基于模糊集合理論的顆粒目標分割和識別.pdf

1、基于圖像處理的顆粒目標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分割和識別中的關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)象導致的。針對該問題,采用染色體編碼、遺傳參數(shù)設置、進

2、化方向等方面改進后的遺傳算法進行尋優(yōu),應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圖像進行分割。實驗結果驗證了該算法在顆粒目標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像素比例大于10％的顆粒目標圖像分割時,存在的噪聲大、空間相關性差、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、分不重復的遞推結果用于后續(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像素比例小于10%的模糊小顆粒目標圖像分割時,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識別方法。首先對分割優(yōu)化后的結果進行形態(tài)學圖像預處理;然后選擇適當?shù)奶卣髁?建立相應的隸屬度函數(shù);最后確定各特征量的權重值

6、,建立模糊關系矩陣,進行模糊綜合評判。通過多幅骨料顆粒和FISH基因顆粒目標圖像測試表明,本文算法的識別正確率大于95%。
　　5.構建了一個較為完整的顆粒目標自動分割和識別系統(tǒng)。在系統(tǒng)的構建過程中,為了對不同種類的顆粒目標圖像實現(xiàn)模糊劃分熵分割算法的自動選擇,采用模糊神經(jīng)網(wǎng)絡的方法來解決,即將顆粒目標圖像在不同模糊劃分數(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