粒计算图像分割

《粒计算图像分割》由会员分享，可在线阅读，更多相关《粒计算图像分割（6页珍藏版）》请在金锄头文库上搜索。

1、粒度计算，粗糙嫡和对象提取摘要：在粗糙集和粒度计算的框架内解决対图像对象的提取问题。在图像粒度的概念的基础 上定义的一个衡量叫做“图像的粗糙爛”。根据对象和背景区域的粗糙度的最小化最大化的 结果，从而确定分割的阈值。怎样选择适当的粒度和对粗糙爛有效的计算的方法进行描述。1介绍有人认为，不管是从哲学还是理论的观点来看，信息粒度都是人类解决问题的基础， 因此它对智能系统的设计与实现有着非常重大的影响。在人类认知过程的基础上Zadeh在 1997年确定了三个基本概念，即粒化，组织和因果关系。粒化涉及将整体分解为部分，组 织涉及将部分综合为整体，因果关系涉及原因和效果的关联。一个颗粒是在论域中由一些不

2、 可分辨的，类似的，邻近的或者函数性的店聚集而成的。粒化导致信息压缩/总结。在涉及 不完整，不确定的，模糊的信息的情况下，它可能很难区分不同的元素，取而代之的考虑颗 粒，即从或一组不可分辨的元素，使得方便的执行操作。粒度计算可能被认为是一个在解决 问题的过程中利用这种颗粒的理论，方法和技术的统一框架。最近，粗糙集理论(Pawlak 1991)已经成为一种受欢迎的粒度计算的数学框架。粗糙 集理论的重点是因为有限的分辨率而造成的模糊论域的对象。它的主要概念是对那些不可分 辨的対象设置近似集。迄今为止，粗糙集理论主要用于利用信息颗粒对分类和预测(Skowron and Rauszer, 1992)生

3、成逻辑规则，从而使它成为一个在大型数据集中进行模式识别，图像 处理，特征选择，数据挖掘和知识发现过程中的预期性工具。使用粗糙集的约简规则在通过 丢弃冗余功能进行降低维度/功能选择中发挥重要作用，因而它在挖掘大型数据集中有潜在 的应用价值(Komorouski et al.,1999)。至于粗糙集理论的图像处理方面，至今几乎没有任 何调查报告。然而，在相关领域，如模式分析/聚类提及由Wojcik (1987), Pal和Mitra (2002) 研究。虽然粗糙集被用于描述图像特征以进行分析，但它也用在初始化em算法连同应用聚 类的多光谱图像的最小生成树的一部分。在本文中，我们将展示应用粗糙集和粒

4、度计算从灰度图像中进行对象提取。在灰度图 像中对象域之问的边界通常不够明确。这种不确定性可以通过描述不同对象的粗糙集的上下 近似集來处理。在本次调查中利用粗糙集的近似能力制定的爛测度，称为粗糙爛，用來量化 对彖的背景图像中的不确定性。这是通过定义一个图像作为一个像素的集合和等价关系诱导 每个非重壳窗口内的像素的图像的分区。有了这个定义，图像的粗糙度的各种转换(或分区) 就可以用图像的粒度计算，即不同像素显示的窗口。最大化的嫡测量最小化了由边界区模糊 的对象引起的不确定性。因此，对于一个给定的颗粒大小，相对于不同的图像分区，背景对 象分类的阈值可以通过其最大化获得。考虑到从灰度分布中选择合适的粒

5、度大小的指导原 则，以及一种计算有效粗糙爛的方式所以只扫描一次图像该方法的有效性在不同类型的图 像中都得到了论证。2.图像的粗糙嫡测量2.1粗糙集R=vU,A为一个信息系统，并且B为A的真子集，X为U的真子集。通过构建X的上 下近似集，我们可以近似的认为集合X只用集合B中的元素。如果X为U的真子集，集合 Xeu： XB为X的真子集和集合 Xeu： XBAX不等于空集，叫做X在U上的B下近 似集和B上近似集。(XB表示对象XEU相对于IB (等价关系)的等价类)。它们分别 用BX和BX表示。在B中知识的基础上，在BX下近似集中的元素是肯定为X集中的元素， 在BX上近似集中的元素可能为X集中的元素

6、。在F请中举例说明，深灰色表示下近似集， 亮灰色和深灰色一起表示上近似集。因此，粗糙集是一个清晰集合的粗糙表示。一个相对于 B的X的粗糙度可以用数值描述为（）。意思为，如果集合X的粗糙度为0,那么它相对于 B是清晰的，如果粗糙度0,那么X集会粗糙的。2.2粗糙集图像在灰度图像中边界区域的对象定义总是不明确的，因为它是灰度或空间的模糊之处。这 种不确定性可以通过描述上下近似集中不同的对象来近似处理。这里的上下近似集的概念可 以分别视为一个图像颗粒区域的内部和外部的近似。全集U表示一个图像所有像素的集合。如果我们将U分割为一些非重叠窗口的集合，那 么每个窗口可以被认为是一个颗粒G。换句话说，诱导的

7、等价类Im*n在每个非重叠的窗口 上有m*n个像素。考虑到这种粒化，目标区域的图像可以用粗糙集近似。让我们考虑一个M*N像素，L级图像的对象背景分割（两类）。3目标提取最大限度地降低粗糙度让我们描述一个对象增强/提収方法的原则的基础上最小化的粗糙度两个对象区域和背景区 域，即，最大化REro第2.2节中所解释，一个可以计算的每个T的REt的图像，代表的背 景和物体区域（0, T）和（T +1,，L? 1）,选择一个最大的RETo换句话说，选择7* = arg max REr. 亠 亠 亠， 亠6 r作为最佳的阈值，以提供的对象的背景分割。请注意，粗糙嫡最大化，以获得所需的阈值，基本上意味着对象

8、粗糙度和背景粗糙度最小化。3.1粒度的选择可以看到的，由粗糙爛最大化或最小化的粗糙度测定的T*取决于颗粒的大小。甲选择 的颗粒大小可以由灰度级分布分布的图像，通过选择的值约等于对应于直方图川的所有的峰 的基区的最小宽度的一半。这将允许该算法考虑的所有区域中，所指示的不同的峰，在直方图中的本地信息（详细信息），和便利的最 小区域的检测。任何颗粒较大的（或较小的）比这可能会导致失去了一些希望的区域（或检 测到的寄生的不希望的区域）的减少（或增加）的T*的值，假设感兴趣的区域相对应的下 侧的直方图。选择程序的详细信息的第4节中所示，不同的图像的直方图。3.2以下是有效地执行上述方法选择T *的算法。

9、让，最大灰色和min_灰色的最大和最小的灰 度级值分别的成像。我代表一个窗口，让颗粒MN个像素。让的颗粒的总数b总_ NO_颗粒。初始化：四个整数数组，即反对低，object.上,背景一低,回地一上每个的大小（最大灰色分钟灰色为0。Slop 1: for / = 1 to total_ii()_granulemax_granulei = maximum gray value ofpixels in granideimin_grantdei = minimum gray value ofpixels in granulci(a) for niaxgranule QjQ nuix_grayobje

10、ct_lowcr(f = object_Jowcr(j) + 1(b) for nungranulc! W J W max_grayobject_ upperij) = ohject_t4pperj) + 1(c) for min_gray W J W minranide,huckground_Jo background_lower(J) + 1(d) for nun_gray W / W max_granulefbackground_iipper(J) = backgroundupperij + 1Slop 2: for / = min_ray to nutx_grayobject_roug

11、hncss(I) = 1 objectowcr( /)/objectipperWbackground_rouhness l=I _ background_Jower( /)/backgr(nind_iipper /)Rough jentropy(l)=_芝 x objectmughness(/)logX ohject_roughncss l+ backgr(nuid_roughness( t)log bnckground_rouhness( /)Slop 3: Threshold(optimal)=arg max rough_entropy11.z备注。粗糙爛的计算(并因此算法)给定的max_

12、gray和min_gray,只需要一个单一的扫描 图像中的像素，由于max_granule和min_gnmule对侮个i精确计算一次。因此，该算法的计 算复杂性与直方图是相同的。4.实验结果三个不同类型的图片展示了基于粗糙爛的对象提取方法论的效果。(公式(2)这些是:(i)的文字图像(TEXT), (ii) 一个块(块)，及(iii)的遥感图像(加尔各答)。图像的 细节的如下：TEXT图像(图7 (a)是10032249像素，扫描自新闻简讯IAPR。块状图 像(图8 (a)是用CCD相机拍摄的，大小是512512像素。加尔各答图像是IRS-1A的 图像，这是使用LISS-II (线性成像自扫描

13、仪扫描仪)在范围的波O.77-0 .86 um,它的空 间分辨率36.25米36.25米。“图像覆盖的区域在城市附近的Cal-cutta (图9 (a)。图像 大小为512512。由于照明不足，实际展示的图片看起来不清。；因此，为方便起见，对输 入的图像的增强版本突出的不同的对彖区域示在图，图9 (a)o首先，我们讨论的颗粒大小的选择(窗口大小)对这些图像进行粗糙爛的计算。所有 这些图像的直方图(图7-9)呈双峰型。对于TEXT图像(图4)的每个区域的基区宽度是 大约30的水平。因此，正如在第3节，我们采取的颗粒大小为1515 (基数较小宽度的一 半)。100150Gray level2005

14、0250Aouangd:a-m-Dr0.050.04020.01o1020304050607080Gray level实验就建立在这几种粒度值，也有其他的值，以证明上述选择标准的有效性。结果如 ToTEXT （文本）看到的图象是清楚地分割成文本和背面的接地部分，见图7 （b）,与阈 值169确定与颗粒大小：1515o其他两个由窗口尺寸1010和1919而得到的结果见图 7 （c）和（d）对应的阈值171和168o正如在3节中，颗粒大小的增加被看作是减少T* 的价值，反之亦然。由于直方图两个主要的峰区，具有广泛的光滑平坦的波谷，由此产生的 阈值图像不具有显着的视觉变化，甚至一个大的颗粒大小的变化

15、1010至1919oUliiH is Rincm R(coalition?Wliiit is Rwcm Recognition?WMf itkmm Mere* an0a Fcr astts.f MryMy INTLRNATIONAL ASSOCIATION FOR PATTERN RtCOGNITiONINTER、AJONAL ASSOCIATION FOR PATTERN RLCOGNUIONIs Kiti*n)Kxx)giihlon? twrv rwvtalMM* WWe MTMb AdcRM pin g aMm. wvmmiMMitMttolvaAtiiBtMa I* of .1 n .satiM