《基于模糊逻辑的图像处理算法研究》由会员分享，可在线阅读，更多相关《基于模糊逻辑的图像处理算法研究（59页珍藏版）》请在金锄头文库上搜索。
1、基于智能计算的图像处理算法研究,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
2、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55的矩形窗口，分别与式(1.1) (1.4
3、)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33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)=Imi
4、n ，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55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
5、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
6、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
7、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
8、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
9、(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
10、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
11、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
12、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
13、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
14、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：,
