自适应控制下图像分割及并行挖掘算法

作者:王春华;韩栋 刊名:沈阳工业大学学报 上传者:郑康

【摘要】针对海量图像数据中目标的分割及识别问题;提出了一种自适应控制下图像分割及并行挖掘算法.采用隶属度函数窗口宽度在图像直方图控制下自适应调整模糊阈值图像分割方法对图像进行分割;提取出感兴趣的潜在目标区域;基于共轭梯度法改进的BP神经网络算法对潜在的目标区域进行训练和识别;识别算法基于OpenMP并行处理模型开发来提高执行效率.结果表明:本文算法相对于基于偏移场的模糊C均值、灰度波动变换自适应阈值和自适应最小误差阈值具有更高的分割准确率;与传统神经网络算法的识别结果相比;平均识别率提高了8%;运行时间减少了2.5s.

全文阅读

图像分割及特征挖掘[1-4]是图像处理和模式识别的重要问题及难点,决定着图像处理最终结果的精度和准确度.相关研究人员已经提出了OTSU最大类间方差分割法、基于聚类分析分割法和基于小波变换分割法等多种图像分割算法.这些算法从不同侧面对图像进行分割处理,虽然解决了一些问题,但是自身都有不能克服的缺陷.图像的模糊性质使模糊理论在图像处理领域得到广泛应用,模糊阈值分割算法成为主流图像分割算法之一.传统的模糊阈值分割算法根据图像直方图得到分割阈值,其中隶属度函数的窗口宽度计算是最关键的问题,利用隶属度函数的约束条件可以得到与图像直方图最优匹配的窗口宽度.但是图像的直方图规律变化丰富,传统方法得到的隶属度函数窗口宽度在图像直方图变化时不能进行自动调整,最终使图像误分概率变大.随着图像数据的增加,对分割结果进行人工识别越来越难[5-7],基于机器学习的自动识别挖掘方法成为研究热点,其中,基于BP神经网络的识别方法最具有代表性[8-9].但是传统的BP神经网络方法具有运算速度慢、容易收敛于局部最小值等缺点.本文提出了一种自适应控制下图像分割及并行挖掘算法,通过采用自适应控制的模糊阈值图像分割方法,实现隶属度函数窗口宽度自适应调整,结合图像直方图的变换,克服了图像分割错误率较大的缺点.基于OpenMP并行处理模型开发目标分割识别算法,利用BP神经网络算法[10]对分割后的图像进行训练和目标识别,同时采用共轭梯度法消除BP神经网络收敛于局部极小值的缺陷.1自适应控制下模糊阈值分割自适应控制下模糊阈值分割方法从模糊模型出发,通过图像隶属度函数实现图像直方图到模糊域之间的转换,将图像转换成模糊阵列,然后计算图像模糊率并求极值来最终实现图像分割.隶属度函数窗口宽度能够自适应选择,较好地克服了传统模糊阈值分割中存在的单峰或双峰不明显情况下误分概率较高的缺点.该方法采用直方图变换的思想,将双峰条件不明显的直方图进行变换实现双峰的锐化,进而确定波峰区域及波峰之间的距离,然后计算隶属度函数窗口宽度大小来实现分割阈值的自适应选择.算法包括直方图预处理、波谷检测、波峰确定、自适应计算隶属度函数窗口宽度和计算分割阈值等步骤.图1为自适应控制模糊阈值分割流程图.图1自适应控制模糊阈值分割流程图Fig. 1 Flow chart of adaptive control fuzzy threshold segmentation直方图预处理包括图像直方图平滑和变换两部分.直方图平滑用于消除直方图中的孤立点和毛刺等影响.直方图变换判断直方图的形状,对呈现单峰状态的直方图采取反变换,将直方图中的波峰和波谷相互转换来实现双峰特征.波谷检测利用梯度检测的方法确定预处理后直方图的波谷位置,其可能的波谷位置灰度值i满足{NN((ii)+-1)N (-i N-(1i))><00(1){N(i)-N(i-1)<0(1)式中,N(i)为灰度值为i的像素的个数.将满足式(1)的所有灰度值组成集合{KN},如果集合中元素KN+1与KN之间的差满足提前设定的宽度值η,则将KN+1作为初始阈值点,否则将其删除.重复上述过程得到波谷检测结果.通过波谷检测的结果确定直方图中各波峰所在的区域.由于直方图的波峰在形态上由波谷点、上升段、峰值点、下降段和波谷点几部分组成,则直方图的峰值点处于上升段和下降段之间.对图像直方图采用微分和直线扫描相结合的方法,利用直方图的一阶微分结合坐标轴上的逐点扫描确定波峰Fj.相邻波峰之间的距离为Dj=Fj+1-FjDj=Fj+1-Fj(2)如果直方图的灰度范围为d,自适应选择隶属度函数的窗口宽度

参考文献

引证文献

问答

我要提问