專利名稱：：一種基于云模型的圖像分割方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及圖像處理中的圖像分割、目標(biāo)識(shí)別，特別涉及一種基于云模型的圖像分割方法。
背景技術(shù)：
：圖像分割是圖像分析和處理的重要問題，是在圖像上提取感興趣目標(biāo)的技術(shù)過程(章毓晉，2001)。大多數(shù)圖像分割方法基于確定性方法，然而圖像信息中存在很多不確定性，圖像分割中的不確定性成為重要研究方向(Arnaudmartin,Hichamlaanaya，2006)。模糊性與隨機(jī)性是不確定性的兩個(gè)重要方面，目前的不確定性圖像分割方法主要從這兩個(gè)方面著手分析。基于模糊理論的圖像分割方法主要考慮模糊性，如模糊C均值聚類算法通過計(jì)算像素對(duì)于各個(gè)類的隸屬度判斷像素類的劃分(WeilingCaietal.，2006)。基于概率理論的圖像分割方法主要考慮隨機(jī)性，從統(tǒng)計(jì)學(xué)的角度出發(fā)對(duì)數(shù)字圖像進(jìn)行建模，把圖像中各個(gè)像素點(diǎn)的灰度值看作是具有一定概率分布的隨機(jī)變量。其中，基于馬爾柯夫隨機(jī)場(chǎng)(MRF)的圖像分割方法得到了研究人員的重視(程兵等，2004;顏剛，2006)。然而，該方法不能有效地處理圖像分割中的模糊性。隨機(jī)性與模糊性是密切相關(guān)的，不能將二者割裂開來。云模型及其相關(guān)技術(shù)既考慮了隨機(jī)性，也考慮了模糊性，并且考慮了二者之間的關(guān)聯(lián)性，是分析不確定性的強(qiáng)有力工具(李德毅等，1995)。如何以云模型這種考慮模糊性、隨機(jī)性及二者之間的關(guān)聯(lián)性的理論和方法，研究出不確定性圖像分割的新方法是不確定性圖像分割的一個(gè)重要的探索方向，必將產(chǎn)生一些有價(jià)值的新方法。
發(fā)明內(nèi)容本發(fā)明針對(duì)大多數(shù)不確定性圖像分割方法往往僅僅考慮模糊性，或者僅僅考慮隨機(jī)性的問題，利用云模型綜合考慮模糊性、隨機(jī)性以及二者之間的關(guān)聯(lián)性的優(yōu)勢(shì)，提出一種基于云模型的圖像分割方法。在本發(fā)明的基于云模型的圖像分割方法中，通過以下步驟實(shí)現(xiàn)圖像分割利用云變換實(shí)現(xiàn)圖像灰度直方圖的變換實(shí)現(xiàn)圖像底層云抽取；利用云綜合實(shí)現(xiàn)云合并和躍升；利用極大判定法實(shí)現(xiàn)圖像判別和圖像分割。其中，所述底層云由眾多云滴構(gòu)成。具體地說，本發(fā)明的基于云模型的圖像分割方法通過以下步驟實(shí)現(xiàn)圖像分割(1)根據(jù)原圖的圖像像素統(tǒng)計(jì)信息，生成待分割圖像的灰度直方圖；(2)利用云變換將待分割圖像的灰度直方圖變換成一系列底層云C(EXi，Erii，Hei)，其中，EXi、Erii和Hei是第i個(gè)云的期望、熵和超熵；(3)逐步合并所有底層云中距離最近的底層云，得到指定數(shù)目的多個(gè)高層云，實(shí)現(xiàn)由底層云到高層云的躍升；(4)利用極大判定法進(jìn)行圖像像素隸屬判別，實(shí)現(xiàn)圖像分割；其中，通過比較各底層云的期望EXi的值，得到所述距離最近的底層云。其中，依據(jù)圖像像素灰度的頻率f(x)把圖像灰度直方圖轉(zhuǎn)換成一系列底層云C(EXi，En"He》，其數(shù)學(xué)表達(dá)式為/0)4》,，C(五x,，份,)式中，A是反映每一個(gè)底層云包含的云滴數(shù)的大小的幅度系數(shù)，n為變換后生成的離散概念的個(gè)數(shù)。其中，所述步驟(3)包括首先合并距離最近的兩個(gè)底層云；將合并以后的云與其它云放在一起，形成躍升的云；然后，合并躍升的云中距離最近的云，依此類推，逐步合并，得到多個(gè)高層云。其中，所述高層云的數(shù)目由用戶根據(jù)實(shí)際情況指定。其中，所述一系列底層云中的每一個(gè)底層云由該底層云所包括的眾多云滴構(gòu)成。其中，將灰度直方圖轉(zhuǎn)換成一系列底層云的步驟包括(2-1)對(duì)圖像進(jìn)行灰度直方圖統(tǒng)計(jì)，得到圖像灰度數(shù)據(jù)的頻率分布函數(shù)g(X);(2-2)尋找數(shù)據(jù)分布函數(shù)g(x)的波峰值所在的位置，將其峰值作為期望EXi;然后統(tǒng)計(jì)以期望EXi為中心的鄰域的灰度頻率分布，通過調(diào)整擬合云的熵(先給一個(gè)初始值)去擬合以EXi為中心的鄰域的灰度頻率曲線，得到擬合的底層云的熵Eni，并且擬合適應(yīng)于所述灰度頻率分布的數(shù)據(jù)分布函數(shù)gi(x);(2-3)按照先給定一個(gè)具體的值、然后根據(jù)實(shí)驗(yàn)結(jié)果進(jìn)行調(diào)整得到超熵Hei;(2-4)利用在步驟(2-2)和(2_3)中得到的期望EXi，熵Eni超熵Hei，得到擬合的底層云C(EXi，Erii，Hei);(2-5)從圖像灰度數(shù)據(jù)的頻率分布g(x)中減去已知云模型的數(shù)據(jù)分布gi(x)，得到新的數(shù)據(jù)分布函數(shù)g'(x)，并在此基礎(chǔ)上重復(fù)步驟(2-2)至步驟(2-4)，得到多個(gè)擬合的底層云C(EXi，Erii，Hei)。其中，利用極大判定法進(jìn)行圖像像素隸屬判斷和圖像分割步驟包括(4-1)計(jì)算出圖像中每個(gè)像素隸屬于每個(gè)高層云的確定度；(4-2)根據(jù)確定度最大的原則將將整幅圖像的每一個(gè)像素判別到隸屬度最大的高層云；(4-3)將隸屬于每一個(gè)高層云的所有像素判別為某個(gè)特定的圖像類別。本發(fā)明的上述方法既考慮圖像分割中的模糊性，也考慮隨機(jī)性，并且還考慮二者的關(guān)聯(lián)性的不確定性，因而相對(duì)于傳統(tǒng)的圖像分割方法，具有更好的圖像分割效果。下面結(jié)合附圖對(duì)本發(fā)明的方法進(jìn)行詳細(xì)說明。圖1顯示了實(shí)驗(yàn)圖像的灰度直方圖；圖2顯示了利用云變換得到圖像的底層云概念；圖3顯示了利用云綜合得到高層云概念；圖4顯示了利用極大判定法實(shí)現(xiàn)圖像分割；圖5al_圖5b4顯示了圖像分割的部分實(shí)驗(yàn)；圖6a-6c顯示了實(shí)驗(yàn)對(duì)比分析的實(shí)驗(yàn)原圖，其中，附圖6a為人像圖像，感興趣的目標(biāo)為頭發(fā)；附圖6b為細(xì)胞圖像，感興趣的目標(biāo)為細(xì)胞體；附圖6c為蜻蜒落在樹葉上的圖像，感興趣的目標(biāo)為蜻蜒的身體；圖7a-7c顯示了實(shí)驗(yàn)對(duì)比分析的參考圖，代表了一種接近真實(shí)情況的最佳分割結(jié)果，可以作為分割質(zhì)量分析的標(biāo)準(zhǔn)。其中，附圖7a為人像圖像的參考圖；附圖7b為細(xì)胞圖像的參考圖；附圖7c為蜻蜒圖像的參考圖。具體實(shí)施例方式本發(fā)明涉及的云包括底層云、高層云和底層云與高層云之間的云。一般來說，云由它所包含的眾多云滴組成，云滴具有以下特點(diǎn)一個(gè)云滴是定性概念在數(shù)量上的一次實(shí)現(xiàn)，云滴越多，越能反映這個(gè)定性概念的整體特征；云滴出現(xiàn)的概率大，云滴的確定度大，則云滴對(duì)概念的貢獻(xiàn)大。云用期望Ex(Expectedvalue)、熵En(Entropy)禾口超熵He(Hyperentropy)3個(gè)數(shù)字特征來整體表征一個(gè)概念。期望Ex:云滴在論域空間分布的期望。通俗地說，就是最能夠代表定性概念的點(diǎn)，或者說是這個(gè)概念量化的最典型樣本。熵En:定性概念的不確定性度量，由概念的隨機(jī)性和模糊性共同決定。一方面En是定性概念隨機(jī)性的度量，反映了能夠代表這個(gè)定性概念的云滴的離散程度；另一方面又是定性概念亦此亦彼性的度量，反映了論域空間中可被概念接受的云滴的取值范圍。用同一個(gè)數(shù)字特征來反映隨機(jī)性和模糊性，也必然反映了它們之間的關(guān)聯(lián)性。超熵He:是熵的不確定性度量，即熵的熵。由熵的隨機(jī)性和模糊性共同決定。從一般意義上講，概念的不確定性可以用多個(gè)數(shù)字特征表示。可以認(rèn)為概率理論中的期望、方差和高階矩是反映隨機(jī)性的多個(gè)數(shù)字特征，但沒有觸及模糊性；隸屬度是模糊性的一次精確性方法，卻沒有考慮隨機(jī)性；粗糙集是用基于精確知識(shí)背景下的兩個(gè)精確集合來度量不確定性的，卻忽略了背景知識(shí)的不確定性。在云方法中，除了期望、熵、超熵外，還可以用更高階的熵去刻畫概念的不確定性，理論上可以是無限深追的。本發(fā)明的基于云模型的圖像分割方法包括以下三個(gè)步驟第一，利用云變換實(shí)現(xiàn)圖像灰度直方圖的變換從而實(shí)現(xiàn)圖像底層抽??；第二，利用云綜合實(shí)現(xiàn)云合并和躍升；第三，利用極大判定法實(shí)現(xiàn)圖像判別和圖像分割。下面進(jìn)行詳細(xì)說明(1)利用云變換實(shí)現(xiàn)圖像底層概念的抽取圖像的灰度直方圖是圖像灰度的統(tǒng)計(jì)信息，以此為基礎(chǔ)，利用云變換將圖像的灰度直方圖分解為一系列的正態(tài)云。以圖1所示的圖像的灰度直方圖為例，橫坐標(biāo)軸X代表圖像像素的灰度值，縱坐標(biāo)軸代表灰度值的頻率值，它反映了圖像的所有像素灰度值的頻率(出現(xiàn)次數(shù))的分布情況，其中的頻率f(x)是該灰度直方圖的灰度的函數(shù)。利用云生成器(即正態(tài)函數(shù)發(fā)生器)，可以將灰度直方圖轉(zhuǎn)換成(分解成)一系列正態(tài)云圖，即一系列底層云。云變換是一種從定量到定性轉(zhuǎn)換的一種方法，每個(gè)云C(EXi，Erii，Hei)具有離散的、定性的性質(zhì)。云變換的數(shù)學(xué)表達(dá)式為/(x)4藝a,*CCEx,，//e,)!■=1式中，ai為幅度系數(shù)；n為變換后生成的離散概念的個(gè)數(shù)；將灰度直方圖轉(zhuǎn)換成(分解成)一系列底層云的步驟可以包括以下步驟1、對(duì)圖像進(jìn)行灰度直方圖統(tǒng)計(jì)，得到圖像灰度數(shù)據(jù)的頻率分布函數(shù)g(x);2、尋找數(shù)據(jù)分布函數(shù)g(x)的波峰值所在的位置，將其峰值定義為云的重心位置，即期望EXi(i=0，...，m-l);然后統(tǒng)計(jì)以期望EXi為中心的鄰域的灰度頻率分布，該灰度頻率分布中具有作為波峰的期望EXi，和該波峰值兩側(cè)的波谷，逐步調(diào)整擬合云模型的熵(先給一個(gè)初始值)去擬合波峰與波谷之間的分布曲線得到擬合云的熵Erii，同時(shí)擬合適應(yīng)于灰度頻率分布的云的數(shù)據(jù)分布函數(shù)gi(x);3、超熵的確定。由于在進(jìn)行曲線擬合時(shí)，是用云模型的期望曲線與數(shù)據(jù)的頻率分布曲線比較進(jìn)行擬合，超熵的信息并沒有用到。因此，在進(jìn)行云變換時(shí)，可以為超熵直接給定一個(gè)具體的值(如0.1)，然后根據(jù)實(shí)驗(yàn)結(jié)果進(jìn)行調(diào)整。4、得到擬合的底層云模型。根據(jù)步驟2和步驟3的計(jì)算即得到擬合云模型的期望EXi，熵Erii超熵Hei，得到擬合的底層云C(EXi，Er^He》。5、從圖像灰度數(shù)據(jù)的頻率分布g(x)中減去已知云模型的數(shù)據(jù)分布gi(x)，得到新的數(shù)據(jù)分布函數(shù)g'(x)。并在此基礎(chǔ)上重復(fù)步驟2至步驟4，得到多個(gè)基于云的數(shù)據(jù)分布函數(shù)gi(x)即擬合的底層云C(EXi，Erii，Hei)。(2)利用云綜合實(shí)現(xiàn)圖像底層概念的合并和躍升將n個(gè)底層云中距離最近的兩朵或多朵底層云進(jìn)行綜合，就可以生成一朵新的高層云。那么將n個(gè)底層云中所有距離最近的兩朵或多朵底層云分別進(jìn)行合并，就可以實(shí)現(xiàn)云模型從底層云到高層云的躍升。(3)利用極大判定法實(shí)現(xiàn)像素隸屬概念的判別和圖像分割通過云綜合得到滿足要求的高層云概念以后，每個(gè)云概念代表一個(gè)圖像區(qū)域或者圖像類型。利用極大判定法，對(duì)于每個(gè)像素，分別計(jì)算其隸屬于這些高層云的確定度，根據(jù)確定度最大的原則將該像素判別到相應(yīng)的云概念，從而實(shí)現(xiàn)圖像分割。利用極大判定法，對(duì)每個(gè)像素，根據(jù)其灰度值，計(jì)算其隸屬于每個(gè)高層云的確定度Pi，根據(jù)確定度最大的原則將該像素判定到相應(yīng)的高層云，從而將整幅圖像的每一個(gè)像素判定到相應(yīng)的高層云，每個(gè)高層云對(duì)應(yīng)一種圖像類型，用統(tǒng)一的灰度值來表示，從而實(shí)現(xiàn)圖像分割。下面針對(duì)一個(gè)具體實(shí)施例，對(duì)本發(fā)明的基于云模型的圖像分割方法進(jìn)行詳細(xì)說明。步驟(1)，首先根據(jù)原圖的圖像像素統(tǒng)計(jì)信息生成待分割圖像的灰度直方圖；步驟(2)，然后利用云變換將待分割圖像的灰度直方圖變換成一系列的底層云C(EXi，En"He》，其中，ExpEni和Hei是第i個(gè)云的期望、熵和超熵；步驟(3)，接著逐步合并所有底層云中距離最近的底層云，得到指定數(shù)目的多個(gè)高層云，實(shí)現(xiàn)由底層云到高層云的躍升；步驟(4)，最后利用極大判定法進(jìn)行圖像像素隸屬判別，實(shí)現(xiàn)圖像分割。其中，通過比較各底層云的期望EXi的值，得到所述距離最近的底層云。其中，依據(jù)圖像像素灰度的頻率f(x)把圖像灰度直方圖轉(zhuǎn)換成一系列底層云C(EXi，En"He》，其數(shù)學(xué)表達(dá)式為<formula>formulaseeoriginaldocumentpage8</formula>式中，A是反映每一個(gè)底層云包含的云滴數(shù)的大小的幅度系數(shù)，n為變換后生成的離散概念的個(gè)數(shù)。所述步驟(3)包括首先合并距離最近的兩個(gè)底層云；將合并以后的云與其它云放在一起，形成躍升的云；然后，合并躍升的云中距離最近的云，依此類推，逐步合并，得到多個(gè)高層云。其中，所述高層云的數(shù)目可以由用戶根據(jù)實(shí)際情況指定。其中，所述的底層云中的每一個(gè)底層云由該底層云所包括的眾多云滴構(gòu)成。其中，將灰度直方圖轉(zhuǎn)換成一系列底層云的步驟包括步驟(2-l)，對(duì)圖像進(jìn)行灰度直方圖統(tǒng)計(jì)，得到圖像灰度數(shù)據(jù)的頻率分布函數(shù)g(X);步驟(2-2)，從頻率分布函數(shù)g(x)圖中，尋找數(shù)據(jù)分布函數(shù)g(x)的波峰值所在的位置，將其峰值作為期望EXi;然后統(tǒng)計(jì)以期望EXi為中心的鄰域的灰度頻率分布，把所述灰度頻率的鄰域分布曲線作為基礎(chǔ)，逐步調(diào)整熵值(先給一個(gè)初始值)得到擬合的底層云的熵En"并且擬合適應(yīng)于所述灰度頻率分布的數(shù)據(jù)分布函數(shù)gi(x);步驟(2-3)，按照先給定一個(gè)具體的值、然后根據(jù)實(shí)驗(yàn)結(jié)果進(jìn)行調(diào)整得到超熵H一i;步驟(2-4)，利用在步驟(2-2)和(2_3)中得到的期望EXi，熵Eni超熵He"得到擬合的底層云C(EXi，Erii，Hei);步驟(2-5)，從圖像灰度數(shù)據(jù)的頻率分布g(x)中減去已知云模型的數(shù)據(jù)分布gi(x)，得到新的數(shù)據(jù)分布函數(shù)g'(x)，并在此基礎(chǔ)上重復(fù)步驟(2-2)至步驟(2-4)，得到多個(gè)擬合的底層云C(EXi，En"He》。其中，利用極大判定法進(jìn)行圖像像素隸屬判斷和圖像分割步驟包括步驟(4-1)，計(jì)算出圖像中每個(gè)像素隸屬于每個(gè)高層云的確定度，由于每個(gè)像素具有其灰度值，而每個(gè)高層云也具有相應(yīng)的灰度值，利用接近原則可以得到每個(gè)像素隸屬于每個(gè)高層云的確定度Pi;步驟(4-2)，根據(jù)確定度最大的原則將將整幅圖像的每一個(gè)像素判別到隸屬度最大的高層云；步驟(4-3)，將隸屬于每一個(gè)高層云的所有像素判別為某個(gè)特定的圖像類別，從而實(shí)現(xiàn)圖像分割。圖1-圖4顯示了利用云模型的云變換、云綜合、極大判定法等關(guān)鍵技術(shù)實(shí)現(xiàn)圖像分割方法的具體過程。圖5al至圖5b4現(xiàn)實(shí)了圖像分割的部分實(shí)驗(yàn)，表明該方法取得了較好的效果，其中，圖5al是原圖，圖5bl是針對(duì)圖5al的分割圖，它較好地提取出飛機(jī)目標(biāo)。圖5a2是原圖，圖5b2是針對(duì)圖5a2的分割圖，它較好地提取出人、山峰和云。圖5a3是原圖，圖5b3是針對(duì)圖5a3的分割圖，它較好地提取出汽車、數(shù)字和字母。圖5a4是原圖，圖5b4是針對(duì)圖5a4的分割圖，它較好地提取出樹木。選擇了3幅圖像分割的文獻(xiàn)中經(jīng)常使用的實(shí)驗(yàn)圖像進(jìn)行圖像分割質(zhì)量的定量評(píng)價(jià)。實(shí)驗(yàn)原圖如附圖6所示。其中，附圖6a為人像圖像，感興趣的目標(biāo)為頭發(fā)；附圖6b為細(xì)胞圖像，感興趣的目標(biāo)為細(xì)胞體；附圖6c為蜻蜒落在樹葉上的圖像，感興趣的目標(biāo)為蜻蜒的身體。實(shí)驗(yàn)圖像的參考圖如圖7a、7b、7c所示，可以將參考圖作為正確的分割結(jié)果，將本方法所得到的分割結(jié)果與參考圖比較得到誤分率。同時(shí)，分別利用圖像分割中的常用方法K均值聚類分割、模糊C均值聚類分割、最優(yōu)閾值分割方法對(duì)附圖6中的三幅實(shí)驗(yàn)圖像進(jìn)行圖像分割實(shí)驗(yàn)，并將誤分率作為評(píng)價(jià)指標(biāo)進(jìn)行實(shí)驗(yàn)結(jié)果的比較，比較結(jié)果如表1所示。表1誤分率對(duì)比表<table>tableseeoriginaldocumentpage9</column></row><table>從實(shí)驗(yàn)對(duì)比可以看出，K均值聚類圖像分割方法的誤分率最高；模糊C均值聚類分割方法的誤分率普遍低于K均值聚類圖像分割方法，這是因?yàn)槟：鼵均值聚類分割方法考慮了模糊性，相對(duì)于K均值聚類分割來說，考慮了不確定性中的模糊性，該方法更加科學(xué)可靠。本發(fā)明所提出的基于云模型的圖像分割方法因?yàn)槔昧嗽颇Ｐ途C合分析和處理模糊性、隨機(jī)性以及二者之間的關(guān)聯(lián)性的優(yōu)勢(shì)，對(duì)不確定性的分析和處理更加科學(xué)，因此取得了更好的圖像分割效果。盡管上文對(duì)本發(fā)明進(jìn)行了詳細(xì)說明，但是本發(fā)明不限于此，本
技術(shù)領(lǐng)域：
技術(shù)人員可以根據(jù)本發(fā)明的原理進(jìn)行各種修改。因此，凡按照本發(fā)明原理所作的修改，都應(yīng)當(dāng)理解為落入本發(fā)明的保護(hù)范圍。權(quán)利要求一種基于云模型的圖像分割方法，包括以下步驟(1)利用云變換實(shí)現(xiàn)圖像灰度直方圖的變換實(shí)現(xiàn)圖像底層云抽??；(2)利用云綜合實(shí)現(xiàn)云合并和躍升；(3)利用極大判定法實(shí)現(xiàn)圖像判別和圖像分割。2.根據(jù)權(quán)利要求1所述的方法，其中所述底層云由眾多云滴構(gòu)成。3.—種基于云模型的圖像分割方法，包括以下步驟(1)根據(jù)原圖的圖像像素統(tǒng)計(jì)信息，生成待分割圖像的灰度直方圖；(2)利用云變換將待分割圖像的灰度直方圖變換成一系列底層云C(EXi，En"He》，其中，EXi、Eni和Hei是第i個(gè)云的期望、熵和超熵；(3)逐步合并所有底層云中距離最近的底層云，得到指定數(shù)目的多個(gè)高層云，實(shí)現(xiàn)由底層云到高層云的躍升；(4)利用極大判定法進(jìn)行圖像像素隸屬判別，實(shí)現(xiàn)圖像分割。4.根據(jù)權(quán)利要求3所述的方法，其中通過比較各底層云的期望EXi的值，得到所述距離最近的底層云。5.根據(jù)權(quán)利要求4所述的方法，其中依據(jù)圖像像素灰度的頻率f(x)把圖像灰度直方圖轉(zhuǎn)換成一系列底層云C(EXi，En"He》，其數(shù)學(xué)表達(dá)式為/(x)—|>'*，''￡"'，他')式中，A是反映每一個(gè)底層云包含的云滴數(shù)的大小的幅度系數(shù)，n為變換后生成的離散概念的個(gè)數(shù)。6.根據(jù)權(quán)利要求3或4所述的方法，其中，所述步驟(3)包括首先合并距離最近的兩個(gè)底層云；將合并以后的云與其它云放在一起，形成躍升的云；然后，合并躍升的云中距離最近的云，依此類推，逐步合并，得到多個(gè)高層云。7.根據(jù)權(quán)利要求6所述的方法，其中所述高層云的數(shù)目由用戶根據(jù)實(shí)際情況指定。8.根據(jù)權(quán)利要求3或4或5所述的方法，其中所述一系列底層云中的每一個(gè)底層云由該底層云所包括的眾多云滴構(gòu)成。9.根據(jù)權(quán)利要求3所述的方法，其中將灰度直方圖轉(zhuǎn)換成一系列底層云的步驟包括(2-1)對(duì)圖像進(jìn)行灰度直方圖統(tǒng)計(jì)，得到圖像灰度數(shù)據(jù)的頻率分布函數(shù)g(x);(2-2)尋找數(shù)據(jù)分布函數(shù)g(x)的波峰值所在的位置，將其峰值作為期望EXi;然后統(tǒng)計(jì)以期望EXi為中心的鄰域的灰度頻率分布，逐步調(diào)整熵值(先給一個(gè)初始值)去擬合所述灰度頻率的鄰域灰度頻率分布曲線，得到擬合的底層云的熵Eni，并且擬合適應(yīng)于所述灰度頻率分布的數(shù)據(jù)分布函數(shù)gi(x);(2-3)按照先給定一個(gè)具體的值、然后根據(jù)實(shí)驗(yàn)結(jié)果進(jìn)行調(diào)整得到超熵Hei;(2-4)利用在步驟(2-2)和(2-3)中得到的期望EXi，熵Eni超熵Hei，得到擬合的底層云C(EXi，Erii，He》；(2-5)從圖像灰度數(shù)據(jù)的頻率分布g(x)中減去已知云模型的數(shù)據(jù)分布gi(x)，得到新的數(shù)據(jù)分布函數(shù)g'(x)，并在此基礎(chǔ)上重復(fù)步驟(2-2)至步驟(2-4)，得到多個(gè)擬合的底層云C(EXi，Erii，He》。10.根據(jù)權(quán)利要求3所述的方法，其中利用極大判定法進(jìn)行圖像像素隸屬判斷和圖像分割步驟包括(4-1)計(jì)算出圖像中每個(gè)像素隸屬于每個(gè)高層云的確定度；(4-2)根據(jù)確定度最大的原則將整幅圖像的每一個(gè)像素判別到隸屬度最大的高層云；(4-3)將隸屬于每一個(gè)高層云的所有像素判別為某個(gè)特定的圖像類別。全文摘要本發(fā)明公開了一種基于云模型的圖像分割方法，在該方法中，首先利用云變換實(shí)現(xiàn)圖像灰度直方圖的變換實(shí)現(xiàn)圖像底層云抽??；接著利用云綜合實(shí)現(xiàn)云合并和躍升；最后利用極大判定法實(shí)現(xiàn)圖像判別和圖像分割。本發(fā)明既考慮圖像分割中的模糊性，也考慮隨機(jī)性，并且還考慮二者的關(guān)聯(lián)性的不確定性，因而相對(duì)于傳統(tǒng)的圖像分割方法，具有更好的圖像分割效果。文檔編號(hào)G06T7/00GK101727657SQ20081017223公開日2010年6月9日申請(qǐng)日期2008年10月31日優(yōu)先權(quán)日2008年10月31日發(fā)明者李德毅,杜鹢,秦昆,許凱申請(qǐng)人:李德毅;秦昆;杜鹢;許凱