基于形态学膨胀的粗集研究

基于二值形态学理论,推广了标准粗集理论中的不可分辨关系,研究了一类新的粗集,并探讨了其基本性质,特别研究了形态学粗近似算子的可定义性.结论表明,新的粗集模型不仅是现有粗集理论的扩展,在实际应用中还可挖掘出更多具有确定性的知识,从而提高数据分析的效率.     

一种基于粗集与FCM结合的图像分割方法

传统的FCM 算法在做图像分割时,只是利用图像的每一个像素点的灰度值进行聚类,当图像受到噪声污染时,分割的准确性将大大降低,为此,提出了一种粗集与FCM算法相结合的图像分割方法,实验结果表明,该方法具有良好的分割性能.     

粗集理论的现状与前景

本文讨论了粗集理论的基本概念,详细介绍了其在理论与应用方面的研究进展,并指出了粗集理论今后的一些研究方向。     

基于Itakura-Saito散度的图像分割法

针对Otsu阈值法仅适合图像目标和背景分布呈正态分布且两者像素量和方差要求基本相当的不足,提出了基于Itakura-SaitoS散度的图像阈值化分割新算法。实验结果表明,对有些图像采用Itakura-Saito散度的阈值法比传统Otsu阈值法能够获得较好的分割效果。     

基于遗传算法的超声图像水平集分割

文章提出了超声图像自动分割的新方法。其基本思想是在水平集分割方法的基础上，以能量函数作为评价函数，把图像分割问题变成一个优化问题，利用遗传算法的寻优高效性，搜索到能使分割质量到达最优的轮廓曲线。应用此方法对肝脏超声图像进行肿瘤的边缘提取，得到比较好的结果，从而完成图像的自动分割。     

基于Rough Set和neural network组合数据挖掘

提出了一种基于rough set和neural network的数据挖掘新方法。首先利用粗集理论对原始数据进行一致性属性约简，然后使用神经网络对数据进行学习，并同时完成属性的不一致约简，最后再由粗集对神经网络中的知识进行规则抽取。该方法充分融合了粗集理论强大的属性约简、规则生成能力和神经网络优良的分类、容错能力。实验表明，该方法快速有效，生成规则简单准确，具有良好的鲁棒性。     

基于水平集方法的医学图像分割

针对水平集方法处理曲线拓扑结构变化能力强,但分割图像时运算效率低的情况,提出将水平集方法和快速步进法相结合应用于医学图像的分割。该方法解决了水平集方法运算效率低、快速步进法易产生过分割的问题,使得图像分割的速度得以提高,分割效果也比较理想。该方法成功的用于头骨CT图像和肝脏CT图像的分割,分割效果较好。     

一种基于交互式快速水平集的阴影图像分割算法

因受光源等条件的影响,采集的原始图像常常存在着阴影,用传统的水平集方法分割图像,常把阴影误认为是目标．以带阴影的栗属（板栗）果实图像为例,提出一种交互式快速水平集方法实现图像分割．实验结果表明：该算法能够得到正确的阴影图像的分割结果,具有更佳的图像分割性能．     

结合形态学运算的谱抠图声纳图像分割法

针对数字抠图与图像分割之间的联系,提出一种结合形态学运算的谱抠图声纳彩色图像分割法。首先通过形态学中的顶帽(top-hat)变换和底帽(bottom-hat)变换去除声纳图像中阴影的影响和背景的不均匀性,并进行图像增强;其次,将数字抠图中的alpha值考虑到图像分割中,通过全局平均迭代阈值法获取阈值,对抠图所获alpha图像进行阈值处理得出分割结果;最后,与多种现有的分割方法进行仿真对比实验,实验结果证明了本文分割方法的有效性。     

基于改进的水平集模型工业零件图像分割方法

随着计算机视觉技术发展,工业机器人的智能化水平越来越高.从只能完成定点定向的动作,到可以根据其搭载的摄像头来自主地识别零件并对其进行定位.利用图像处理技术可以进一步提高其识别速度与抓取精度,提高生产力水平.本文提出了一种改进的水平集模型,首先定义以图片宽度的2/3为半径,图片中心为圆心的圆作为曲线演化的初始轮廓,让曲线以向内运动为主;接着,使用图像边缘标记函数,通过优化控制函数迭代速率的参数与影响模型对噪音敏感度的参数,提高了曲线的演化速率,最后使用改进的距离正则化水平集方法将曲线演化至目标物体边界,实现对图像的分割.仿真实验表明,该方法能有效检测出图像中单个及多个物体的边界,提高了边界的定位精度,且有较快的运算速度.     

一种基于粗糙理论的图像预处理方法

人工智能是当前研究的一个热门话题,本文将Rough集理论应用到图像智能增强预处理中,从利用原有特征集表达知识图像的方法出发,选出对于分类最有效的特征,并给出重要的相关特征的不同组合,从而实现系统特征选择。不但为肿瘤图像信息解译和认知科学提供了研究方法,而且为实现图像的智能化处理指出了一个有效的途径。     

基于粗集与FCM的快速图像分割的改进方法

借鉴神经网络里面竞争学习的思路,通过引入一个抑制因子,来提高最大隶属度的值,对应减小其它隶属度的值,以便达到更快的分类速度,同时实现既突出主要因素,又抑制次要因素的目的。提出了基于粗集与FCM的快速图像分割的改进方法。实验结果表明,该快速图像分割方法,对于被噪声污染的图像有较好的分割性能,粗集理论在处理不确定性信息方面有着独特的方式和相关信息提取能力,以及和其他智能方法的易融合性,使得粗糙集理论在图像处理领域有良好的应用前景。     

粗糙集与模糊集的比较

近年来，人们提出许多描述不确定性的方法。本文将给出粗糙集和模糊集的比较。粗糙集理论是描述模糊性和不确定性的一种新的数学工具。由于大家对模糊集的熟悉，本文不再给出模糊集的相关概念。     

基于AHP和粗糙集的二阶段评价方法研究

通过分析AHP在求解过程中存在的不足，结合粗糙集理论强大的定性分析能力，提出了AHP和粗糙集相结合二阶段求解的基本思路，并针对物流服务商评价问题的一个具体实例，阐述了如何应用AHP和粗糙集二阶段方法对物流服务商进行评价。评价结果表明，新提出的二阶段评价方法与AHP、AHP—TOPSIS方法、突变理论相比较，它对于最优企业的选取，无疑是一个重要的决策参考。     

基于蒙特卡罗方法和粗糙熵标准的图像分割方法

提出了一种新的图像分割方法。这种分割方法首先利用粗糙集理论将图像按照一定的规则划分为大小相等的若干图像子块,而后利用蒙特卡罗方法基本原理对划分的图像子块进行一定规模的随机抽样,以随机抽样所得的图像子块为样本进行粗糙熵计算,用所得最大粗糙熵所对应的灰度值为分割阀值对图像进行分割,在采用较小的图像子块划分以取得更好的分割效果的情况下,极大的提高了算法的分割速度。通过对测试图像的MATLAB仿真试验验证了算法在降低计算机消耗方面的有效性,且所得的分割阀值也令人满意。     

基于属性直方图的图像分割方法及其在声呐图像分割中的应用

图像分割是图像识别中的主要问题，同时它又是一个经典难题；声呐图像恶劣的品质使图像的分割变得更为困难，属性直方图概念是直方图概念的推广；Otsu阈值化方法是一种性能良好的方法，本文将属性直方图概念应用于Otsu法中，提出了一中基于属性直方图的图像分割方法，文中阐述了这种方法的原理，并以声呐图像分割作为实例说明了这种方法的可行性。     

基于粗糙集的BP神经网络设计

传统的神经网络对于简单、具有明确分类界限的数据,可以有较好的计算结果,但是在输入属性集合较大、分类界限不明确的情况下,会出现收敛效率和分类准确率较低,甚至会出现不收敛状态。本文利用Rough集的理论,对输入数据不停地进行样本检测,对输入特征不停地进行筛检,以此达到删减输入特征数的目的,从而提高对输入数据的拟合。通过对采集到的脑电信号进行验证,达到删减特征数和提高分类准确度的目的。     

基于改进Mumfold-Shah模型的图像分割算法

针对传统图像分割方法中由于边缘模糊难以取得理想分割效果的问题,提出了一种基于改进Mumfold-Shah模型的图像分割算法.结合模糊C均值聚类算法对Mumfold-Shah模型进行改进,以提高图像的分割速度和分割的鲁棒性.实验结果表明:该算法具有可行性和有效性.     

基于超像素的Graph-Based图像分割算法

针对EGBIS分割算法中的过分割问题,提出了一种基于超像素的graph-based图像分割算法SGBIS.首先,对图像进行基于简单线性迭代聚类（SLIC）的超像素预分割;然后以每个超像素作为节点构造带权无向图,以相邻超像素颜色平均值的欧式距离作为图中边的权值;最后利用基于图的算法合并超像素得到分割结果.用VI、PRI和F值3个指标分析了算法性能,结果表明,新算法可以得到更为理想的分割效果;引入交互分割区域合并,也可满足用户图像分割的需求.     

基于数学形态学的细胞图像分割

该文提出了一种基于数学形态学理论的方法,用于分割细胞图像。首先利用灰度形态学中的重构运算对输入图像进行滤波来削弱或去除噪声的影响,然后取其形态学梯度并结合Top-Hat和Bottom-Hat两个变换来增强梯度图像的对比度,最终由分水岭算法完成分割。关于过分割的改进,该文引出一个特殊的Otsu阈值来标记图像,得到的结果无需进一步的后处理。