基于中性插入图像分割方法外文翻译资料

英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

基于中性插入图像分割方法

文章信息：

2009年10月31刊

张明，张玲，程H.D著

犹他州立大学计算机科学系，洛根，UT 84322，美国

山东大学数学与系统科学学院，山东济南250100

关键词：中性粒细胞，流域，图像分割，同质性，不确定性。

摘要：

中性粒子研究起源，性质，中和范围及其与不同观念光谱的相互作用。 扩展模糊逻辑是一种新的哲学，是中性逻辑，中性概率，中性集和中性统计学的基础。

图像分割是图像处理，模式识别，计算机视觉的关键步骤。 用于图像描述，分类和识别的许多现有方法高度依赖于分割结果。

在本文中，中性粒子形成图像处理过程中，通过对T，I和F进行了分析，得出了图像处理过程中的一些特征。然后，我们将这些算法分解成一个特征值。

1. 介绍

中性粒是一种分支[1]，其中包括四个领域：哲学，逻辑，集合理论和概率/统计学。 本文不能用模糊理论来解释这个问题[2,3]。 例如，两个人员评论报告; 但是，这个观点者可能在不同程度上反映了背景知识。另一方面，另一方面也许可以忽略这一观点。观察者之间的可接受的百分比不应该与论文的最终考虑不相符合。 具有前卫，总统选举，体育比赛等不确定性的问题。模糊性决定了条件[4]。代表不确定性。

图像分割是影像分析的重要方面[5]。 这些分段结果将影响随后的软件分析和后续处理，如主观表现和描述，特征测量，对象分类，场景描述等。图像分割是对多个区域进行分割的过程。它用于定位对象和边界（线，曲线等）。 分段的目标一个形象更有意义，更加分析[6]。 流行的图像分割方法，基于图像的方法，基于边缘的方法，基于区域的方法，基于模型的方法和流失方法[7-10]。 表1是比较软件方法。本文采用基于瓦斯方法的推荐算法。

流域的原始思想来自地理[11]。 它是一种强大而流行的图像分割方法[11-15]，可以提供更准确的分割，计算成本低[16]。 分水岭算法基于图像的拓扑将图像分割成区域。 梯度的值被解释为高程信息。 连续淹没灰色值后，建成了相邻流域的分水岭。 图。 图1（a）是由Matlab综合生成的具有两个暗斑的图像， 图1（b）是通过应用分水岭方法获得的3D分水岭图像。 1（a）。 由于分水岭方法在统一图像上运行得更好，我们的方法主要处理均匀的边缘模糊图像。 然而，我们的分水岭方法也可以比其他分水岭方法在非均匀图像上更好地工作。

图1 流域概念：（a）twodarkblobsand（b）3d视图的分水岭图像。

在本文中，图像被映射到中性域。 然后应用中性逻辑将图像转换为二进制图像。 最后，分水岭算法用于分割转换后的图像。 我们将我们提出的方法与基于像素的方法（嵌入置信度），基于边缘的方法（Sobel），基于区域的方法（平均移位）和两个分水岭方法（Matlab和基于滑冰的流域[17]）进行比较） 在实验中。

二、中性集

中性集是直觉主义集[18]，模糊集合[4]，一致集合[19]，二元组集[20]，悖论集[1]和重言集[1]的一般化。

lt;Agt;是事件或实体，lt;Non-Agt;不是lt;Agt;，lt;Anti-Agt;是和lt;Agt;相反的。lt;Neut-Agt;也被定义既不是lt;Agt;也不lt;Anti-Agt;。 例如，如果lt;Agt;=白色，那么lt;Anti-Agt;=黑色。lt;Non-Agt;=蓝色，黄色，红色，黑色等等。（任何除了白色以外的颜色）。lt;Neut-Agt;等于蓝色黄色红色等等。（任何除了白色和黑色的颜色）。

定义T，I和F作为中性组分存在lt;Agt;，lt;Neut-Agt;和lt;Anti-Agt;让T，I和F成为0的标准非标准; 1 1，其中sup T=t_sup, inf T=t inf, sup I=i_sup, inf I=i_inf, sup F=f_sup,inf F=f_inf, n_sup=t_sup i_sup f_sup, n_inf=t_inf i_inf f_inf[21]。 T，I和F不一定是间隔的，可以是一个单一的单元。 T，I和F是设定值向量功能操作，取决于已知的或已知的参数，并且可以是连续离散的。 他们可以从另一方面转换为另一种[1]。 FTHORN;属于以下内容：it is t真实eth;t2TTHORN;， eth;i2ITHORN;和feth;f2FTHORN;，其中t，i和f是真实的印记T，I和F.

在这篇论文中，一个转移到中间的领域。一个像素的核苷酸可以表示为PfT; 一世; Fg，其中t为正值，i％为不确定度，f％为错误，其中t在T中变化，i在I中变化，f分别在F中变化。经典集：i = 0，t和f均为0或100.Infuzzyset：i = 0 ，0lt;=t，flt;=100。 中性集：0lt;=t，i;flt;=100。

1. 提出的方法

流域图像分割适用于处理统一的背景和对象。在本文中，对象为T和背景F.边缘边缘在对象背景之间逐渐变化，并且在对象和边缘之间存在边界和边缘之间的边界。

1、映射图并决定F/T

给定图像A，P（x; y）是图像中的像素，（x; y）是A20_20的平均值，用于去除噪声并形成图像。 通过使用功能来改变海绵体。

图2 功能

其中gxy是像素Pij的强度值ij。 变量a，b和c是确定S函数形状的参数，如图2所示。

参数a，b和c的值可以通过模拟退火方法计算[22]。 然而，模拟退火算法是一个重要的任务。基于另一个基于图表的方法计算a，b和c [23]。

1. 计算直方图
2. 查找本地最大尺寸：计算平均值

1. 找出大于Hisg的峰，让第一个峰为gmin，最后一个峰为gmax。
2. 定义下限B1和上限B2：

信息丢失允许在范围｛gmin; B1｝和｛B2; gmax｝，这是f1（f1 = 0:01在实验中）。

1. 确定a和c：

其中f2 = 0:01，B1和B2用于避免重要信息损失。这种强度oB1被认为是背景，而强度4B2被认为是无声的。

1. 使用最大熵计算参数b原则[24]：

其中S年是指定的功能.

最大熵原理：熵越大，系统包含的信息越多[9,25,26]。 通过尝试找到最适合的 b 2frac12;athorn;1; C , 1 最佳b将导致最大的H（X）：

在确定a，b和c之后，图像可以从强度域gxy无法再到新域T（x，y）图3（b） 3（a）后照。

2、增强

使用强化转型来增强新域的形象[5]：

图3（c）是增强后的结果。

3、在T和F中找到阈值

需要两个阈值来分离新的域T和F.使用启发式方法来查找T和F中的阈值[5]。

1. T中的选择性初始阈值t0
2. 使用t0分离T，并产生两个新的像素组：T1和T2，m1和m2是这两个组的平均值。
3. 计算新阈值：t1 = m1 m2 = 2。
4. 重复步骤2到4，直到两次连续迭代中tn-tn-1的差小于e（e = 0.0001）。然后计算运动阈值tt。 图。 3（d）是使用tt消除的二进制图像。

应用蛋白酶F结构域，可以计算出阈值tf。 图3（e）是使用tf的结果。

4、定义强度域的同质性并决定

同质性与本地信息相关，并且起着重要的意义。通过使用最高和最小的连续性来确定均匀性。标准偏差表示与原始区域的对比，纬度连续性表示变化范围。对象和背景是相似的，并且从对象背景中逐渐变化。对象和背景的边缘的不均匀性值。

图3 （a）云图像（b）应用S函数后的结果（c）结果增强（d）图像应用阈值tt。 （e）应用阈值tf的图像。 （f）均匀性图像区域I.（g）二元图像基因组fT;（h）应用提出的流失方法后的最终结果。

规范标准化和不连续性，确定不均匀性。

图3（f）是不均匀性图像。 yTHORN;具有[0,1]的范围，像素的区域形状，它们的数值范围应大于包括本地化信息在内的大量信息，但无论如何，在我们的实验中选择d = 7。

5、基于图像转换为二进制图像

在这一点上，我们首先将它们形象化了部分：对象（O），边（E）和背景（B）。代表对象的像素， 作为像素Px的背景像素; yTHORN;三部分内容如下：

O，E和B确定后，被镜像进入二进制图像进行进一步处理。我们映射对象为0，并将边缘映射到二进制图像。映射函数如下图3（g）。

6、将分水岭应用于转换的二进制图像

流域算法对于找到最优分割边界是很有用的。对于所得到的二进制图像来说。

1. 实验结果

流域分段图像处理近似均匀的图像，并且图像分割和边缘连接在一起。但是这种方法对噪声敏感，并且经常存在分割问题[5]。 基于像素为基础，基于边缘的，基于区域的和其他两个分水岭方法进行比较。

图5（a）是具有边界的云图， 图5（b）是基于像素的嵌入式置信度方法[27]，其确定了边缘图像的阈值，并进行边缘检测。其中，图像被低分辨率地区分为边界。 图5（c）使用，这是基于的方法，在分段和边界没有连接。 图5（d）是通过使用边缘检测和图像分割系统（EDISON）来实现的，该方法应用了基于偏移区域的方法[28]。 在基于平均移位的分割中，像素像素图像段通过映射到像素到迭代过程，迭代过程的多模式概率密度函数被识别。根据需要选择三个参数：空间带宽，颜色和最小区域。 我们以不同的组合为参数，并得到最佳结果， 5（d）（空间带宽= 6，颜色= 3，最小= 50）

图4 （a）二重量值（b）3〜3个结构元素（c）扩张量（d）水坝施工

图5（a）原始图像（b）结果使用嵌入式信心方法（c）使用圣迭戈的结果（d）结果使用移位方法。（e）结果使用马达（w）的结果（f）结果用于基于水的流失（g）结果使用提出的方法。

图5（d）连接不平坦，过分分段。 图5（e）Matlab中的利用方法，并结果显示了超分割。，它是不可区分的对象。 图5（f）是通过变形流域法（基于滑冰的方法）的结果[17]。 为本文提供了一个可行的方法。 5（e）但是背景和对象都是惊人的一起。 图5（g）应用提出的方法，并得到清晰和连接的边界。结果表明，在图1和图2中使用的其他方法获得了改进5（b-f）。

图6（a）是模糊的细胞图像。 物体和边界不清楚。 通过图1中嵌入置信度检测的边缘6（b）中止。 图中的算子 6（c）几乎失去了所有界限。 图1中的平均移位法6（d）（空间带宽= 7，颜色= 3，最小= 10）产生很少的连接边缘，并且边缘没有很好的检测。 图中的两个分水岭方法 6（e，f）产生过分割。 结果如图1所示。 6（g）使用提出的方法具有良好的连接和清晰的界限，更好地从背景细分细胞。

图6（a）模糊单元格（b）结果使用了嵌入式认证的检测器 （c）结果使用了本机 （d）结果使用移位方法（e）结果表明（f）使用基于水的流失的结果（g）结果使用提出的方法

图7（a）原始图像（b）结果使用了原始图像中的图像（c）使用基于图像的图像进行原始图像处理（d）结果使用提出的方法来进行原始图像（e）添加高斯尼诺斯图像的结果（f）结果使用了噪声图像中的图像（g）结果使用基于图像的湿地图像（.h）结果使用提出的方法。

图8（a）原始血糖图像（b）结果使用血压图（c）结果使用基于方法（d）结果使用提出方法。

流域方法的一个缺点是噪声敏感。 然而，所提出的方法是非常耐噪声的。图7（a）是无噪音的硬币图像， 7（b-d）分别采用Matlab中的分水岭方法，基于滑冰的流域分析方法和所提出的中性流域分析方法。 图。 图7（e）是通过将高斯噪声（平均值为0，标准方差为2.55）加到图6中的图像7（a）。 图 7（f-h）是通过将上述三个分水岭方法应用于图7的结果7（e）。 我们可以看出，高斯噪声对现有分水岭方法的结果影响很大，导致重度过度分割。 但是，提出的中性流域法是相当耐噪的。

现有分水岭算法的另一个问题是它们对于不均匀的图像不能很好地工作。 在图 如图8（a）所示，国会大厦的强度范围很广。 国会大厦的顶部是黑暗的，国会大厦的中部是灰色的，国会大厦的底部是白色的。图8（b）是在Matlab中应用流域法的结果， 8（c）是应用基于滑坡的流域法的结果。 他们都不行。 图。 8（d）是通过应用所提出的方法的结果，并且能够分割好国会大厦。

1. 总结

在本文中，以人为本的图像分割方法为基础，在第一阶段，图像图像对T，F和I进行了定义，其中定义了不同的领域。阈值和中性结果被用于获取二进制图像。最后，将提出的流失方法应用于分割结果。我们将其基于像素的，基于边缘的，基于区域的分割方法和两个现有流域 实验结果表明，本文提出的方法通过使用其他分水岭方法对不均匀图像和不

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[141565]，资料为PDF文档或Word文档，PDF文档可免费转换为Word