CN101169867B - 图像分割方法、图像处理设备及系统 - Google Patents

Abstract

本发明公开了一种图像分割方法，该方法包括：分别利用多个模糊神经网络对输入图像进行分割，获得每个模糊神经网络对输入图像的分割结果；将所述多个模糊神经网络对输入图像的分割结果进行融合处理。本发明同时公开一种图像处理设备和图像处理系统。采用本发明可以提高提高图像分割的精度，获得更好的分割结果；利用模糊技术的优点，更好的集成各个模糊神经网络对输入图像的分割结果。

Description

图像分割方法、图像处理设备及系统 

技术领域

本发明涉及图像处理技术领域，尤其涉及图像分割方法、图像处理设备及系统。 

背景技术

图像分割是获得图像信息的重要途径，是进行图像理解的基础，是图像工程技术的重要问题。模糊神经网络是模糊技术与人工神经网络技术相结合的产物，是人工智能的一个热点研究领域，在人脸识别、语音识别、图像处理等诸多方面有着广泛的应用，是解决图像分割问题的理想工具。 

由于模糊神经网络受网络参数设置的影响较大，目前在现有技术中一般采用一个神经网络对图像进行分割，并且设置一组网络参数对分割进行控制。 

发明人在实现本发明的过程中，发明现有技术存在如下不足之处： 

现有技术中仅采用一个神经网络对图像进行分割，仅设置一组网络参数对分割进行控制，参数设置的不好，图像分割的结果就可能不理想，但是这些参数不好设置，几乎不可能得到很好的参数，使得分割算法受到参数设置的限制很大，算法的优势难以充分发挥，分割精度不高，分割的效果有待进一步提高。 

发明内容

本发明实施例提供一种图像分割方法、图像处理设备及系统，用以提高提高图像分割的精度，获得更好的分割结果；利用模糊技术的优点，更好的集成各个模糊神经网络对输入图像的分割结果。 

本发明实施例提供一种图像分割方法，该方法包括： 

分别利用多个模糊神经网络对输入图像进行分割，获得每个模糊神经网络对输入图像的分割结果，具体包括步骤：分别利用多个模糊神经网络对输入图像中每个像素点的颜色分量、所在位置进行处理，获得每个模糊神经网络对输入图像进行分割后输入图像中所有像素点的隶属度；

将所述多个模糊神经网络对输入图像的分割结果进行融合处理，包括： 

根据每个模糊神经网络对输入图像进行分割后输入图像中所有像素点的隶属度，建立输入图像中所有像素点的隶属度矩阵； 

根据所述隶属度矩阵、输入图像中的像素点数目、输入图像的类别数目、分割所采用的模糊神经网络数目，获得每个模糊神经网络的平均互信息； 

根据所述隶属度矩阵、平均互信息，获得所述多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素点的隶属度； 

将所述多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素点的隶属度进行加权处理，获得输入图像中每个像素点的类别； 

按输入图像中每个像素点的类别对输入图像进行融合处理； 

分别利用多个模糊神经网络对输入图像进行分割之前，设置每个模糊神经网络的初始参数； 

若分割所采用的多个模糊神经网络为不同的模糊神经网络，则对每个模糊神经网络设置相同或不同的初始参数； 

或，若分割所采用的多个模糊神经网络为同一模糊神经网络，则对每个模糊神经网络设置不同的初始参数。 

本发明实施例还提供一种图像处理系统，包括： 

分割模块，用于分别利用多个模糊神经网络对输入图像进行分割，获得每个模糊神经网络对输入图像的分割结果，所述分割模块进一步用于分别利用多个模糊神经网络对输入图像中每个像素点的颜色分量、所在位置进行处理，获得每个模糊神经网络对输入图像进行分割后输入图像中所有像素点的隶属度； 

融合模块，用于将所述多个模糊神经网络对输入图像的分割结果进行融合处理，所述融合模块包括：隶属度矩阵建立单元，用于根据每个模糊神经网络 对输入图像进行分割后输入图像中所有像素点的隶属度，建立输入图像中所有像素点的隶属度矩阵；平均互信息获取单元，用于根据所述隶属度矩阵、输入图像中的像素点数目、输入图像的类别数目、分割所采用的模糊神经网络数目，获得每个模糊神经网络的平均互信息；融合后隶属度获取单元，用于根据所述隶属度矩阵、平均互信息，获得所述多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素点的隶属度；像素点类别获取单元，用于将所述多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素点的隶属度进行加权处理，获得输入图像中每个像素点的类别；融合处理单元，用于按输入图像中每个像素点的类别对输入图像进行融合处理； 

附图说明

初始化模块，用于在分别利用多个模糊神经网络对输入图像进行分割之前，设置每个模糊神经网络的初始参数； 

所述初始化模块进一步用于在分割所采用的多个模糊神经网络为不同的模糊神经网络时，对每个模糊神经网络设置相同或不同的初始参数；在分割所采用的多个模糊神经网络为同一模糊神经网络时，对每个模糊神经网络设置不同的初始参数。 

本发明实施例还提供一种图像处理设备，包括： 

分割模块，用于分别利用多个模糊神经网络对输入图像进行分割，获得每个模糊神经网络对输入图像的分割结果，所述分割模块进一步用于分别利用多个模糊神经网络对输入图像中每个像素点的颜色分量、所在位置进行处理，获得每个模糊神经网络对输入图像进行分割后输入图像中所有像素点的隶属度； 

融合模块，用于将所述多个模糊神经网络对输入图像的分割结果进行融合处理，所述融合模块包括：隶属度矩阵建立单元，用于根据每个模糊神经网络对输入图像进行分割后输入图像中所有像素点的隶属度，建立输入图像中所有像素点的隶属度矩阵；平均互信息获取单元，用于根据所述隶属度矩阵、输入图像中的像素点数目、输入图像的类别数目、分割所采用的模糊神经网络数目，获得每个模糊神经网络的平均互信息；融合后隶属度获取单元，用于根据所述 隶属度矩阵、平均互信息，获得所述多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素点的隶属度；像素点类别获取单元，用于将所述多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素点的隶属度进行加权处理，获得输入图像中每个像素点的类别；融合处理单元，用于按输入图像中每个像素点的类别对输入图像进行融合处理； 

具体实施方式

初始化模块，用于在分别利用多个模糊神经网络对输入图像进行分割之前，设置每个模糊神经网络的初始参数； 

所述初始化模块进一步用于在分割所采用的多个模糊神经网络为不同的模糊神经网络时，对每个模糊神经网络设置相同或不同的初始参数；在分割所采用的多个模糊神经网络为同一模糊神经网络时，对每个模糊神经网络设置不同的初始参数。 

本发明实施例中，分别利用多个模糊神经网络对输入图像进行分割，获得每个模糊神经网络对输入图像的分割结果；将所述多个模糊神经网络对输入图像的分割结果进行融合处理，可以针对每个模糊神经网络设置一组参数，在设置多组参数的基础上，利用融合技术得到一个最终的分割结果，与现有技术中单独使用一个模糊神经网络进行图像分割的技术方案相比，可以提高图像分割的精度，减小参数设置对分割结果的影响，获得更好的分割结果。 

将所述多个模糊神经网络对输入图像的分割结果进行融合处理时，利用了模糊技术的优点，可以更好的集成各个模糊神经网络对输入图像的分割结果。 

图1为本发明实施例中对图像进行分割时的处理流程图； 

图2为本发明实施例中将多个模糊神经网络对输入图像的分割结果进行融合处理的流程图； 

图3A、图3B、图3C、图3E、图3F为本发明实施例中图像处理系统的结构示意图； 

图3D为本发明实施例中融合模块的结构示意图； 

图4为本发明实施例中图像处理设备的结构示意图。 

下面结合说明书附图对本发明实施例进行详细说明。 

如图1所示，本发明实施例中，对图像进行分割时的处理流程如下： 

步骤11、分别利用多个模糊神经网络对输入图像进行分割，获得每个模糊神经网络对输入图像的分割结果。 

步骤12、将多个模糊神经网络对输入图像的分割结果进行融合处理。 

一个实施例中，在步骤11之前，可以对输入图像进行预处理，预处理可以包括平滑、滤波去噪、设置输入图像的类别数目K、分割所采用的模糊神经网络数目M其中之一或任意组合。 

一个实施例中，步骤11之前还可以设置每个模糊神经网络的初始参数。 

分割所采用的多个模糊神经网络可以是完全不同的模糊神经网络，使用不同的模糊聚类算法，其中对每个模糊神经网络选择相同或不同的初始化参数。分割所采用的多个模糊神经网络也可以同一种模糊神经网络，使用同一种模糊聚类算法，但需对每个模糊神经网络选择不同的初始化参数，总之，需要保证这M种模糊聚类算法不完全相同，本文仅以使用同一种模糊聚类算法、对每个模糊神经网络选择不同的初始化参数为例进行说明。 

一个实施例中，设置的初始参数可以是学习速率，也可以是步长。 

可以使用多种模糊神经网络，如模糊自组织特征映射网络、模糊BP(Back-Propogation，反向传播)网络等。 

一个实施例中，可以分别利用多个模糊神经网络对输入图像中每个像素点的颜色分量、所在位置进行处理，获得每个模糊神经网络对输入图像进行分割后输入图像中所有像素点的隶属度。 

实施中，可以将输入图像中每个像素点表示为一个五维向量[R，G，B，x，y]作 为模糊神经网络的输入，输入到各个模糊神经网络中，输出得到每个模糊神经网络对输入图像进行分割后输入图像中所有像素点的隶属度。其中，R，G，B分别代表该像素点的红色、绿色、蓝色分量值，x，y代表该像素点在输入图像中的位置，输入图像中第i个像素点属于分割结果中的第j个类别的隶属度为μ_j(x_i)，即第i个像素点属于第j个类别的可能性。 

如图2所示，一个实施例中，将多个模糊神经网络对输入图像的分割结果进行融合处理的流程如下： 

步骤21、根据每个模糊神经网络对输入图像进行分割后输入图像中所有像素点的隶属度，建立输入图像中所有像素点的隶属度矩阵。实施中，隶属度矩阵可以表示为[μ_j ^(t)(x_i)]_K×N，t＝1，2，…，M，其中N表示图像中像素点的数目。 

步骤22、根据隶属度矩阵、输入图像中的像素点数目、输入图像的类别数目、分割所采用的模糊神经网络数目，获得每个模糊神经网络的平均互信息。平均互信息指示各个模糊神经网络对输入图像的分割结果包含与多个模糊神经网络中其它模糊神经网络相同或不同的数据信息的数量。 

实施中，可以按如下公式计算每个模糊神经网络的平均互信息Φ_t： 

${\mathrm{\Φ}}_t=\frac{1}{\mathrm{NK}(M-1)}\underset{t=1,t\≠l}{\overset{M}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{K}{\mathrm{\Σ}}}\sqrt{{\mathrm{\μ}}_j^{\left(t\right)}\left(x_i\right){\mathrm{\μ}}_j^{\left(l\right)}\left(x_i\right)},t=\mathrm{1,2},\·\·\·,M$

Φ_i的值越大，表示第i个神经网络的分割结果所包含的与其他神经网络的不同的信息就越少，则该神经网络的对于融合结果的贡献越小。 

步骤23、根据隶属度矩阵、平均互信息，获得多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素点的隶属度。 

实施中，可以按如下公式计算融合后输入图像中所有像素点的隶属度： 

${\widehat{\mathrm{\μ}}}_j\left(x_i\right)=\underset{t=1}{\overset{M}{\mathrm{\Σ}}}\frac{{\mathrm{\μ}}_j^{\left(t\right)}\left(x_i\right)}{{\mathrm{\Φ}}_t},i=\mathrm{1,2},\·\·\·,N,j=\mathrm{1,2},\·\·\·,K$

步骤24、将多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素点的隶属度进行加权处理，获得输入图像中每个像素点的类别。 

实施中，输入图像中像素点x_i的类别可以表示为： 

$c\left(x_i\right)=\underset{j}{\arg \max }\left\{{\widehat{\mathrm{\μ}}}_j\left(x_i\right)\right\}$

步骤25、按输入图像中每个像素点的类别对输入图像进行融合处理。 

图2所示流程利用了模糊技术对将多个模糊神经网络对输入图像的分割结果进行融合处理，每个像素点属于哪个类别是用概率来表示的，相对于一般的确定性技术中每个像素点属于哪个类别是直接简单的表达成1和0，用概率表示更有利于分割结果的融合，利用概率值会得到更好的分割结果。 

一个实施例中，由于各个模糊神经网络是分别对输入图像进行分割的，因此得到的分割结果中类别标记的顺序可能不同。此时，需要将多个模糊神经网络对输入图像的分割结果中类别标记的顺序进行配准，配准可以采用多种方法，一个对输入图像的分割结果中类别标记的顺序进行配准的实例如下： 

将第一个模糊神经网络对输入图像的分割结果作为基准，设其像素点的类别标记分别为C₁ ⁽¹⁾，C₂ ⁽¹⁾，…，C_K ⁽¹⁾(即属于第i类的像素点标记为C_i ⁽¹⁾)。设其它模糊神经网络对输入图像的分割结果中，第t个模糊神经网络的分割结果的类别标记为C₁ ^(t)，C₂ ^(t)，…，C_K ^(t)，计算其中任意一个类别标记C_l ^(t)，l＝1，2，…，K，与第一个图像分割的结果的第k类的类别标记C_k ⁽¹⁾对应的隶属度的距离如下： 

$d\left(k\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\sqrt{{\mathrm{\μ}}_k^{\left(1\right)}\left(x_i\right){\mathrm{\μ}}_l^{\left(t\right)}\left(x_i\right)},k=\mathrm{1,2},\·\·\·,K$

根据上述公式计算出d(1)，d(2)，…d(K)中最大值d(x)，则C_l ^(t)的类别标记应设置为C_x ⁽¹⁾。 

一个实施例中，将多个模糊神经网络对输入图像的分割结果进行融合处理之后，可以对融合结果进行后处理，所述后处理包括去除噪声点(如孤立点)、合并局部区域(如面积很小的区域)等，得到最终的分割结果。 

基于同一发明构思，本发明实施例还提供一种图像处理系统，其结构如图3A所示，包括：分割模块31，用于分别利用多个模糊神经网络对输入图像进 行分割，获得每个模糊神经网络对输入图像的分割结果；融合模块32，用于将多个模糊神经网络对输入图像的分割结果进行融合处理。 

如图3B所示，图3A所示的图像处理系统还可以包括：预处理模块33，用于在分别利用多个模糊神经网络对输入图像进行分割之前，对输入图像进行预处理，预处理包括平滑、滤波去噪、设置输入图像的类别数目、分割所采用的模糊神经网络数目其中之一或任意组合。 

如图3C所示，图3A所示的图像处理系统还可以包括：初始化模块34，用于在分别利用多个模糊神经网络对输入图像进行分割之前，设置每个模糊神经网络的初始参数。 

一个实施例中，初始化模块34还可以用于在分割所采用的多个模糊神经网络为不同的模糊神经网络时，对每个模糊神经网络设置相同或不同的初始参数；在分割所采用的多个模糊神经网络为同一模糊神经网络时，对每个模糊神经网络设置不同的初始参数。 

一个实施例中，分割模块31还可以用于分别利用多个模糊神经网络对输入图像中每个像素点的颜色分量、所在位置进行处理，获得每个模糊神经网络对输入图像进行分割后输入图像中所有像素点的隶属度。 

如图3D所示，融合模块32可以包括： 

隶属度矩阵建立单元321，用于根据每个模糊神经网络对输入图像进行分割后输入图像中所有像素点的隶属度，建立输入图像中所有像素点的隶属度矩阵； 

平均互信息获取单元322，用于根据隶属度矩阵、输入图像中的像素点数目、输入图像的类别数目、分割所采用的模糊神经网络数目，获得每个模糊神经网络的平均互信息； 

融合后隶属度获取单元323，用于根据隶属度矩阵、平均互信息，获得多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素点的隶属度； 

像素点类别获取单元324，用于将多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素点的隶属度进行加权处理，获得输入图像中每个像素点的类别； 

融合处理单元325，用于按输入图像中每个像素点的类别对输入图像进行融合处理。 

如图3E所示，图3A所示的图像处理系统还可以包括：类别标记配准模块35，用于在将多个模糊神经网络对输入图像的分割结果进行融合处理之前，将多个模糊神经网络对输入图像的分割结果中类别标记的顺序进行配准。 

如图3F所示，图3A所示的图像处理系统还可以包括：后处理模块36，用于在将多个模糊神经网络对输入图像的分割结果进行融合处理之后，对融合结果进行后处理，后处理包括去除噪声点、合并局部区域。 

基于同一发明构思，本发明实施例还提供一种图像处理设备，其结构如图4所示，包括： 

隶属度矩阵建立单元321，用于根据每个模糊神经网络对输入图像进行分割后输入图像中所有像素点的隶属度，建立输入图像中所有像素点的隶属度矩阵； 

平均互信息获取单元322，用于根据隶属度矩阵、输入图像中的像素点数目、输入图像的类别数目、分割所采用的模糊神经网络数目，获得每个模糊神经网络的平均互信息； 

融合后隶属度获取单元323，用于根据隶属度矩阵、平均互信息，获得多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素点的隶属度； 

像素点类别获取单元324，用于将多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素点的隶属度进行加权处理，获得输入图像中每个像素点的类别； 

融合处理单元325，用于按输入图像中每个像素点的类别对输入图像进行 融合处理。 

本领域普通技术人员可以理解上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。 

本发明实施例中，分别利用多个模糊神经网络对输入图像进行分割，获得每个模糊神经网络对输入图像的分割结果；将多个模糊神经网络对输入图像的分割结果进行融合处理，可以针对每个模糊神经网络设置一组参数，在设置多组参数的基础上，利用融合技术得到一个最终的分割结果，与现有技术中单独使用一个模糊神经网络进行图像分割的技术方案相比，可以提高图像分割的精度，减小参数设置对分割结果的影响，获得更好的分割结果。 

将多个模糊神经网络对输入图像的分割结果进行融合处理时，利用了模糊技术的优点，可以更好的集成各个模糊神经网络对输入图像的分割结果。 

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若对本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。 

Claims (11)

1.一种图像分割方法，其特征在于，该方法包括：

分别利用多个模糊神经网络对输入图像进行分割，获得每个模糊神经网络对输入图像的分割结果，包括步骤：分别利用多个模糊神经网络对输入图像中每个像素点的颜色分量、所在位置进行处理，获得每个模糊神经网络对输入图像进行分割后输入图像中所有像素点的隶属度；

将所述多个模糊神经网络对输入图像的分割结果进行融合处理，包括：

根据每个模糊神经网络对输入图像进行分割后输入图像中所有像素点的隶属度，建立输入图像中所有像素点的隶属度矩阵；

根据所述隶属度矩阵、输入图像中的像素点数目、输入图像的类别数目、分割所采用的模糊神经网络数目，获得每个模糊神经网络的平均互信息；

根据所述隶属度矩阵、平均互信息，获得所述多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素点的隶属度；

将所述多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素点的隶属度进行加权处理，获得输入图像中每个像素点的类别；

按输入图像中每个像素点的类别对输入图像进行融合处理；

分别利用多个模糊神经网络对输入图像进行分割之前，设置每个模糊神经网络的初始参数；

若分割所采用的多个模糊神经网络为不同的模糊神经网络，则对每个模糊神经网络设置相同或不同的初始参数；

或，若分割所采用的多个模糊神经网络为同一模糊神经网络，则对每个模糊神经网络设置不同的初始参数。

2.如权利要求1所述的方法，其特征在于，分别利用多个模糊神经网络对输入图像进行分割之前，对输入图像进行预处理，所述预处理包括平滑、滤波去噪、设置输入图像的类别数目、分割所采用的模糊神经网络数目其中之一或任意组合。

3.如权利要求1所述的方法，其特征在于，所述初始参数包括学习速率或步长。

4.如权利要求1所述的方法，其特征在于，所述模糊神经网络为模糊自组织特征映射网络或模糊反向传播网络。

5.如权利要求1所述的方法，其特征在于，将所述多个模糊神经网络对输入图像的分割结果进行融合处理之前，将多个模糊神经网络对输入图像的分割结果中类别标记的顺序按如下方式进行配准：

将第一个模糊神经网络对输入图像的分割结果作为基准，设其像素点的类别标记分别为

其中属于第i类的像素点标记为

设其它模糊神经网络对输入图像的分割结果中，第t个模糊神经网络的分割结果的类别标记为

计算其中任意一个类别标记

与第一个模糊神经网络对输入图像的分割结果的第k类的类别标记

对应的隶属度的距离如下：

$d\left(k\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\sqrt{{\mathrm{\μ}}_k^{\left(1\right)}\left(x_i\right){\mathrm{\μ}}_l^{\left(t\right)}\left(x_i\right)},k=\mathrm{1,2},...,K$

其中，

为第一个模糊神经网络对输入图像进行分割后输入图像中第i个像素点属于分割结果中的第k类的隶属度，

为第t个模糊神经网络对输入图像进行分割后输入图像中第i个像素点属于分割结果中的第l类的隶属度；

根据上述公式计算出d(1)，d(2)，…d(K)中最大值d(x)，则

的类别标记应设置为

上述l＝1，2，…，K，K为输入图像的类别数目。

6.如权利要求1所述的方法，其特征在于，将所述多个模糊神经网络对输入图像的分割结果进行融合处理之后，对融合结果进行后处理，所述后处理包括去除噪声点、合并局部区域。

7.一种图像处理系统，其特征在于，包括：

分割模块，用于分别利用多个模糊神经网络对输入图像进行分割，获得每个模糊神经网络对输入图像的分割结果，所述分割模块进一步用于分别利用多个模糊神经网络对输入图像中每个像素点的颜色分量、所在位置进行处理，获得每个模糊神经网络对输入图像进行分割后输入图像中所有像素点的隶属度；

融合模块，用于将所述多个模糊神经网络对输入图像的分割结果进行融合处理，所述融合模块包括：隶属度矩阵建立单元，用于根据每个模糊神经网络对输入图像进行分割后输入图像中所有像素点的隶属度，建立输入图像中所有像素点的隶属度矩阵；平均互信息获取单元，用于根据所述隶属度矩阵、输入图像中的像素点数目、输入图像的类别数目、分割所采用的模糊神经网络数目，获得每个模糊神经网络的平均互信息；融合后隶属度获取单元，用于根据所述隶属度矩阵、平均互信息，获得所述多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素点的隶属度；像素点类别获取单元，用于将所述多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素点的隶属度进行加权处理，获得输入图像中每个像素点的类别；融合处理单元，用于按输入图像中每个像素点的类别对输入图像进行融合处理；

初始化模块，用于在分别利用多个模糊神经网络对输入图像进行分割之前，设置每个模糊神经网络的初始参数；

所述初始化模块进一步用于在分割所采用的多个模糊神经网络为不同的模糊神经网络时，对每个模糊神经网络设置相同或不同的初始参数；在分割所采用的多个模糊神经网络为同一模糊神经网络时，对每个模糊神经网络设置不同的初始参数。

8.如权利要求7所述的系统，其特征在于，所述系统进一步包括：

预处理模块，用于在分别利用多个模糊神经网络对输入图像进行分割之前，对输入图像进行预处理，所述预处理包括平滑、滤波去噪、设置输入图像的类别数目、分割所采用的模糊神经网络数目其中之一或任意组合。

9.如权利要求7所述的系统，其特征在于，所述系统进一步包括：

类别标记配准模块，用于在将所述多个模糊神经网络对输入图像的分割结果进行融合处理之前，将多个模糊神经网络对输入图像的分割结果中类别标记的顺序按如下方式进行配准：

将第一个模糊神经网络对输入图像的分割结果作为基准，设其像素点的类别标记分别为

其中属于第i类的像素点标记为

设其它模糊神经网络对输入图像的分割结果中，第t个模糊神经网络的分割结果的类别标记为计算其中任意一个类别标记

与第一个模糊神经网络对输入图像的分割结果的第k类的类别标记

对应的隶属度的距离如下：

$d\left(k\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\sqrt{{\mathrm{\μ}}_k^{\left(1\right)}\left(x_i\right){\mathrm{\μ}}_l^{\left(t\right)}\left(x_i\right)},k=\mathrm{1,2},...,K$

其中，为第一个模糊神经网络对输入图像进行分割后输入图像中第i个像素点属于分割结果中的第k类的隶属度，

为第t个模糊神经网络对输入图像进行分割后输入图像中第i个像素点属于分割结果中的第l类的隶属度；

根据上述公式计算出d(1)，d(2)，…d(K)中最大值d(x)，则

的类别标记应设置为

上述l＝1，2，…，K，K为输入图像的类别数目。

10.如权利要求7所述的系统，其特征在于，所述系统进一步包括：

后处理模块，用于在将所述多个模糊神经网络对输入图像的分割结果进行融合处理之后，对融合结果进行后处理，所述后处理包括去除噪声点、合并局部区域。

11.一种图像处理设备，其特征在于，包括：

分割模块，用于分别利用多个模糊神经网络对输入图像进行分割，获得每个模糊神经网络对输入图像的分割结果，所述分割模块进一步用于分别利用多个模糊神经网络对输入图像中每个像素点的颜色分量、所在位置进行处理，获得每个模糊神经网络对输入图像进行分割后输入图像中所有像素点的隶属度；

融合模块，用于将所述多个模糊神经网络对输入图像的分割结果进行融合处理，所述融合模块包括：隶属度矩阵建立单元，用于根据每个模糊神经网络对输入图像进行分割后输入图像中所有像素点的隶属度，建立输入图像中所有像素点的隶属度矩阵；平均互信息获取单元，用于根据所述隶属度矩阵、输入图像中的像素点数目、输入图像的类别数目、分割所采用的模糊神经网络数目，获得每个模糊神经网络的平均互信息；融合后隶属度获取单元，用于根据所述隶属度矩阵、平均互信息，获得所述多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素点的隶属度；像素点类别获取单元，用于将所述多个模糊神经网络对输入图像的分割结果进行融合后输入图像中所有像素点的隶属度进行加权处理，获得输入图像中每个像素点的类别；融合处理单元，用于按输入图像中每个像素点的类别对输入图像进行融合处理；

初始化模块，用于在分别利用多个模糊神经网络对输入图像进行分割之前，设置每个模糊神经网络的初始参数；

所述初始化模块进一步用于在分割所采用的多个模糊神经网络为不同的模糊神经网络时，对每个模糊神经网络设置相同或不同的初始参数；在分割所采用的多个模糊神经网络为同一模糊神经网络时，对每个模糊神经网络设置不同的初始参数。

Images