基于模糊集合理論的顆粒目標(biāo)分割和識別.pdf

1、基于圖像處理的顆粒目標(biāo)自動分割和識別是工農(nóng)業(yè)生產(chǎn)中實現(xiàn)自動化檢測的重要方法,利用模糊集合理論可以有效地解決目標(biāo)分割和識別中的模糊問題,提高分割識別精度。本文針對模糊集合理論在顆粒目標(biāo)分割和識別中的關(guān)鍵問題進行了深入研究,主要工作如下:
　　1.針對模糊劃分熵多閾值分割算法在確定最優(yōu)閾值時易陷入局部最優(yōu)解的問題進行分析,認(rèn)為這是由于常用的遺傳算法對模糊劃分熵函數(shù)尋優(yōu)時,易早熟的現(xiàn)象導(dǎo)致的。針對該問題,采用染色體編碼、遺傳參數(shù)設(shè)置、進

2、化方向等方面改進后的遺傳算法進行尋優(yōu),應(yīng)用了一種改進遺傳算法的模糊劃分熵多閾值分割算法對顆粒目標(biāo)圖像進行分割。實驗結(jié)果驗證了該算法在顆粒目標(biāo)圖像分割上的可行性和優(yōu)越性。
　　2.針對模糊劃分熵多閾值分割算法對目標(biāo)像素比例大于10％的顆粒目標(biāo)圖像分割時,存在的噪聲大、空間相關(guān)性差、運行時間隨閾值數(shù)量增加而線性增長的問題,提出了一種遞推的模糊劃分熵多閾值顆粒分割算法。首先將圖像總模糊熵公式中不同變量的組合計算轉(zhuǎn)化為遞推過程;然后保存部

3、分不重復(fù)的遞推結(jié)果用于后續(xù)計算;最后使用種群尋優(yōu)算法快速確定最優(yōu)閾值,并采用基于區(qū)域的圖割算法對分割結(jié)果實施優(yōu)化。實驗部分首先對不同的種群尋優(yōu)算法進行性能評估;然后將遞推算法與不同的種群尋優(yōu)算法相結(jié)搜索全局最優(yōu)閾值,以驗證遞推算法的有效性;最后將此算法與常用的多閾值分割算法相對比,以證明提出算法的優(yōu)越性。通過多幅骨料顆粒目標(biāo)圖像分割測試表明,運行時間隨閾值數(shù)量的增加基本保持穩(wěn)定,相比于無遞推策略的模糊劃分熵多閾值分割算法,運行時間提高約

4、10倍-100倍,且較好地去除了噪聲,強化了空間相關(guān)性,提高了分割精度。
　　3.針對模糊劃分熵多閾值分割算法對目標(biāo)像素比例小于10%的模糊小顆粒目標(biāo)圖像分割時,存在的噪聲大,背景干擾強,分割精度低的問題,提出了一種自適應(yīng)模糊劃分熵多閾值顆粒分割算法。首先采用迭代驗證法確定隸屬度函數(shù)窗寬;然后使用自動的圖像劃分算法將圖像分為若干子圖;最后采用基于人工蜂群尋優(yōu)的遞推模糊劃分熵多閾值分割算法對各子圖進行分割,并使用基于像素的迭代圖割算

5、法對分割后的結(jié)果實施優(yōu)化。通過多幅人工仿真圖像和真實FISH基因圖像分割測試表明,常用的自適應(yīng)分割算法和其它尋優(yōu)策略的模糊劃分熵多閾值分割算法的錯誤劃分概率均大于8.00×10-2,而本文算法的錯誤劃分概率小于7.00×10-2。
　　4.針對不同顆粒目標(biāo)的特征量具有模糊界限的問題,提出了基于模糊綜合評判的目標(biāo)識別方法。首先對分割優(yōu)化后的結(jié)果進行形態(tài)學(xué)圖像預(yù)處理;然后選擇適當(dāng)?shù)奶卣髁?建立相應(yīng)的隸屬度函數(shù);最后確定各特征量的權(quán)重值

6、,建立模糊關(guān)系矩陣,進行模糊綜合評判。通過多幅骨料顆粒和FISH基因顆粒目標(biāo)圖像測試表明,本文算法的識別正確率大于95%。
　　5.構(gòu)建了一個較為完整的顆粒目標(biāo)自動分割和識別系統(tǒng)。在系統(tǒng)的構(gòu)建過程中,為了對不同種類的顆粒目標(biāo)圖像實現(xiàn)模糊劃分熵分割算法的自動選擇,采用模糊神經(jīng)網(wǎng)絡(luò)的方法來解決,即將顆粒目標(biāo)圖像在不同模糊劃分?jǐn)?shù)下獲得的模糊熵值作為輸入,各因素的模糊綜合評判矩陣作為神經(jīng)元,確定的模糊劃分熵方法作為輸出,經(jīng)過大量樣本的反復(fù)