智能图像处理决策支持系统.doc

《智能图像处理决策支持系统.doc》由会员分享，可在线阅读，更多相关《智能图像处理决策支持系统.doc（27页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。

1、精品文档，仅供学习与交流，如有侵权请联系网站删除 学号：2010013048 2014 届本科生毕业论文（设计） 题 目：智能图像处理决策支持系统 的设计与实现学院（系）：信息工程学院专业班级：信息管理与信息系统102学生姓名：张 妙指导教师：唐 晶 磊合作指导教师：完成日期：2014年06月05日【精品文档】第 - 23 - 页智能图像处理决策支持系统的设计与实现摘要本文系统地介绍了数字图像处理的步骤，并对颜色空间的选取、灰度化、去噪、图像分割及数学形态学处理这5个基本步骤中所涉及的各种常用方法进行介绍，通过对各种处理方法的总结和分类，建立决策支持系统所需的规则及规则库，并依据规则确定多推理

2、树，实现系统的推理功能，为图像处理方法的选择提供决策支持。关键字：图像处理；智能决策支持系统；规则；多推理树Intelligent Decision Support System of Image ProcessingAbstractThis paper systematically describes five basic steps of digital image processing, including color space selection, image grayed, denoising, image segmentation and Mathematical Morphol

3、ogy processing, and respectively introduces a variety of commonly used methods in the five steps, through summarizing and classifying these methods, establishes rules and rule base of the Decision Support System, and according to the rules, determines multi-inference tree, then implements inference

4、function of the system to provide decision support for methods selection of digital image processing.Key words: Image processing; Intelligent Decision Support Systems; Rules; Multi-inference tree目录第一章 绪论- 1 -1.1 研究目的及意义- 1 -1.2 智能决策支持系统- 1 -1.3 图像处理- 2 -第二章 颜色空间- 4 -2.1 颜色空间的分类- 4 -2.1.1 从对颜色的感知度来分类

5、- 4 -2.1.2 从技术实现角度分类- 4 -2.2 颜色空间的介绍- 4 -2.2.1 RGB颜色空间- 5 -2.2.2 归一化后的RGB颜色空间- 5 -2.2.3 YUV颜色空间- 5 -2.2.4 HSI颜色空间- 6 -2.2.5 Lab颜色空间- 6 -第三章 图像灰度化及去噪- 8 -3.1 图像灰度化- 8 -3.1.1 颜色特征灰度化- 8 -3.1.2 最大值灰度化- 8 -3.1.3 平均值法灰度化- 8 -3.1.4 加权平均值灰度化- 8 -3.1.5 Lab颜色空间a值灰度化- 9 -3.2 图像去噪- 9 -3.2.1 噪声的分类- 9 -3.2.2 去噪常

6、用方法介绍- 10 -第四章 图像分割及形态学后处理- 12 -4.1 图像分割方法分类- 12 -4.2 图像分割的常用方法介绍- 12 -4.2.1 阈值法- 12 -4.2.2 区域生长法- 13 -4.2.3 分裂合并法- 13 -4.2.4 基于边缘的图像分割法- 13 -4.2.5 模糊C均值聚类（FCM）- 14 -4.3 数学形态学- 14 -4.3.1 膨胀和腐蚀- 14 -4.3.2 开运算和闭运算- 15 -4.3.3 形态学细化算法- 15 -4.3.4 结构元素的选择- 15 -第五章 规则库及推理树的建立- 16 -5.1 产生式规则和推理树- 16 -5.1.1

7、产生式规则- 16 -5.1.2 推理树- 16 -5.2 事实及规则的建立- 16 -5.2.1 事实- 16 -5.2.2 规则的建立- 16 -5.3 规则设计- 18 -5.4 推理树的建立- 20 -第六章 智能图像处理决策支持系统- 23 -6.1 开发环境及所用语言工具- 23 -6.2 决策支持系统实现- 23 -6.2.1 图像载入- 23 -6.2.2 图像处理- 24 -6.2.3 处理结果- 26 -6.3 总结- 26 -参考文献- 27 -致 谢- 28 -第一章 绪论1.1 研究目的及意义 随着计算机科学技术的迅速发展和数学理论的不断完善，同时广泛的农牧业、林业、

8、工业、军事和医学等方面在图像应用上的需求不断增长，数字图像处理技术应运而生并得到快速发展。数字图像处理是指通过计算机对图像进行增强、复原、去噪、分割、提取特征等处理的方法和技术，一般可以包括颜色空间的选取、灰度化、去噪、图像分割及数学形态学处理等步骤。 随着数字图像处理技术的迅速发展，数字图像处理方法也不断扩充和完善。如灰度化的方法有基于颜色特征灰度化、最大值灰度化、平均值灰度化、加权平均值灰度化、Lab颜色空间a值灰度化等。去噪的方法有简单平滑、高斯平滑、最大值滤波、最小值滤波、中值滤波等等。在每个步骤众多的方法中，如何选择合适的方法进行图像处理成为一个关键问题。尤其是对于非专业人员使用图像

9、处理系统时，由于他们对图像处理方法不熟悉，很难自己选择合适的方法。鉴于上述，本文结合决策支持系统的知识和开发技术，对数字图像处理的方法进行分类和汇总，依据数字图像的相关特征和用户需求，自动选择合适的图像处理的步骤与方法。这将为非专业人士在选择数字图像处理的方法上提供便利。1.2 智能决策支持系统 决策支持系统（DSS）是一种协助人类做决策的资讯系统，协助人类规划与解决各种行动方案，通常以交互式的方法来解决半结构性或非结构性的问题，帮助人类做出决策（Gorry and Morton 1971），而智能决策支持系统是决策支持系统与人工智能技术相结合的系统(陈文伟和廖建文 2008:183)，这些智

10、能技术可以是专家系统、神经网络、机器学习、遗传算法和自然语言理解等。 智能决策支持系统的结构包含三个库：数据库、模型库和知识库。数据库用来存储大量数据，一般将数据组织成易于进行大量数据操作的形式。模型是对客观事物的一种抽象描述(陈文伟和廖建文 2008:101)，DSS通过模型对问题进行处理。模型库就是用来存放模型的，并将众多模型按一定的结构形式组织起来。在模型库中可以将多个模型组合成更大的模型，使DSS能适应更广泛的决策问题。知识是人们对客观世界规律性的认识(陈文伟和廖建文 2008:51)，对计算机而言，知识是其能够接受并进行处理的符号。计算机中的知识表示有数理逻辑、产生式规则、语义网络、

11、框架、剧本、本体等(陈文伟和廖建文 2008:52)。DSS使用的智能技术不同，其知识库也不同，比如当DSS和神经网络结合时，神经网络涉及的样本库和网络权值库是知识库；当使用的智能技术是自然语言理解时，语言文法库就是是知识库。虽然知识库没有统一的定义，但知识库和推理机是智能决策支持系统的核心。 本文所设计的决策系统更类似于专家系统，其知识库就是产生式规则库。产生式规则是指人们思维判断中一种固定逻辑结构关系，例如在自然语言表达中，人们广泛使用的“原因结果”、“条件结论”，“前提操作”、“情况行为”等结构都可以归结为产生式规则的表达形式。产生式规则的基本形式：AB 其中，A是前提，可以是逻辑运算符

12、AND、OR、NOT组成的表达式；B是结论或操作。其语义是当A满足时，则可以得出结论B或进行B操作。产生式规则专家系统的结构如图1-1所示。图1-1 系统结构图1.3 图像处理 图像处理是通过计算机对图像进行分析、加工和处理，使图像能够满足视觉、心理或其他要求的技术。一般对图像进行处理的目的有三方面：（1）提取并简化图像中所包含的某些特征或特殊信息，使计算机能对图像进行自动识别，为其能利用这些信息做准备。（2）对图像进行变换、编码和压缩，减少图像数据量，以节省图像存储所占用的存储器空间和传输时间。（3）提高图像的视感质量，如对图像进行几何变换、增强或抑制图像中的某些成分，以达到改善图像质量的目

13、的。 本文中涉及的图像处理是为了提取图像中包含的有用信息，一般可以分为5个步骤，如图1-2所示。图1-2 图像处理流程图 本文由六章组成，第一章简要介绍决策支持系统和数字图像处理，第二章主要介绍颜色空间，第三章主要介绍灰度化和去噪的方法，第四章主要介绍图像分割方法和形态学后处理，第五章主要介绍规则库并建立推理树，第六章主要介绍智能图像处理决策支持系统的实现。下文将分别对图像处理的5个基本步骤进行阐述。第二章 颜色空间 从人的视觉角度出发，可以由3个参数来度量颜色：色调、饱和度和亮度。色调是颜色的一种最基本的感觉属性, 这种属性可以从光谱上将不同颜色区别开, 即按红、橙、黄、绿、青、蓝、紫等色感

14、觉来区分色谱段。饱和度是对有色调属性的视觉在色彩鲜艳程度上做出评判的视觉属性。亮度是区分明暗层次的非彩色觉的视觉属性, 这种明暗层次决定于光刺激能量水平的高低（滕升华和沈怡平 2009）。从光学角度可以用主波长、纯度、明度这三个参数表示颜色效果。光学角度的这三个参数分别对应视觉角度的色调、饱和度和亮度这三个参数。 颜色空间就是用来表示颜色的抽象数学模型，通常使用代表三个参数（色调、饱和度、亮度或主波长、纯度、明度）的三维坐标来指定颜色。2.1 颜色空间的分类目前，已经出现了许多种颜色空间，其分类方法也有很多种。2.1.1 从对颜色的感知度来分类（1） 色度/饱和度/亮度型颜色空间：这类颜色空间

15、按人的直接感知来分类，对颜色的解释很直观，主要包括HSI、HSL、HSV等。（2） 基色混合型颜色空间：这类颜色空间以三种基色（红、绿、蓝）混合形成其他颜色，三基色混合比例不同得到的颜色就不同，主要包括RGB、CMY(K)、XYZ等。（3） 非线性亮度/色度型颜色空间：这类颜色空间有一个非色彩感知分量和两个色彩感知分量，主要包括YUV、YIQ、Lab、Luv等。2.1.2 从技术实现角度分类（1）三基色颜色空间：主要应用于计算机图形中。（2）色度/饱和度/亮度型颜色空间（HSI、HSL、HSV等）：用于印刷技术和显示技术中。（3）XYZ型颜色空间：国际照明委员会定义的颜色空间，是与设备无关的颜

16、色表示法，如Lab、Luv等。（4）YUV型颜色空间：在电视系统中使用的颜色空间，可以压缩色度信息，减少传输时占用的带宽，从而有效地播送彩色图像。2.2 颜色空间的介绍 本文选择了几种在计算机图像处理中较为常用的颜色空间进行介绍，包括RGB、归一化后的RGB、YUV、HSI和Lab。2.2.1 RGB颜色空间 在图像处理中，RGB颜色空间是最为常见的选择，它建立在三维直角坐标系中，三条坐标轴分别代表R（红）、G（绿）、B（蓝）这三个分量，其取值范围是：R：0255；G：0255；B：0255，如图2-1所示。图2-1 RGB颜色空间模型图 在该模型中，以红、绿、蓝三种基本色为基础，进行不同程度

17、的叠加，产生丰富而广泛的颜色（杨璟和朱雷 2010）。（0，0，0）为黑色，（255，255，255）为白色，因此，正方体的对角线代表由暗到明的白色，即不同的灰度值。 在此坐标空间中某一点坐标表示的颜色可由公式（1）表示： （1） 从公式（1）可以看出，RGB颜色空间三分量之间存在很强的相关性，不适于直接基于三个分量的独立运算。2.2.2 归一化后的RGB颜色空间 归一化后的RGB颜色空间是为了克服RGB颜色空间三个分量不适于独立运算的缺点而提出的，其空间模型与RGB颜色空间一致，只不过三个分量的取值范围为01。归一化后的RGB空间三个分量占用更少的带宽，所以在计算机图像处理中比RGB颜色空间

18、更通用。RGB颜色空间归一化（M.Guijarro et al. 2010）的公式如下： （2）2.2.3 YUV颜色空间 与RGB颜色空间三个分量存在很强相关性不同，YUV颜色空间亮度信号和色度信号是分离的，其中，Y指明度，即亮度,而U和V分别为R - Y和B - Y分量，又称色度(杨俊红和刘传领 2009)。YUV颜色空间模型也是一个三维坐标系，在该坐标系中每一种颜色都由一个亮度信号Y和两个色度信号U和V来表示。YUV颜色空间这种亮度和色度两个信号分离的特点，使其比较适用于在图像处理中光照强度变化的场合。2.2.4 HSI颜色空间 HSI颜色空间模型从人的视觉角度出发，用H、S 、I三参数

19、描述颜色特性，其中H为图像的色调，其取值范围为0 到2；S表示一种颜色的纯度，其取值范围为0到1；I 代表图像的亮度，其取值范围为0 到255（程增会等 2011）。在HSI颜色空间中，色调H和饱和度S包含了颜色信息，而强度I则与彩色信息无关（邵和鸿等 2009）。HSI颜色空间是一个复杂的圆锥模型，能把颜色的色度、亮度和饱和度的变化表示非常清楚，尤其是能很好地表示颜色的深浅程度，而且其三个分量相互独立，这一特征大大简化了图像处理和图像分析的工作量。该模型见图2-2和图2-3。图2-2 HSI颜色空间模型图 图2-3 色度角度模型图2.2.5 Lab颜色空间 Lab颜色空间是一种基于感官均匀的

20、、且与设备无关的颜色空间，在该颜色空间中，一种颜色L、a、b这三个参数表示，其中L 代表亮度，取值范围是0,100；a、b代表色度，其中a（a（-128，127）分量区分红色与绿色，其在正向的数值越大表示越红，在负向的数值越大则表示越绿；b（b（-128，127）分量区分蓝色与黄色，其在正向的数值越大表示越黄，负向的数值越大表示越蓝（何能斌和杜云海 2008）。Lab颜色空间中亮度和颜色是分开的，其所能表示的颜色空间非常大，自然界中任何一点色彩都可以表达，适用于接近自然光照的场合。该模型如图2-4所示。图2-4 Lab颜色空间模型图第三章 图像灰度化及去噪3.1 图像灰度化 颜色空间模型一般都

21、具有三个参数，因此在颜色空间模型中，每一点颜色的表示都需要三个不同分量，这在计算机图像处理过程中会占用大量的存储空间，降低运算效率。为了节省图像在计算机中的存储空间，简化运算，在计算机对图像进行处理之前，一般都要进行灰度化。灰度化的作用就是将图像中每个像素的三个不同分量置成一个相同的值，这样在存储图像时只需存储一个分量，减少存储空间，也方便计算机对图像进行分析。 依据现有文献，图像灰度化方法主要有基于颜色特征灰度化、最大值灰度化、平均值法灰度化、加权平均值灰度化、Lab颜色空间a值灰度化。3.1.1 基于颜色特征灰度化 基于颜色特征灰度化一般用于RGB颜色空间中，可以分为3种：按绿色分量灰度化

22、、按蓝色分量灰度化、按红色分量灰度化，具体表达如公式（3）：超绿特征灰度化：超蓝特征灰度化： （3）超红特征灰度化：这三种颜色特征灰度化分别适用于图像中包含大量绿色、蓝色或红色分量的场合。3.1.2 最大值灰度化最大值灰度化即将图像中每点颜色的三个分量置成这三个分量中值最大的一个。在RGB颜色空间中，最大值灰度化可用公式（4）表示： （4）3.1.3 平均值法灰度化平均值法灰度化是把图像中每个点颜色的三个分量置成这三个分量的平均值。在RGB颜色空间中，该方法的可用公式（5）表示： （5）3.1.4 加权平均值灰度化 加权平均值灰度化是根据像素三个分量重要性或其他指标，将三个分量以不同的权值进行

23、加权平均，如公式（6）所示： （6）其中Ur、Ug、Ub分别为R、G、B的权值，Ur、Ug、Ub取不同的值，就能形成不同的灰度图。由于人眼对绿色最敏感，红色次之，对蓝色的敏感度最低，因此使用UgUrUb将得到比较合理的灰度图像。根据有关文献数据表明，当Ur=0.299，Ug=0.587,Ub=0.114时，能得到最合理的灰度图像，即： （7）一般情况下，加权平均值灰度化比起前三种灰度化方法得到的灰度图效果更好，因此，应用更为广泛。3.1.5 Lab颜色空间a值灰度化 Lab颜色空间a值灰度化就是将一点颜色L、a、b这三个分量的值置成a的值，可用公式（8）表示： （8） 其中Vg为灰度化后的灰度

24、值。3.2 图像去噪 图像在拍摄过程中可能会受到成像设备和外界坏境等影响，使获取的图像包含噪声。图像包含的噪声会恶化图像质量，影响计算机对图像的分析、处理和加工，所以，在图像处理的灰度化步骤后一般要对图像进行去噪处理。3.2.1 噪声的分类 噪声通常是随机产生的，因而具有分布和大小的不规则性，有些噪声和图像信号互相独立、互不相关，有些是相关的，噪声本身之间也可能相关。因此要减少图像中的噪声，必须针对具体情况采用不同的方法，否则很难获得满意的处理效果（王香菊 2007）。所以，在图像去噪之前，了解噪声的分类是十分必要的。噪声按不同的分类方式，可以得到不同的分类结果。（1）按噪声频谱来分可以分为：

25、1/f噪声和白噪声。1/f噪声是低频中的噪声，频率与频谱成反比，几乎在各个系统中都存在；白噪声是指在在中间频谱部分均匀分布的噪声。（2）按噪声与信号的关系来分可以分为：加性噪声和乘性噪声。加性噪声和图像的信号强度不相关；而乘性噪声和图像信号相关，通常随图像信号的变化而变化。（3）按噪声分布的概率密度函数来分可以分为：高斯噪声（服从正态分布）、伽马噪声（服从伽马密度函数分布）、椒盐噪声、指数分布噪声等。 以上三种分类方式中，第三类相对重要，主要因为其和数学模型相结合，这为利用数学手段进行去噪提供了便利，因此，第三种分类方式更为常用。3.2.2 去噪常用方法介绍 图像去噪就是利用各种方法减少图像所

26、包含噪声的过程。根据实际图像的特点、噪声的特征和分布规律，人们提出了各种各样的去噪方法，总体上可以分为传统滤波方法和小波方法，传统滤波方法又可以分为空间域滤波和频率域滤波两类。可依据不同的噪声，采用不同的方法实现噪声去除。在各种各样的去噪方法中，空间域滤波法较为常见，主要包括中值滤波器、最大值滤波器、最小值滤波器、算术均值滤波器、几何均值滤波器和谐波均值滤波等。本文主将介绍空间域滤波法中的几种去噪方法，主要为简单平滑、高斯平滑、最大值滤波、最小值滤波及中值滤波。（1）简单平滑 简单平滑也可以称为邻域平均法，是最简单的平滑滤波。邻域平均法就是将图像中一个像素点的灰度值和该点周围8个像素点的灰度值

27、相加求平均值，这个平均值作为该像素新的灰度值。在实际应用中，也可以根据不同的需要来选择不同大小的邻域，较为常用的是3*3（周围8个像素点）、5*5（周围24个像素点）等，且邻域越大，去噪效果越好。简单平滑也可以用数学公式（9）表达：（9） 其中，f(i,j)为含有噪声的图像，N为给定邻域模板的大小，q(i,j)为进行简单平滑后该像素的灰度值。 简单平滑去噪方法简单，容易实现，但是是以图像模糊为代价来减少噪声的。（2）高斯平滑 高斯平滑也称为加权邻域平均法，是简单平滑的改进。高斯平滑就是对整幅图像素值进行加权平均的过程。将图像中每一个像素点的值和其邻域内像素点的值进行加权平均，这个加权平均值作为

28、该像素点新的灰度值。邻域内像素点的权重分布服从高斯函数。实际应用中，常用二维高斯函数计算各像素点的权重，具体如公式（10）所示：（10）其中，x,y表示当前像素点到邻域内对应像素点的距离，是正态分布的标准偏差。高斯平滑一般有两种实现方式，一种是利用滑动窗口，另一种是通过傅里叶变换，比较常见的是第一种。高斯滤波对随机噪声和高斯噪声(尤其是服从正态分布的噪声)的去除效果都比较好，但是对于椒盐噪声的去除效果欠佳（王耀贵 2009）。（3）最大值滤波 最大值滤波就是在一个像素邻域窗口中选择像素最大值作为该像素新的像素值。最大值滤波可用数学公式（11）表示： （11）其中，t代表邻域窗口的大小。由最大值

29、滤波的原理可以看出，最大值滤波适用于暗点噪声。（4）最小值滤波 最小值滤波刚好与最大值滤波相反，是在一个像素邻域窗口中选择像素最小值作为该像素新的像素值，其数学公式如下： （12）其中，t代表邻域窗口的大小。根据最小值滤波的原理可以得出，最小值滤波适用于亮点噪声。（5）中值滤波 中值滤波的原理是图像中的一个像素点的值用该像素点邻域窗口中各点的中值来代替。因此，在中值滤波中，当滑动窗口选定一块邻域时，要对这邻域中的所有像素值进行排序，排序后序列中的中值作为该像素点的新值。中值滤波可用如下数学公式（13）表示： ，n是奇数 ，n是偶数 （13）其中，x1x2xn已由小到大排列。由上可以看出，中值滤

30、波是一种非线性滤波，它可以克服线性滤波的缺点。中值滤波对椒盐噪声和随机噪声的去噪效果较好，在去除噪声同时，还能较好地保持了图像的一些细节，如图像的边缘等。第四章 图像分割及形态学后处理 图像分割是将图像中有意义的特征或区域提取出来的过程。这些特征可以是图像的原始特征，如像素的灰度值、物体轮廓、颜色、反射特征和纹理等，也可以是空间频谱等，如直方图特征。图像分割的目的是把图像划分成若干互不相交的区域, 使各区域具有一致性, 而相邻区域间的属性特征有明显的差别（许新征等 2010）。对图像进行分割后，能便于计算机对图像进行分析，因此，这是图像处理到图像分析的关键步骤。4.1 图像分割方法分类 图像处

31、理技术发展至今，涌现了许多图像分割方法。近年来，人们不断改进原有的分割方法，而且把其它学科的一些理论和方法应用于图像分割，提出了不少新的图像分割的方法。现有的图像分割方法可以分为以下几类：（1） 基于阈值的图像分割方法（2） 基于区域的图像分割方法：分裂合并法、区域生长法等（3） 基于边缘的图像分割方法：微分算子检测边缘法、串行边界技术检测边缘法等（4） 基于特定理论的图像分割方法：基于模糊集理论的方法、基于神经网络的图像分割方法等4.2 图像分割的常用方法介绍 本文主要介绍几种常用的图像分割方法，包括阈值法、区域生长法、分裂合并法、基于边缘的图像分割法、模糊C均值聚类。4.2.1 阈值法 阈

32、值法是众多图像分割方法中一种比较简单有效的方法，它分为单阈值和多阈值，本文主要介绍单阈值法。单阈值图像分割法是通过某种算法确定一个阈值，然后把整幅图像中的每个像素点的值都与这个阈值进行比较，大于这个阈值的归为同一类，小于这个阈值的是另一类，然后对这两类像素点区域进行二值化处理，实现图像分割。单阈值图像分割法可以用公式(14)表示： (14) 其中t为阈值。 阈值分割法的关键就在于如何选择阈值，确定阈值的算法有很多，比如Otsu 法、灰度直方图均值法等等，每种获得阈值的算法都有其优缺点，如何选择合适的算法获得阈值，要根据具体情况而定。4.2.2 区域生长法 区域生长法是将一幅图像分成许多小的区域

33、，并将具有相似性质的像素集合起来构成区域。具体说来, 先对每个需要分割的区域找一个种子像素做为生长的起始点, 然后将种子像素周围邻域中与种子像素有相同或相似性质的像素合并到种子像素所在的区域中。将这些新像素当做新的种子像素继续进行上面操作过程, 直到再没有满足条件的像素可被包括进来, 这样一个区域就生长成了, 生长过程结束, 图像分割也随之完成（刘自德等 2007）。 从上述过程可以看出，实现区域生长法需要解决三个问题：（1） 选择种子，即选择能正确代表各个需要分割区域的种子像素。（2） 确定门限，即确定在生长过程中可以将相邻像素包括进来的条件。（3） 确定停止条件，即确定停止生长完成分割的条

34、件。 一般情况下，选择种子可以选择图像中亮度值最大的像素点，或者借助生长所用准责对每个象素进行相应的计算,如果计算结果呈现聚类的情况则接近聚类重心的象素可以作为种子象素（陈方昕 2008:58）。 区域生长的关键在于选择合适的生长准则，生长准则的选取不仅依赖于具体问题本身，也和所用图像数据种类有关（陈方昕 2008:58）。不同的生长准则会影响区域的生长过程，常用的生长准则有两种：基于区域灰度差的和基于区域内灰度分布统计性质的。4.2.3 分裂合并法 分裂合并法就是事先确定一个分裂合并的条件，然后去检测整幅图像中的像素，如果检测到某个区域的特征不一致，则将该区域分割成4个相等的子区域。如果检测

35、到相邻的子区域有相同或相似特征时，则将它们合并成一个大区域，进行上述过程，直到图像中的所有区域不能再分裂和合并为止。 分裂合并法的关键在于确定分裂合并准则，程帅（2013）根据区域分裂合并法常常利用四叉树数据结构提出根据均匀性测定准则进行分裂和合并。4.2.4 基于边缘的图像分割法 在图像中，物体与背景之间、物体与物体之间、区域与区域之间都存在着边缘。所谓边缘，通俗地讲，就是两个部分的分界线，可以大致分为阶跃状和屋顶状这两种。阶跃状边缘是指图像中两部分的像素灰度值存在明显不同的边界处，屋顶状边缘是指图像中灰度值从增加到减少的转折处。图像的边缘是图像最基本的特征（黄艺和杜宇人 2004），是图像

36、分割的重要依据。 基于边缘的图像分割法的关键在于边缘检测算子。所谓边缘检测算子，就是从图像中找到目标边缘的算法。常用的边缘检测算子主要包括Roberts 算子、Prewitt算子和Sobel边缘算子等等。4.2.5 模糊C均值聚类（FCM） 上述的四种图像分割方法都应用于目标能准确区别于背景的情况，但在实际应用中，图像中的对象本身具有模糊性和不确定性，对象的边界不可能清晰明确。基于模糊集合理论的模糊聚类方法提供了一种表述和处理图像中模糊性和不确定性的手段，其利用隶属度函数模型化图像中的模糊和不确定性（Cheng H D et al. 2001）。 在图像分割中，FCM的基本思想是先将被分割的对

37、象集合分成c个模糊组，求出每组的聚类中心，然后对图像中的像素和c个聚类中心进行加权相似性测度，对目标函数进行迭代，使目标函数达到最小，从而确定该像素的最佳类别。FCM的目标函数定义如公式（15）： （15）其中 X = x1,x2 xN为聚类样本集合，N是聚类空间的样本个数； Z=z1,z2zC是C个聚类中心，c是聚类的类别数； d2(xj,zi)表示xj与zi之间归一化的距离；U = uij是C*N维的矩阵；uij 是第j个样本对i 类的隶属度值。4.3 数学形态学 形态学后处理是数字图像处理过程中的最后一步，即当分割效果不好时，将数学形态学作为工具对图像进行进一步处理，从图像中更精准地提取

38、对于表达和描绘目标有用的图像分量，为后续的识别和分类打下基础。 数字图像处理中的形态学处理是指以结构元素为基础对图像进行分析的数学工具。它的基本思想是运用具有一定形态的结构元素去度量和提取图像中的对应形状，从而达到图像分析和识别的目的。具体操作就是在图像中移动一个结构元素，然后将该结构元素与二值图像进行交、并等集合运算。结构元素在形态学中的作用类似于信号处理时的“滤波窗口”,它的形状和大小将直接影响形态滤波的输出效果（张艳玲等 2007:357）。因此，将数学形态学应用于图像处理中要解决两个问题：形态学基本运算的选择和结构元素的选择。 数学形态学的基本运算包括：二值腐蚀和膨胀、二值开闭运算。4

39、.3.1 膨胀和腐蚀腐蚀和膨胀是形态学处理中最基本的运算。膨胀的目的是使图像变大，其定义如下所示：（16）表示A用B来膨胀，即用结构元素B去膨胀A，在结构元素B平移后，使A与B交集的点构成新的集合，这个新集合就是膨胀后的结果。腐蚀的作用是使图像缩小，其定义如下：（17）表示A用B来腐蚀，即用结构元素B去腐蚀A，在结构元素B平移后，把B包含于A的所有点构成新的集合，这个新集合就是腐蚀后的结果。4.3.2 开运算和闭运算开运算是先腐蚀后膨胀的过程，其定义如下：（18） 公式（18)表示B对A进行开操作，即先用结构元素B对A进行腐蚀，然后用B对腐蚀后的结果进行膨胀。运用开操作可以消除物体边界的小离散

40、点和小凸起，平滑物体轮廓但不明显改变物体面积。 闭运算是先膨胀后腐蚀的过程，其定义如下：(19) 公式(19)表示B对A进行的闭操作，及先用结构元素B对A进行膨胀，然后用B对膨胀后的结果进行腐蚀。闭操作常用来填充物体内细小空洞、连接邻近物体等。4.3.3 形态学细化算法 细化，就是指将有一定面积的区域变成一条曲线。形态学细化算法的主要思想来自于形态学中击中击不中变换的算法。在给定一系列具有一定形状的结构元素后，顺序循环地删除满足击中变换的像素(李杰 2012)。其定义如下：(19)该公式表示集合S 被结构元素B 细化。4.3.4 结构元素的选择 形态学算法的性能很大程度取决于结构元素的选择,该

41、领域的研究人员一直在探寻如何自适应地确定结构元素。Shih F Y（2005）对用遗传算法选取结构元素进行了研究。在很多数学形态学应用中, 只采用一个结构元素,往往不能得到理想的结果。比如在图像处理中，要提取某个特定的结构，若只采用一个结构元素，则只有与结构元素形状、大小完全相同的结构才能被提取，而与此结构元素不同的信息都不能被获取（张艳玲等 2007:357）。如果采用多结构元素形态学运算（Debayle J and Pinoli J C 2005），即用多个结构元素分别对图像进行运算，然后将运算后的图像合并起来，可以克服单结构元素的这一缺点。第五章 规则库及推理树的建立5.1 产生式规则和

42、推理树5.1.1 产生式规则 产生式规则一般表示为if A then B，即表示为如果A成立则B成立（陈文伟和廖建文 2008:54）。它是专家系统中应用最广泛和最流行的知识表示形式。产生式规则基于演绎推理，有正、逆向两种推理方式。（1）正向推理 逐条搜索规则库中每一条规则的前提条件，检查事实库中其是否存在。前提条件中各子项若在事实库中不是全部存在，则放弃该条规则；若在事实库中全部存在，则执行该条规则，把结论放入事实数据库中。反复执行上述过程，直到推理出目标，并存入事实库为止（陈文伟和廖建文 2008:54）。（2）逆向推理 逆向推理与正向推理恰好相反，逆向推理是从目标开始，寻找以此目标为结论

43、的规则，并对该规则的前提进行判断，若该规则的前提中某个子项是另一规则的结论时，再找以此为结论的规则，重复以上过程，直到对某个规则的前提能够进行判断。按此规则前提判断得出结论的判断，由此回溯到上一条规则的推理，一直回溯到目标的判断（陈文伟和廖建文 2008:55）。逆向推理目标明确，推理速度较快。5.1.2 推理树 一般来说，规则库中的各条规则之间是有联系的，即某条规则的结论是另一条规则的前提。按逆向推理思想把知识库中的总目标作为根节点，按规则的前提和结论展开成一棵树的形式（陈文伟和廖建文 2008:137），这棵树就是推理树，它把知识库中的所有规则都连接起来。5.2 事实及规则的建立5.2.1

44、 事实 事实也可以称为“证据”。在推理机推理过程中，在匹配产生式规则时，需要搜索事实。这个事实一边来自于向用户提问，一边来自于规则库中其他的规则。推理就是利用事实和规则结合起来得出结论。5.2.2 规则的建立建立规则是设计智能图像决策支持系统中关键的一步，建立的规则是否正确将直接影响整个系统的准确性。本章将对前文中提到的图像处理的步骤和方法进行总结，分别建立表5-1、表5-2、表5-3、表5-4、表5-5为建立系统的规则库做好准备。表5-1 颜色空间总结颜色空间的选取适用情况规则名RGB与设备相关，三分量之间存在很强的相关性不适于直接用于基于三个分量独立运算，一般采用归一化的RGBRy1归一化

45、后的RGB在计算机图像处理中比较通用Ry2YUV亮度和色度信号分离，适用于光照强度变化的场合Ry3HSI从色调、亮度和饱和度三方面描述图像，能很好地表示颜色的深浅程度Ry4Lab与设备无关自然界中任何一点色都可以表达Ry5表5-2 灰度化方法总结灰度化方法适用情况规则名颜色特征RGB颜色空间Rh1最大值灰度化RGB颜色空间Rh2平均值法灰度化RGB颜色空间Rh3加权平均值灰度化RGB颜色空间Rh4Lab颜色空间a值灰度化Lab颜色空间Rh5表5-3 图像去噪方法总结图像去噪适用情况规则名简单平滑适用于低密度噪声Rz1高斯平滑适用随机噪声、高斯噪声对椒盐噪声效果不好，边缘容易模糊Rz2最小值滤波适用于暗点噪声Rz3最大值滤波适用于亮点噪声Rz4中值滤波适用于随机噪声和椒盐噪声对高斯噪声效果不好，较好保持了图像的细节Rz5表5-4 图像分割方法总结图像分割方法适用情况规则名阈值法适用于物体与背景在灰度上有较大差异的情况Rg1区域生长法使用于目标区域像素性质相似的情况Rg2分裂合并法图像分割空间不连续Rg3基于边缘的分割适用于边缘灰度值变化较大Rg4模糊C均值聚类(FCM)适用于目