分量 基于粒子群算法的模糊聚类 将粒子群优化算法应用于模糊聚类问题要解决两个问题 一是粒子编码问题 二是如何构造适应度函数来度量每个粒子对问题的适应程度 由于FCM算法核心是聚类中心的确定 因此PSO算法对聚类中心Vi i 1 2 c 进行编码 对任一粒子xi编码如下 xi vi1 vi2 vij vic 其中vij表示第i种聚类方式中的第j个聚类中心 显然 如果群体规模为n 则代表有n种聚类方式 基于粒子群模糊聚类的边缘检测算法 算法步骤 算法的具体步骤描述如下 1 数据集的产生 2 应用基于粒子群算法的模糊聚类方法对第1步所形成的数据集进行聚类 形成最优聚类中心矩阵 3 由第2步所形成的最优聚类中心矩阵计算出最优模糊分类矩阵 然后根据最大隶属度原则来确定最优的聚类划分 从而提取出边缘点类 基于粒子群模糊聚类的边缘检测算法 实验结果与分析 信噪比分别为90 60 30 20 10的Ring标准图 基于粒子群模糊聚类的边缘检测算法 不同方法对Ring标准图进行边缘检测的Pratt品质因数值 基于粒子群模糊聚类的边缘检测算法 实验结果与分析 a rice加噪图 b Canny算子检测结果 c 文献 88 方法检测结果 d 本文方法检测结果 基于粒子群模糊聚类的边缘检测算法 实验结果与分析 a 加噪图 b Canny算子检测结果 c 文献 88 方法检测结果 d 本文方法检测结果 基于粒子群模糊聚类的边缘检测算法 实验结果与分析 基于粒子群模糊聚类的边缘检测算法 实验结果与分析 a 加噪图 b Canny算子检测结果 c 文献 88 方法检测结果 d 本文方法检测结果 结论 本节构造了边缘检测性能更好的边缘点特征向量来定量描述边缘点附近的灰度分布是有序的 具有方向性以及灰度突变是具有结构性的三个本质特征 由于所提方法在构造边缘点特征向量时 充分地考虑了噪声点和边缘点的本质差别 因此此方法对噪声具有良好的抑制作用 利用基于粒子群算法的模糊聚类方法进行边缘检测 本节方法能产生较明确的边缘 无需再进行细化处理 提高了边缘定位的精度 基于粒子群模糊聚类的边缘检测算法 引言 1980年Pal和King提出了一种单层次模糊增强算法 但这种单层次模糊增强算法使阈值参数附近的某一边缘得到增强 但同时却使远离阈值参数的其他边缘受到抑制 从而引起图像视觉效果下降 另外 由于算法采用非线性模糊增强变换函数 使得运算速度慢且损失部分灰度信息 为克服Pal和King单层次模糊增强算法的不足 提出了一种更有效同时能较好抑制噪声的基于模糊增强的图像边缘提取算法 基于模糊增强的图像边缘检测算法 传统单层次模糊增强算法及其缺陷 Pal定义的隶属函数如下 模糊增强算子定义为 基于模糊增强的图像边缘检测算法 改进的图像多层次模糊增强边缘提取算法 1 基于模糊熵选取阈值参数 2 基于改进模糊算子的图像增强 3 模糊集到图像集的变换 4 增强图像的边缘提取 基于模糊增强的图像边缘检测算法 c Pal算法结果 d 本文算法结果 基于模糊增强的图像边缘检测算法 实验结果与分析 a House原图 b 原图直方图 基于模糊增强的图像边缘检测算法 实验结果与分析 a 原图 b 原图直方图 c Pal算法结果 d 本文算法结果 基于模糊增强的图像边缘检测算法 实验结果与分析 a 原图 b 原图直方图 c Pal算法结果 d 本文算法结果 结论 本节在分析了传统单层次模糊增强Pal算法缺陷的基础上 提出了一种改进的基于模糊增强的图像边缘提取算法 该算法定义了多层次图像的模糊熵及一个基于模糊熵的测度 同时还提出一种新的模糊增强算子 从而更有效地增强了图像边缘信息 算法中先求层次 进行模糊平滑处理 再作模糊增强处理 最后进行边缘提取 比传统单层次模糊增强Pal算法处理所得的图像效果更佳 通过仿真实验 验证了算法的有效性 基于模糊增强的图像边缘检测算法 基于模糊逻辑的图像阈值分割算法 基于模糊逻辑的阈值分割算法 基于模糊连通度的图像阈值分割算法 引言 本节提出了一种新的有效的图像阈值分割方法 该方法首先给出一个新模糊熵的定义 这个模糊熵定义不仅考虑到图像在模糊域中划分区域时随隶属函数变化而变化的情况 同时也考虑到图像在空域中划分区域时随隶属函数变化而变化的情况 这样就使得图像依照最大熵准则变换到模糊域更能够有效地反映图像的固有信息 然后 采用粒子群优化算法寻求隶属函数的最优参数 得到分割的最佳阈值 并用该阈值对图像进行分割 基于模糊逻辑的图像阈值分割算法 传统模糊熵分析 图像信息熵定义如下 上式所定义的熵仅能表征图像在空域中的信息量 而不能体现出变换到模糊域后的信息量 定义一个模糊熵 这个模糊熵要能够反映出图像通过隶属函数从空域变换到模糊域所能保持信息量的大小 基于模糊逻辑的图像阈值分割算法 传统模糊熵分析 Zadeh定义的模糊熵为 Kaufmann定义的模糊熵为 其中 基于模糊逻辑的图像阈值分割算法 定义新的模糊熵 定义新的模糊熵如下 其中 从上式可以看出 当隶属函数参数变化时 新定义的模糊熵变化情况不仅与模糊域中的隶属度变化有关 而且与空域中的灰度值概率变化有关 基于模糊逻辑的图像阈值分割算法 隶属函数参数及最佳分割阈值的确定 1 隶属函数的选取采取S函数为模糊隶属函数 其形式如下 2 利用粒子群优化算法求出最优解 使得模糊熵达到最大 完成S函数的最优参数确定 其中b即为最佳分割阈值 基于模糊逻辑的图像阈值分割算法 实验结果与分析 a Tracy原图 b Tracy图直方图 c 文献 119 算法阈值分割二值图 d 文献 120 结果 e 文献 121 结果 f 本文结果 基于模糊逻辑的图像阈值分割算法 实验结果与分析 a 原图 b 原图直方图 c 文献 119 算法阈值分割二值图 d 文献 120 结果 e 文献 121 结果 f 本文结果 基于模糊逻辑的图像阈值分割算法 结论 为确定图像分割的最佳阈值 提出了一种新的图像阈值分割算法 该算法定义了一个新的模糊熵 根据最大熵准则采用粒子群优化算法确定隶属函数的最优参数 自动地确定最佳分割阈值 然后将原始图像变换到模糊域 在模糊域进行图像增强 最后将增强图像变换到空域进行阈值分割 通过仿真实验 验证了算法的有效性 基于模糊逻辑的图像阈值分割算法 引言 基于模糊连通度的阈值分割算法 其基本思想是用模糊连通度代表图像中两个像素点的相似性 然后根据某种特定划分建立相应的能量函数 该能量函数的最小值即对应图像的一个最佳划分 该方法通常具有较高的复杂性 实时性较差 因而在很多实时视觉处理场合无法采用 基于此原因 提出了一种新方法 该方法采用图像划分测度作为阈值分割的准则来区分目标和背景 基于模糊连通度的图像阈值分割算法 基于模糊连通度的图像阈值分割算法 设图像场I V E 其中V是图像像素点的集合 E是连接像素点边的集合 连接每两个像素点的边均赋予权值w u v 这里w u v 为两个像素点间的模糊连通度 该权值衡量节点u和v的相似程度 如果将节点集V分成两个独立的子集A和B 其中B V A 那么通过移去连接A和B中所有节点的边就可以得到点集A和B之间的分离度 称为划分 cut 基于模糊连通度的图像阈值分割算法 算法描述如下 构建基于像素的权值矩阵W 对于一幅给定图像I 计算任意两像素点之间的模糊