基于粗糙集理论的图像分割智能决策方法

尽管如今已有多种图像分割算法,但是没有任何一种分割方法能够适用于所有的图像.为了使图像跟踪系统能根据图像特征自适应选取分割算法,给出了一种基于粗糙集理论的图像分割智能决策方法.该方法首先选取若干具代表性的分割算法构成算法库,并用它们对各种样本图像进行分割;然后利用从样本图像中提取出来的各种数值特征,并根据图像分割质量评价标准评判出各样本图像的最优分割算法,用其构成决策信息表;最后应用粗糙集理论来对决策信息表进行离散化处理和属性约简,以生成图像分割算法选取的决策规则.该决策方法解决了图像跟踪系统中分割算法选取的一系列难题.实验证明,该决策方法能比较有效地根据系统所处理图像的特征选取出算法库中最优的分割算法,并可满足车载图像跟踪系统的实时性要求.     

基于粗糙集的神经网络建模方法研究

提出了一种基于粗糙集的神经网络模型,该方法利用粗糙集数据分析方法,从数据中提取出规则将输入映射到输出的子空间上,而后在这个子空间上用神经网络进行逼近.利用这种方法对岩石边坡工程中边坡稳定性进行分析建模,并和传统的神经网络建模方法进行比较,说明了该方法的有效性.     

一种基于粗糙集分类的图像增强方法

该文利用两个特征值属性,图像块的低高频能量和图像块的频域熵对图像进行粗糙集分类,得到边缘区域集合和平滑区域集合。然后分别对边缘区域和平滑区域做模糊增强和邻域平均法平滑,最后将图像重构得到边缘增强的图像,从而使图像的边缘变得更加清晰。     

基于粗糙集的图像增强智能决策方法

为了使图像能根据图像特征自适应选取增强算法,给出一种基于粗糙集的图像增强智能决策方法.该方法首先建立图像增强算法库,并用现行的算法提取图像的数值特征作为条件属性,按照图像评价指标结合专家经验选取处理效果最优的算法作为决策属性,从而构成信息决策表.最后应用粗糙集来对决策信息表进行离散化和属性约简,以生成图像增强算法选取的决策规则.试验表明,该决策方法能比较有效地根据系统所处理图像的特征选取出算法库中最优的增强算法.     

基于改进粗糙集理论的SAR图像目标增强

图像增强在提高SAR图像舰船目标检测精度方面具有十分重要的意义。由于传统算法不能很好地对SAR图像进行目标增强;提出了基于改进粗糙集理论和引力场强度的目标增强算法。通过借鉴引力场相关理论知识;将粗糙集条件属性集中的梯度属性改进为引力场强度属性;从而实现对原图像的目标增强。与其他算法进行了实验比较;结果表明提出的改进算法相比于其他算法更适用于SAR图像特性;能更好地对舰船目标像素进行针对性增强;具备一定的工程应用价值。     

基于粗糙集的视频监控图像增强算法

视频监控系统中受许多客观因素的影响,图像实际成像会影响到监控效果。粗糙集理论是一种处理不完整性和不确定性问题的数学工具。根据人眼的视觉特性,将粗糙集理论应用到视频监控图像。实验表明该算法对视频监控图像有较好的增强效果,并对噪声具有一定的抑制作用,可以满足实际工程上的需求。     

基于粗糙集的图像分类挖掘

随着图像数据库的不断增长,传统方法的对基于内容的图像数据的分类挖掘越来越显得不足,使用粗糙集方法.利用先验知识可以提高图像分类的准确率.文中从图像的色彩特征的角度出发,通过多种方法尽可能多地提取图像的色彩特征信息,同时按照数据挖掘的一般步骤提出具体应用于图像分类的挖掘算法,且通过实验证明该算法的可行性和优越性.     

基于粗糙集的微小缺陷图像对比度增强算法

设计了一种微小缺陷图像对比度增强算法。采用粗糙集理论将图像划分为不同类别,同一类别中像素间为不可分辨关系。并依据图像灰度值和噪声属性进一步将图像划分为子图,在子图中得到图像的明暗区域。对图像不同区域进行直方图均衡变换和直方图指数变换处理,处理后即可增强图像的对比度。仿真实验表明,处理后可突出显示图像中的微小细节,图像不同区域之间的划分效果更加明显,可以有效提升图像的对比度和视觉效果。     

基于遗传算法的误差因子粗糙集模型

粗糙集方法是数据挖掘的重要方法之一.针对当前粗糙集属性约简启发式方法的不足,本文提出了一个基于遗传算法的误差因子粗糙集模型.通过融合遗传算法,消除属性简约中约简属性相对集中的问题.通过引入误差因子,消除噪声数据的影响.利用关系型数据库的关系演算实现了算法,克服了基于文本方法的不足.通过一个舍有噪声的决策表实验,表明该模型是一个有效的算法改进.     

基于粗糙集数据分析的可拓推理机制研究

目前可拓变换推理中的可拓变换主要依靠历史资料、人为指定或过往经验来进行,这大大制约了可拓变换在智能化推理中的应用。为解决此问题,提出了一种基于粗糙集数据分析的可拓推理机制。该机制首先采用粗糙集对数据进行分析来获取分类及规则知识,然后利用这些知识来指导可拓推理,从而实现了可拓变换及推理的可控性和高效性,为可拓推理的智能化应用莫定了基础。     

基于粗糙集理论的遥感影像分类研究

粗糙集理论作为一种新的处理含糊和不确定性问题的数学工具,可以有效地分析和处理不完备信息,已经在模式识别、机器学习、决策支持、过程控制、预测建模等众多科学与工程领域得到成功的应用,并具有相当的发展潜力,该文在深入研究粗集理论基础上,将其引入遥感影像的处理中,对遥感图像分类进行了系统的研究。文中基于图像的粗糙集知识系统,提出了一种新的遥感图像知识分类算法———粗糙分类法,最后给出了一个相应的实例。     

基于粗糙集理论和FCM的图像聚类方法

提出一种将粗糙集方法与模糊C均值聚类(FCM)算法结合的图像聚类方法。借助于粗糙集理论在处理大数据量、消除冗余信息等方面的优点,减少模糊C均值聚类的训练数据量,克服其因为数据量大而处理速度慢等缺点,同时利用模糊C均值聚类好的聚类性能,对经过约简的最小属性子集进行聚类分析,实现图像聚类的快速、准确、鲁棒等优点。在人脸图像上的聚类实验取得了很好的效果。     

一种基于粗糙集理论的票据图像识别分类方法

本文根据票据图像的版面特点,选取表格线、背景信息及纹理信息作为主要特征,采用粗糙集理论进行特征属性约简、规则提取及规则约简。并提出了一种基于多规则集的综合决策分类方法,巧妙的利用其分类及拒识的特点,有效地实现了票据图像分类。     

基于粗糙集理论的数据清洗模型

本文在基于粗糙集理论的基础上提出一个大数据系统的数据清洗模型,以利于信息不完备决策问题的实施。模型从给定的初始数据出发,在假定属性的重要性量度σ0的前提下,经过一系列的计算,比较属性实际重要性量度σCD（x)与σ0的大小,由此确定属性x的清洗,然后根据清洗后的数据的出相应的决策规则。并给出一个简单的例子来验证数据清洗模型。     

一种基于粗糙集理论的最简规则挖掘方法

提出了一种基于粗糙集理论的最简规则挖掘方法，它是一个采用基于分类正确度的粗糙集模型进行多概念分类规则挖掘的新方法，能有效处理决策表的不一致性，采用启发式算法，挖掘出满足给定精确度的最简产生式规则知识。用多个UCI数据集对算法进行了测试，并且与著名的Rosetta软件进行实验对比，结果说明此方法大大提高了总的数据约简量，可以有效地简化最终得到的规则知识。     

基于Rough集理论的属性简约研究

为了从海量的数据获得知识,数据挖掘被广泛地应用于知识发现。粗糙集理论是一种研究不确定性知识的工具,该文从Rough集理论的基本概念出发,对基于Rough集的信息系统决策表的属性简约问题进行了研究,挖掘出隐藏于信息表中的统计信息。该文对Rough集属性重要性在属性简约中的应用进行了研究,研究发现熵作为一种衡量信息量的重要工具,将其引入属性重要性的定义,考虑该属性对于论域中不确定分类子集的影响,使属性重要性这一概念更加完善。文章将这一概念应用于水声信号的目标识别,给出仿真结果,提出了以后的研究方向。     

一种粗糙集值约简算法及其应用

对已有的粗糙集约简算法进行了研究,分析了这些算法中存在的问题。提出一种粗糙集值约简算法。该算法重点不在于求得最佳属性约简,而在于求得满足用户需求的最佳值约简。通过实例介绍了该算法的应用。算法能实现粗糙集的值约简,并能计算出各规则的支持度。     

基于粗糙集理论的关联规则挖掘研究及应用

提出了一种基于粗糙集理论的关联规则算法,使用粗糙集理论对数据进行预处理,同时使用属性限制避免挖掘无用的关联规则,挖掘出来的关联规则是分类规则,可以对未知数据进行分类;使用规则过滤去除冗余规则,只保留本质的、一般的规则。通过对网络安全审计数据的分析的试验表明,该方法是行之有效的。     

基于粗糙集的属性约简算法

本文主要研究基于粗集理论的属性约简算法。提出了一种新的启发式约简算法,即基于加权平均和频度的双向选择约简算法。本文还通过实例验证了该算法的可行性和有效性。     

基于粗糙集理论的设备资源优化配置

分析了区域网络化制造中实现设备资源优化配置的过程及关键技术；基于粗糙集理论，提出了一种设备资源优化评价指标体系和各属性权重因子的确定算法。最后将算法应用于实践，证明了其可行性和有效性。