一种基于模糊逻辑的自适应阈值图像分割方法

一种基于模糊逻辑的自适应阈值图像分割方法
周莹;杜雯超;彭庆畅;刘宇红
【摘要】图像是人类感知世界的视觉基础,然而在人类通过视觉获取的大量图像信息中,并不是所有的信息内容都是我们所需要的,所以需要把图像分成若干个特定的、具有独特性质的区域.本文对图像分割方法进行了研究,给出了一种基于模糊逻辑的
自适应阈值图像分割方法,并将其应用于车牌图像中,在MATLAB环境下对两幅典
型图像通过Otsu方法、脉冲耦合神经网络算法和本文所提算法进行仿真分析,结
果对比分析显示本文方法在综合方面略优于其他两种对比方法.
【期刊名称】《微型机与应用》
【年(卷),期】2015(034)001
【总页数】3页(P53-54,62)
【关键词】图像分割;阈值法;模糊逻辑;MATLAB
【作者】周莹;杜雯超;彭庆畅;刘宇红
【作者单位】贵州大学大数据与信息工程学院,贵州贵阳550025;贵州大学大数据
与信息工程学院,贵州贵阳550025;贵州大学大数据与信息工程学院,贵州贵阳550025;贵州大学大数据与信息工程学院,贵州贵阳550025
【正文语种】中文
【中图分类】TN912
所谓图像分割，就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程[1]。

对车牌图像进行有效的分割是后续对车牌字符分割的基础，
合理的分割结果能更好地找到图像中的有用信息并方便对其进行处理。

自1965年美国数学家L.Zadeh首次提出了Fuzzy集合的概念，模糊理论发展至今已接近三十余年，应用的范围非常广泛，其中利用模糊数学这一工具来处理具有模糊不确定性的信息就叫做模糊信息处理。

本文通过改进原有的一些模糊阈值分割方法，提出了一种基于模糊逻辑的图像分割方法，并且将其应用于车牌图像分割中，同时对本文算法与其他图像分割方法进行对比仿真分析。

图像分割的目的是将图像中有用的信息提取出来，可以借助模糊集与系统理论来理解、表示和处理分割图像，得益于图像固有的内在模糊性，从而为模糊集与系统理论的应用提供了用武之地。

一幅图像拥有不同的特征值，本方法通过图像灰度对图像进行分割。

对于一幅
M×N图像，其灰度级为0～255，但对于一幅具体的图像来说，灰度级可能不会覆盖全部的256个阶，所以可以由图像的灰度直方图得到图像灰度的范围为0～F-1。

本文以车牌图像为例，设定目标为车牌，图像其他部分为背景，其灰度直方图如图1所示。

首先通过原有分割算法对图像进行预分割，通过预分割得到背景（BackgroundRegion，BR）及目标区域（0bject Region，OR）。

随机选取有限个背景和目标区域像素点，结合灰度直方图计算其灰度均值，得到gb和go分别为背景与目标区域阈值。

获得目标区域OR、模糊区域（Fuzzy Region，FR）以及背景区域BR的灰度范围为[gmin，go]，[go，gb]以及[gb，gmax]。

然后，将目标和背景两个区域的成员函数使用S函数和S函数来进行建模，其中将背景参考区域和目标参考区域视为灰度集[0，1，…，F-1]的两个模糊子集。

S 函数和S函数如图2所示。

其中：
显然，通过将灰度集转换为直方图后做加权，得到的算术平均量为S函数和S函
数中的参数b。

进而通过b与最大最小灰度值之间的最小距离可以确定参数a和
参数c。

描述模糊度的方法有很多，例如数量积法、相关系数法、最大最小法、绝对值指数法、非参数法等。

选用贴近度法中的距离贴进度，选用Lance函数作为描述模糊
集的不确定度函数，Lance的距离公式为：
所以定义Lance模糊度函数如下：
设论域U={x1，x2，…，xn}，对任意的模糊集合A，称
为A的Lance模糊度。

其中μ0.5（xi）为模糊集合A关于0.5的截矩阵。

二维形式为：所以由式（5）可以计算出目标区域OR和背景区域BR的模糊度，式（5）中μA（xij）=A（xij，a，b）或A′（xij，b，c），算得模糊度为LBR和LOR。

对模糊区内gFR∈[go，gb]，将其所分割范围[go，gf]和[gf，gb]分别加入到OR 和BR中，gf为gFR集合的分割值，得到两个新的模糊子集，记为OR′和BR′：
由式（5）计算出新的LOR′和LBR′。

在模糊子集加入了新的元素的情况下，其模
糊度函数值会变大（即LOR′＞LORLBR′＞LBR）。

所以，为得到两个模糊度影响
因子，分别将其与LOR和LBR做归一化，记为：
通过比较η1和η2的大小，判断gFR的加入是对背景还是对目标区域的影响更大。

若η1＞η2，则gFR对目标区域模糊子集影响更大，即与目标区域相似度更高，所以应将gFR划入背景区域的模糊集。

对模糊区域的灰度做同样处理，则会有某一
灰度值gd使η1（gd）=η2（gd），则gd为分割阈值。

本文分别用不同的分割方法对Lena图像和车牌图像进行分割处理，并比较其分割效果。

2.1 仿真结果
在仿真实验中分别对Lena图像和车牌图像使用Otsu方法、脉冲耦合神经网络方
法以及本文方法进行分割。

对三种方法运用在三幅不同图像中的信息熵、类间方差以及响应处理时间进行比较。

其中信息熵公式为香农公式：
类间方差公式为：
M×N为图片大小，（s，t）是选取的阈值点，μn（i，j）表示（x，y）处像素在
图像中具有的隶属函数，Pij表示（i，j）出现的频率。

实验对比结果如图3、图4和表1、表2所示。

2.2 仿真分析
由上述实验结果可看出本文算法能够较好地处理背景区域与目标区域间的过渡区，并且能够较完整地呈现图像的细节。

本文方法克服了脉冲耦合神经网络方法
中响应时间过长的缺点，同时在类间方差以及信息熵方面优于Otsu方法。

本文通过将模糊数学中的模糊隶属度函数和模糊度函数与阈值分割相结合，得到一种基于模糊逻辑的自适应阈值图像分割方法。

同时用实验仿真的方式将本文方法与Otsu方法以及脉冲耦合神经网络方法进行了比较。

实验证明，本文方法综合性能优于其他两种算法，而且能够较完整地呈现图像细节。

周莹（1989-），女，硕士研究生，主要研究方向：数字图像信号处理、图像分割。

杜雯超（1989-），男，硕士研究生，主要研究方向：图像处理与模式识别。

刘宇红（1963-），通信作者，男，教授，主要研究方向：语音与图像处理、DSP 与嵌入式微处理器的应用研究，E-mail：********************。

【相关文献】
[1]GONZALEZ R C，WOODS R E.数字图像处理（第三版）[M]．阮秋琦，阮宇智，等，译.北京：电子工业出版社，2012．
[2]何俊，葛红，王玉峰.图像分割算法研究综述[J].计算机工程与科学，2009，31（12）：58-60.
[3]赵娜.基于模糊理论的车牌图像分割与识别系统研究[D].长春：长春理工大学，2008.
[4]许新征，丁世飞，史忠植，等.图像分割的新理论和新方法[J].电子学报，2012，38（2A）：
76-80.
[5]章毓晋.图像分割[M].北京：科学出版社，2001.
[6]杜晓晨，刘建平.改进的模糊阈值图像分割方法[J].光电工程，2010，32（10）：51-53.
[7]赵凤.基于模糊熵理论的若干图象分割方法研究[D].西安：西安邮电学院，2007.。