CN103268498A - 一种感兴趣区域模糊图像语义理解的方法 - Google Patents

Abstract

本发明提供了一种感兴趣区域模糊图像语义理解的方法，在不确定因素分类与影响分析的基础上，构建去模糊处理、修补处理、动态组合处理的三级处理模式框架，对模糊信号进行处理；定义目标感兴趣区域的支持度，由目标在感兴趣区域的分布规律计算支持度和最小支持度、最大支持度，确定感兴趣区域；提取感兴趣区域目标的多维参数；根据专家知识或实验数据对感兴趣区域场景进行语义理解，建立模糊图像自动理解的系统模型，实现模糊图像的场景语义理解；该方法依据对目标测量的不确定性信息进行推理，以达到目标身份识别和属性判决的目的，对不确定性理论的发展提供了有价值的参考，为不同类型模糊信号处理提供了思路，具有重要的理论意义和实用价值。

Description

一种感兴趣区域模糊图像语义理解的方法

技术领域

本发明属于图像信息处理技术领域，尤其涉及一种感兴趣区域模糊图像语义理解的方法。

背景技术

图像理解能为军事、公安、金融等部门提供准确、快速的目标识别方法。如何完成模糊图像的场景语义理解，是现在许多部门棘手且亟待解决的难题。但国内外在这方面的研究尚都处于初级阶段。如何对图像进行科学高效的模糊信号处理，是进行模糊图像准确理解的必由之路。

在高度信息化的现代社会，目标识别和人们的身份鉴别已经渗透到日常生活的每一个方面。由于交通、通讯、军事等方面保密的需要，网络技术的飞速发展，以及各信号环境的日益复杂，使得构成特征向量的特征参数具有一定的模糊性。这样使得目标或身份鉴别的难度和重要性也越来越突出。金融、安全、网络、电子商务等无一不需要可靠的目标或身份鉴别。传统的利用密码等物体或身份鉴别的方法具有易遗忘、易假冒等缺点，已不符合现代数字社会的需求。

近年来随着发射的应用卫星日益增多，以及世界各国对周边地区环境监视的需求日益增长，对监视画面意图的准确领会的需要等，这些问题已成为图像处理领域的一个热点问题，亟待模糊图像不确定性问题的处理、目标感兴趣区域自动特征提取、识别和理解技术的开展。

对不确定性问题的处理，国内外发展了各种数学理论工具和方法，如模糊推理、粗糙集理论、概率论等。这些理论和方法均是为了处理特定的不确定性信息而发展起来的，且大部分都是单一的不确定性信息处理技术。但对模糊图像中的不确定性问题的研究几乎是一空白，这就需要发展新的解决此类问题的不确定性处理理论、方法和算法。

当收集的海量的图像数据应用于实际目标的监测时，传统的人工图像判读方式已经不能满足信息获取的实际需求，迫切需要开展目标特征自动提取的研究。但目前对模糊图像目标的多维参数提取问题的处理缺乏解决方法，这也是现在许多部门棘手且亟待解决的问题。由此，多维参数提取工作已变得越来越重要也越来越困难。本发明将对模糊图像目标ROI多维参数特征提取开展研究。

由于图像采集系统、不同的物理现象如光照不能完全均匀分布等多方面的原因，使获得的图像边缘强度不同，而且在实际场合中，图像数据往往还被噪声所污染，同时景物特性混在一起又会使随后的解释变得非常困难。

发明内容

本发明提供了一种感兴趣区域模糊图像语义理解的方法，旨在解决随着网络技术的飞速发展以及各信号环境的日益复杂，使得构成特征向量的特征参数具有一定的模糊性，使得目标或身份鉴别的难度和重要性也越来越突出，同时传统的利用密码等物体或身份鉴别的方法易遗忘、易假冒，已不符合现代数字社会需求的问题。

本发明的目的在于提供一种感兴趣区域模糊图像语义理解的方法，该方法包括以下步骤：

步骤一，针对模糊图像中的各种模糊信号的模糊性、不完备性和场景语义理解，在不确定因素分类与影响分析的基础上，构建去模糊处理、修补处理、动态组合处理的三级处理模式框架，对模糊信号进行处理；

步骤二，定义目标感兴趣区域的支持度，由目标在感兴趣区域的分布规律计算支持度和最小支持度、最大支持度，确定感兴趣区域；

步骤三，提取感兴趣区域目标的多维参数；

步骤四，根据专家知识或实验数据对感兴趣区域场景进行语义理解，建立模糊图像自动理解的系统模型，实现模糊图像的场景语义理解。

进一步，在步骤一中，针对模糊图像中的各种模糊信号的模糊性、不完备性和场景语义理解，在不确定因素分类与影响分析的基础上，构建去模糊处理、修补处理、动态组合处理的三级处理模式框架，对模糊信号进行处理时，包括：

①模糊图像的去模糊处理方法

图像的模糊成度用x来表示，用隶属度来度量，隶属度的计算可通过专家给出，也可用隶属函数计算得到；

(1)当隶属度是取值在区间[0，1]中的任何变量值时，也就是当隶属度是无限多个任意值时，采取分割区间[0，1]，使用具有反馈神经元数目是N的网络训练，既然反馈神经元的数目是N，则划分这N个区间[0，1]，把每个区间[0，1]分割成n(n＞1)个相等的子区间，则分这状态空间成n^N个超立方体，并且能获得区间端点值θ_s，这里s＝0，1，…，n，如果θ_i＜x≤θ_i+1，i＝0，1，…，n-1，则设

这里 ${\mathrm{\θ}}_i=\frac{i}{n},0\≤i\≤n-1,$ θ_n＝1；

(2)根据统计分布，当隶属度集V的值是分别接近于有限个确定的值{θ₀，θ₁…，θ_m-1}时，即如果|x-θ_i|＜ε，i＝0，1，…，m-1，x∈V，设D(x)＝θ_i，这里ε是任意小的正数且根据需要来确定，即当整个串由网络处理后，神经元的最终值x接近于θ_i；

②修补处理

对一些被割裂、污损等不完整的图像，利用灰度相近性修补灰度值，对灰度状态进行迭代，具体的迭代形式为：

其中，

灰度状态的转移矩阵，为k时刻的灰度状态估计量，

状态一步预测值，ρ_k+1为灰度的量测值，K_k+1是灰度状态增益量，h(·)为灰度的非线性量测函数，P_k+1为灰度状态估计均方误差，P_k+1|k是一步预测均方误差，Γ_k+1|k为灰度噪声的转移矩阵，Q_k和R_k+1分别为灰度噪声和测量噪声的正定协方差矩阵， $H_{k+1}=h_X\left({\hat{X}}_{k+1|k}\right)={\left[{\▿}_{X}h\left(X_{k+1}\right)\right]}^T{|}_{X=\hat{X}(k+1|k)}$ 是向量h的雅可比矩阵，具体的修补如下：

一种方法是：附加噪声，通过利用灰度状态噪声协方差Q^*(k)使Q^*(k)＞Q(k)可实现这一点；

第二种方法是：在每一采样时间，用标量加权因子乘灰度状态协方差，即令然后在协方差更新方法中使用P^*(k+1|k)；

③动态组合

设f_i(t)和Ξ(t)分别表示t时刻第i个像素灰度值的模糊度及模糊分布，

和Ξ^l表示到l时刻为止由第i个像素灰度值的积累融合得到的模糊度及模糊分布，这里，l＝1，2，…，t，即 $\mathrm{\Ξ}\left(t\right)=\underset{i\∈T}{\mathrm{\Σ}}{f}_i\left(t\right)/o_i$ 和 ${\mathrm{\Ξ}}^{t-1}=\underset{i\∈T}{\mathrm{\Σ}}{f_i}^{(t-1)}/o_i,$ 这里o_i是像素，T是时间集，将t-1时刻的累积融合模糊分布与t时刻的测量模糊分布进行融合，可得第i个像素到t时刻为止的灰度值累积融合模糊分布Ξ^t为其中， ${f_i}^{\left(t\right)}=S[{f_i}^{(t-1)},f_i\left(t\right)],$ S是模糊综合函数，通常取下式： $S\left(M_i\left(t\right)\right)={\left(\frac{1}{\text{t}}\underset{l=1}{\overset{t}{\mathrm{\Σ}}}{f_i}^q\left(l\right)\right)}^{\frac{1}{q}},$ q＞0，这里设M_i(t)＝(f_i(1)，f_i(2)，…，f_i(t))′。

进一步，在步骤二中，定义目标感兴趣区域的支持度，由目标在感兴趣区域的分布规律计算支持度和最小支持度、最大支持度，确定感兴趣区域时，具体实现方法为：

目标集{A，B}的支持度是由同时包含A和B的事例总数组成的，分三种情况，定义如下：

①统计分布

定义{A，B}的支持度是：一个单位时间内A和B同时出现的次数(频率)，即support({A，B})＝arisen times(A，B)/time；

②模糊分布

由对抽出来的样本图像进行试验发现，有些目标在感兴趣区域出现的情况本身是模棱两可的，所以根据专家经验或试验数据，对A和B同时出现的支持度定义为在区间[0，1]内的值，即对出现情况打分或定义一个隶属函数来定义{A，B}的支持度；

③不完整分布

如果图像感兴趣区域目标信息不完整，就先找出感兴趣区域最大可能的支持区和最小可能的支持区，给定感兴趣区域的一个划分关系R，按照关系R，把感兴趣区域分成若干子区，设用U表示感兴趣区域，用U/R表示子区，对感兴趣区域中的事例{A，B}，先定义它的最大可能的支持区和最小可能的支持区如下：

${\{A,B\}}_L=\underset{Y\∈U/R,Y\⊆\{A,B\}}{\∪}Y$

${\{A,B\}}_U=\underset{Y\∈U/R,Y\∩\{A,B\}\≠\mathrm{\φ}}{\∪}Y$

定义{A，B}的支持度为：

support({A，B})＝Number of arisen{A，B}_L/Number of arisen{A，B}_U；

最小支持度Minimum_support和最大支持度Maximum_support分别是一个阈值参数，该参数表示数据集的最低和最高支持度，用来度量目标集{A，B}实际和可能出现的频率阈值的事例数目，一般用百分数表示。

进一步，在步骤三中，提取感兴趣区域目标的多维参数的实现方法为：

在感兴趣区域中选取一个兴趣点或特征点，称为核心点，对感兴趣区域中的各点与核心点的灰度值比较，若感兴趣区域内的像素灰度与感兴趣区域核心的像素灰度差值小于给定的门限，则认为该点与核心点是同值或相似的，由满足这样条件的像素组成的区域称为特征区；

将感兴趣区域中的各点与核心点的灰度值用下面的相似比较函数进行比较：

$C({\stackrel{r}{r}}_0,\stackrel{r}{r})=\left\{\begin{array}{cc}1,& |I\left(\stackrel{r}{r}\right)-I\left({\stackrel{r}{r}}_0\right)|\≤g\\ 0,& |I\left(\stackrel{r}{r}\right)-I\left({\stackrel{r}{r}}_0\right)|>g\end{array}---\left(1\right)\right.$

式中：g为灰度差门限，是确定相似程度的阈值，g的选取要根据图像中目标与背景的对比程度来确定；

是当前核心点的位置；是圆形感兴趣区域内其他任一点的位置；和

分别是核心与感兴趣区域中其他点的灰度值；

是感兴趣区域内属于特征区的像素的判别函数，为输出；

特征区的大小或特征参数的数目可由下式计算：

式中

是以

为圆心的感兴趣区域；

根据试验分析可知在实际噪声图像中如果核心点在边缘附近，n的值一般不会大于3n_max/4，用下式来产生边缘初始响应：

$R\left({\stackrel{r}{r}}_0\right)=\left\{\begin{array}{cc}{n}_0-n\left({\stackrel{r}{r}}_0\right)& \mathrm{ifn}\left({\stackrel{r}{r}}_0\right)<n_0\\ 0& \mathrm{otherwise}\end{array}---\left(3\right)\right.$

式中，n₀是门限；

是响应函数；

在噪声存在的情况下，计算

的均值是接近于0.75，因此定义阈值n₀＝3n_max/4，n_max是

听能达到的最大值；

由式(3)得到的边缘初始响应值大小符合“特征区越小，初始边缘响应就越大”；

之后确定边缘方向，

与

之比确定了边缘的方向，

的符号用于确定对角边缘梯度方向的正负，这里

进一步，在步骤四中，根据专家知识或实验数据对感兴趣区域场景进行语义理解，建立模糊图像自动理解的系统模型，实现模糊图像的场景语义理解时，在提取出目标多维特征后，用模糊隶属函数或标准模板进行模糊匹配、识别，将未知多维参数的特征向量同已经训练好的已知类别的多维参数特征向量相比较，当且仅当它的特征向量与第i₀类特征向量之间的相似度为最大时，按最大隶属原则判决待识别多维参数属于第i₀类；这里选用正态型隶属度函数 ${\mathrm{\&mu;}}_{X_{\mathrm{ij}}^m}\left(u\right)=e^{-\frac{{(u-{\mathrm{\&theta;}}_{\mathrm{ij}}^m)}^2}{2{\mathrm{\&sigma;}}_{\mathrm{ij}}^2}}$ 和 ${\mathrm{\&mu;}}_{{\tilde{X}}_j}\left(u\right)=e^{-\frac{{(u-x_j)}^2}{{2\mathrm{\&sigma;}}_j^2}},$ 这里u是相应于

的模糊因素，m＝1，…，n_ij表示已知第i类目标在第j个参数方向上的第m个取值模糊数，

为均值，

表示被识别目标在第j个参数方向上的模糊观测值，x_j为均值，σ_ij和σ_j分别为

和

的展度，

和分别表示

和

的隶属度函数，那么，可计算被识别图像目标与已知第i类图像目标在第j个参数方向上的第m个取值相似度为

由模糊析取命题推理得出

这里

于是，可得被识别模糊数向量与第i类目标的相似性向量为D_i＝[d_i1，d_i2，…，d_ik]^T，若

使得

则按最大隶属原则判断待识别目标属于第i₀类。

进一步，在步骤四中，根据专家知识或实验数据对感兴趣区域场景进行语义理解，建立模糊图像自动理解的系统模型，实现模糊图像的场景语义理解时，先定义目标间关联的重要度，定义目标集{A，B}的重要度是目标A和B同时呈现的概率除以A的几率与B的几率之积，即Importance({A，B})＝odds(A，B)/(odds(A)*odds(B))；

这里odds(A，B)＝support({A，B})/Maximum_support({A}U{not A})，

odds(A)＝support({A})/Maximum_support({A}U{not A})，

odds(B)＝support({B})/Maximum_support({B}U{not B})；

如果Importance＝1，则A和B是独立的项，它表示A和B的出现相互不影响，如果Importance＜1，则A和B是负相关的，这表示在ROI中如果A呈现，则目标B不太可能出现；如果Importance＞1，则A和B是正相关的，这表示在ROI中如果A呈现，则目标B可能也出现；

场景语义理解是对意图的判断，对两种意图的判断是由两个阈值和ROI的重要度决定的，设阈值0＜β＜α，一幅图像的ROI由若干个目标组成，用X表示；如果Importance(X)＞α，则X肯定是意图1，如果β≤Importance(X)≤α，则X可能是意图1也可能是意图2，如果Importance(X)＜β，则X肯定是意图2；阈值α和β通常由专家经验或试验数据给定，对多种意图的判断是由多个阈值和ROI的重要度决定的，再按两种阈值的方法进行两两组合，依次进行判断。

本发明提供的感兴趣区域模糊图像语义理解的方法，针对模糊图像中的各种模糊信号的模糊性、不完备性和场景语义理解，在不确定因素分类与影响分析的基础上，构建去模糊处理、修补处理、动态组合处理的三级处理模式框架，对模糊信号进行处理；定义目标感兴趣区域的支持度，由目标在感兴趣区域的分布规律计算支持度和最小支持度、最大支持度，确定感兴趣区域；提取感兴趣区域目标的多维参数；根据专家知识或实验数据对感兴趣区域场景进行语义理解，建立模糊图像自动理解的系统模型，实现模糊图像的场景语义理解；该方法依据对目标测量的不确定性信息进行推理，以达到目标身份识别和属性判决的目的，对不确定性理论的进一步发展提供了有价值的参考，为不同类型的模糊信号处理提供思路方法，具有重要的理论意义和实用价值。

附图说明

图1是本发明实施例提供的感兴趣区域模糊图像语义理解的方法的实现流程图；

图2是本发明实施例提供的选取支持度公式，计算支持度和最小、最大支持度，确定感兴趣区域的示意图，其中，1为最大支持度区，2为最小支持度区，3为感兴趣区域；

图3是本发明实施例提供的ROI自动理解的系统模型。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定发明。

图1示出了本发明实施例提供的感兴趣区域模糊图像语义理解的方法的实现流程。

该方法包括以下步骤：

步骤S101，针对模糊图像中的各种模糊信号的模糊性、不完备性和场景语义理解，在不确定因素分类与影响分析的基础上，构建去模糊处理、修补处理、动态组合处理的三级处理模式框架，对模糊信号进行处理；

步骤S102，定义目标感兴趣区域的支持度，由目标在感兴趣区域的分布规律计算支持度和最小支持度、最大支持度，确定感兴趣区域；

步骤S103，提取感兴趣区域目标的多维参数；

步骤S104，根据专家知识或实验数据对感兴趣区域场景进行语义理解，建立模糊图像自动理解的系统模型，实现模糊图像的场景语义理解。

在本发明实施例中，在步骤S101中，针对模糊图像中的各种模糊信号的模糊性、不完备性和场景语义理解，在不确定因素分类与影响分析的基础上，构建去模糊处理、修补处理、动态组合处理的三级处理模式框架，对模糊信号进行处理时，包括：

①模糊图像的去模糊处理方法

图像的模糊成度用x来表示，用隶属度来度量，隶属度的计算可通过专家给出，也可用隶属函数计算得到；

(1)当隶属度是取值在区间[0，1]中的任何变量值时，也就是当隶属度是无限多个任意值时，采取分割区间[0，1]，使用具有反馈神经元数目是N的网络训练，既然反馈神经元的数目是N，则划分这N个区间[0，1]，把每个区间[0，1]分割成n(n＞1)个相等的子区间，则分这状态空间成n^N个超立方体，并且能获得区间端点值θ_s，这里s＝0，1，…，，n，如果θ_i＜x≤θ_i+1，i＝0，1，…，n-1，则设 $D\left(x\right)=\frac{{\mathrm{\&theta;}}_i+{\mathrm{\&theta;}}_{i+1}}{2},$ 这里 ${\mathrm{\&theta;}}_i=\frac{i}{n},0\&le;i\&le;n-1,$ θ_n＝1；

(2)根据统计分布，当隶属度集V的值是分别接近于有限个确定的值{θ₀，θ₁…，θ_m-1}时，即如果|x-θ_i|＜ε，i＝0，1，…，m-1，x∈V，设D(x)＝θ_i，这里ε是任意小的正数且根据需要来确定，即当整个串由网络处理后，神经元的最终值x接近于θ_i；

②修补处理

对一些被割裂、污损等不完整的图像，利用灰度相近性修补灰度值，对灰度状态进行迭代，具体的迭代形式为：

其中，

灰度状态的转移矩阵，

为k时刻的灰度状态估计量，

状态一步预测值，ρ_k+1为灰度的量测值，K_k+1是灰度状态增益量，h(·)为灰度的非线性量测函数，P_k+1为灰度状态估计均方误差，P_k+1|k是一步预测均方误差，Γ_k+1|k为灰度噪声的转移矩阵，Q_k和R_k+1分别为灰度噪声和测量噪声的正定协方差矩阵， $H_{k+1}=h_X\left({\hat{X}}_{k+1|k}\right)={\left[{\&dtri;}_{X}h\left(X_{k+1}\right)\right]}^T{|}_{X=\hat{X}(k+1|k)}$ 是向量h的雅可比矩阵，具体的修补如下：

一种方法是：附加噪声，通过利用灰度状态噪声协方差Q^*(k)使Q^*(k)＞Q(k)可实现这一点；

第二种方法是：在每一采样时间，用标量加权因子乘灰度状态协方差，即令

然后在协方差更新方法中使用P^*(k+1|k)；

③动态组合

设f_i(t)和Ξ(t)分别表示t时刻第i个像素灰度值的模糊度及模糊分布，

和Ξ^l表示到l时刻为止由第i个像素灰度值的积累融合得到的模糊度及模糊分布，这里，l＝1，2，…，t，即 $\mathrm{\&Xi;}\left(t\right)=\underset{i\&Element;T}{\mathrm{\&Sigma;}}{f}_i\left(t\right)/o_i$ 和 ${\mathrm{\&Xi;}}^{t-1}=\underset{i\&Element;T}{\mathrm{\&Sigma;}}{f}_i^{(t-1)}/o_i,$ 这里o_i是像素，T是时间集，将t-1时刻的累积融合模糊分布与t时刻的测量模糊分布进行融合，可得第i个像素到t时刻为止的灰度值累积融合模糊分布Ξⁱ为

其中， ${f_i}^{\left(t\right)}=S[{f_i}^{(t-1)},f_i\left(t\right)],$ S是模糊综合函数，通常取下式： $S\left(M_i\left(t\right)\right)={\left(\frac{1}{t}\underset{l=1}{\overset{t}{\mathrm{\&Sigma;}}}{f_i}^q\left(l\right)\right)}^{\frac{1}{q}},$ q＞0，这里设M_i(t)＝(f_i(1)，f_i(2)，…，f_i(t))′。

在本发明实施例中，在步骤S102中，定义目标感兴趣区域的支持度，由目标在感兴趣区域的分布规律计算支持度和最小支持度、最大支持度，确定感兴趣区域时，具体实现方法为：

目标集{A，B}的支持度是由同时包含A和B的事例总数组成的，分三种情况，定义如下：

①统计分布

定义{A，B}的支持度是：一个单位时间内A和B同时出现的次数(频率)，即support({A，B})＝arisen times(A，B)/time；

②模糊分布

由对抽出来的样本图像进行试验发现，有些目标在感兴趣区域出现的情况本身是模棱两可的，所以根据专家经验或试验数据，对A和B同时出现的支持度定义为在区间[0，1]内的值，即对出现情况打分或定义一个隶属函数来定义{A，B}的支持度；

③不完整分布

如果图像感兴趣区域目标信息不完整，就先找出感兴趣区域最大可能的支持区和最小可能的支持区，给定感兴趣区域的一个划分关系R，按照关系R，把感兴趣区域分成若干子区，设用U表示感兴趣区域，用U/R表示子区，对感兴趣区域中的事例{A，B}，先定义它的最大可能的支持区和最小可能的支持区如下：

${\{A,B\}}_L=\underset{Y\&Element;U/R,Y\&SubsetEqual;\{A,B\}}{\&cup;}Y$

${\{A,B\}}_U=\underset{Y\&Element;U/R,Y\&cap;\{A,B\}\&NotEqual;\mathrm{\&phi;}}{\&cup;}Y$

定义{A，B}的支持度为：

support({A，B})＝Number of arisen{A，B}_L/Number of arisen{A，B}_U；

最小支持度Minimum_support和最大支持度Maximum_support分别是一个阈值参数，该参数表示数据集的最低和最高支持度，用来度量目标集{A，B}实际和可能出现的频率阈值的事例数目，一般用百分数表示。

在本发明实施例中，在步骤S103中，提取感兴趣区域目标的多维参数的实现方法为：

在感兴趣区域中选取一个兴趣点或特征点，称为核心点，对感兴趣区域中的各点与核心点的灰度值比较，若感兴趣区域内的像素灰度与感兴趣区域核心的像素灰度差值小于给定的门限，则认为该点与核心点是同值或相似的，由满足这样条件的像素组成的区域称为特征区；

将感兴趣区域中的各点与核心点的灰度值用下面的相似比较函数进行比较：

$C({\stackrel{r}{r}}_0,\stackrel{r}{r})=\left\{\begin{array}{cc}1,& |I\left(\stackrel{r}{r}\right)-I\left({\stackrel{r}{r}}_0\right)|\&le;g\\ 0,& |I\left(\stackrel{r}{r}\right)-I\left({\stackrel{r}{r}}_0\right)|>g\end{array}---\left(1\right)\right.$

式中：g为灰度差门限，是确定相似程度的阈值，g的选取要根据图像中目标与背景的对比程度来确定；

是当前核心点的位置；

是圆形感兴趣区域内其他任一点的位置；

和

分别是核心与感兴趣区域中其他点的灰度值；

是感兴趣区域内属于特征区的像素的判别函数，为输出；

特征区的大小或特征参数的数目可由下式计算：

式中

是以

为圆心的感兴趣区域；

根据试验分析可知在实际噪声图像中如果核心点在边缘附近，n的值一般不会大于3n_max/4，用下式来产生边缘初始响应：

$R\left({\stackrel{r}{r}}_0\right)=\left\{\begin{array}{cc}{n}_0-n\left({\stackrel{r}{r}}_0\right)& \mathrm{ifn}\left({\stackrel{r}{r}}_0\right)<n_0\\ 0& \mathrm{otherwise}\end{array}---\left(3\right)\right.$

式中，n₀是门限；

是响应函数；

在噪声存在的情况下，计算

的均值是接近于0.75，因此定义阈值n₀＝3n_max/4，n_max是

所能达到的最大值；

由式(3)得到的边缘初始响应值大小符合“特征区越小，初始边缘响应就越大”；

之后确定边缘方向，

与

之比确定了边缘的方向，

的符号用于确定对角边缘梯度方向的正负，这里

在本发明实施例中，在步骤S104中，根据专家知识或实验数据对感兴趣区域场景进行语义理解，建立模糊图像自动理解的系统模型，实现模糊图像的场景语义理解时，在提取出目标多维特征后，用模糊隶属函数或标准模板进行模糊匹配、识别，将未知多维参数的特征向量同已经训练好的已知类别的多维参数特征向量相比较，当且仅当它的特征向量与第i₀类特征向量之间的相似度为最大时，按最大隶属原则判决待识别多维参数属于第i₀类；这里选用正态型隶属度函数 ${\mathrm{\&mu;}}_{X_{\mathrm{ij}}^m}\left(u\right)=e^{-\frac{{(u-{\mathrm{\&theta;}}_{\mathrm{ij}}^m)}^2}{2{\mathrm{\&sigma;}}_{\mathrm{ij}}^2}}$ 和 ${\mathrm{\&mu;}}_{{\tilde{X}}_j}\left(u\right)=e^{-\frac{{(u-x_j)}^2}{{2\mathrm{\&sigma;}}_j^2}},$ 这里u是相应于

的模糊因素，

m＝1，…，n_ij表示已知第i类目标在第j个参数方向上的第m个取值模糊数，

为均值，

表示被识别目标在第j个参数方向上的模糊观测值，x_j为均值，σ_ij和σ_j分别为

和

的展度，

和

分别表示和

的隶属度函数，那么，可计算被识别图像目标与已知第i类图像目标在第j个参数方向上的第m个取值相似度为

由模糊析取命题推理得出这里

于是，可得被识别模糊数向量与第i类目标的相似性向量为D_i＝[D_i1，d_i2，…，d_ik]^T，若

使得

则按最大隶属原则判断待识别目标属于第i₀类。

在本发明实施例中，在步骤S104中，根据专家知识或实验数据对感兴趣区域场景进行语义理解，建立模糊图像自动理解的系统模型，实现模糊图像的场景语义理解时，先定义目标间关联的重要度，定义目标集{A，B}的重要度是目标A和B同时呈现的概率除以A的几率与B的几率之积，即Importance({A，B})＝odds(A，B)/(odds(A)*odds(B))；

这里odds(A，B)＝support({A，B})/Maximum_support({A}U{not A})，

odds(A)＝support({A})/Maximum_support({A}U{not A})，

odds(B)＝support({B})/Maximum_support({B}U{not B})；

如果Importance＝1，则A和B是独立的项，它表示A和B的出现相互不影响，如果Importance＜1，则A和B是负相关的，这表示在ROI中如果A呈现，则目标B不太可能出现；如果Importance＞1，则A和B是正相关的，这表示在ROI中如果A呈现，则目标B可能也出现；

场景语义理解是对意图的判断，对两种意图的判断是由两个阈值和ROI的重要度决定的，设阈值0＜β＜α，一幅图像的ROI由若干个目标组成，用X表示；如果Importance(X)＞α，则X肯定是意图1，如果β≤Importance(X)≤α，则X可能是意图1也可能是意图2，如果Importance(X)＜β，则X肯定是意图2；阈值α和β通常由专家经验或试验数据给定，对多种意图的判断是由多个阈值和ROI的重要度决定的，再按两种阈值的方法进行两两组合，依次进行判断。

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

本发明的实现方案如下：

(1)处理模糊图像的不确定信息，提出模糊信号处理方法

①模糊图像的去模糊处理方法

图像的模糊成度用x来表示，用隶属度来度量。隶属度的计算可通过专家给出，也可用隶属函数计算得到。

(1)当隶属度是取值在区间[0，1]中的任何变量值时，也就是，隶属度是无限多个任意值时，我们采取分割区间[0，1]。使用具有反馈神经元数目是N的网络训练。既然反馈神经元的数目是N，则划分这N个区间[0，1]，把每个区间[0，1]分割成n(n＞1)个相等的子区间，则分这状态空间成n^N个超立方体，并且能获得区间端点值θ_s，这里s＝0，1，…，n。

如果θ_i＜x≤θ_i+1，i＝0，1，…，n-1，则设

$D\left(x\right)=\frac{{\mathrm{\&theta;}}_i+{\mathrm{\&theta;}}_{i+1}}{2}$

这里 ${\mathrm{\&theta;}}_i=\frac{i}{n},0\&le;i\&le;n-1,$ θ_n＝1。

(2)根据统计分布，当隶属度集V的值是分别接近于有限个确定的值{θ₀，θ₁…，θ_m-1}时，即如果|x-θ_i|＜ε，i＝0，1，…，m-1，x∈V，我们设

D(x)＝θ_i

这里，ε是任意小的正数且根据我们的需要来定，也就是说，当整个串由网络处理后，神经元的最终值x接近于θ_i。

②修补处理

对一些被割裂、污损等不完整的图像，利用灰度相近性修补灰度值。对灰度状态进行迭代，具体的迭代形式为：

其中，

炎度状态的转移矩阵，

为k时刻的灰度状态估计量，

状态一步预测值，ρ_k+1为灰度的量测值，K_k+1是灰度状态增益量，h(·)为灰度的非线性量测函数，P_k+1为灰度状态估计均方误差，P_k+1|k是一步预测均方误差，Γ_k+1|k为灰度噪声的转移矩阵，Q_k和R_k+1分别为灰度噪声和测量噪声的正定协方差矩阵。 $H_{k+1}=h_X\left({\hat{X}}_{k+1|k}\right)={\left[{\&dtri;}_{X}h\left(X_{k+1}\right)\right]}^T{|}_{X=\hat{X}(k+1|k)}$ 是向量h的雅可比矩阵。具体的修补如下：

一种方法是：附加噪声，通过利用灰度状态噪声协方差Q^*(k)使Q^*(k)＞Q(k)可实现这一点。

第二种方法是：在每一采样时间，用标量加权因子

乘灰度状态协方差，即令

然后在协方差更新方法中使用P^*(k+1|k)。

③动态组合

设f_i(t)和Ξ(t)分别表示t时刻第i个像素灰度值的模糊度及模糊分布，

和Ξ^l表示到l时刻为止由第i个像素灰度值的积累融合得到的模糊度及模糊分布，这里，l＝1，2，…，t，即 $\mathrm{\&Xi;}\left(t\right)=\underset{i\&Element;T}{\mathrm{\&Sigma;}}{f}_i\left(t\right)/o_i$ 和 ${\mathrm{\&Xi;}}^{t-1}=\underset{i\&Element;T}{\mathrm{\&Sigma;}}{f_i}^{(t-1)}/o_i,$ 这里o_i是像素，T是时间集。

将t-1时刻的累积融合模糊分布与t时刻的测量模糊分布进行融合，可得第i个像素到t时刻为止的灰度值累积融合模糊分布Ξ^t为

其中，

S是模糊综合函数，通常取下式：

$S\left(M_i\left(t\right)\right)={\left(\frac{1}{t}\underset{l=1}{\overset{t}{\mathrm{\&Sigma;}}}{f}_i^q\left(l\right)\right)}^{\frac{1}{q}},q>0$

这里设M_i(t)＝(f_i(1)，f_i(2)，…，f_i(t))′。

经上述三种模糊信号处理方法对图像的处理，改善了模糊图像的质量，提高了清晰度。

上述所提出的模糊图像处理方法与现有图像处理方法相比较，提出的模糊处理方法比现有其它处理方法对图像的处理速度快且效果好。

(2)定义支持度，选定ROI

通过对图像去模糊，得到比较清晰的目标图像，要定位ROI，需要发展一个算法。本发明给出一个定位算法：定义ROI目标的支持度，由目标在ROI的分布规律计算支持度和最小、最大支持度，确定ROI。

支持度用于度量一个目标集出现的机率。目标集{A，B}的支持度是由同时包含A和B的事例总数组成的，分三种情况，定义如下：

①统计分布

定义{A，B}的支持度是：一个单位时间内A和B同时出现的次数(频率)，即support({A，B})＝arisen times(A，B)/time；

②模糊分布

由对抽出来的样本图像进行试验发现，有些目标在ROI出现的情况本身是模棱两可的，所以根据专家经验或试验数据，对A和B同时出现的支持度定义为在区间[0，1]内的值，即对出现情况打分或定义一个隶属函数来定义{A，B}的支持度。

例如，有一幅飞机的模糊图像，用(0～40年)表示飞机新旧的程度，在图像中找出“新飞机”群和“老飞机”群，分别用{A，B}和{C，B}表示。取区间U＝[0，40]，定义集合{A，B}和{C，B}的支持度分别为：

$\mathrm{support}\left(\right\{A,B\left\}\right)=\left\{\begin{array}{cc}1,& 0\&le;\{A,B\}\&le;10\\ {[1+{\left(\frac{\{A,B\}-10}{2}\right)}^2]}^{-1},& 10<\{A,B\}\&le;40\end{array}\right.,$

$\mathrm{support}\left(\right\{C,B\left\}\right)\left\{\begin{array}{cc}0,& 0\&le;\{C,B\}\&le;20\\ {[1+{\left(\frac{\{C,B\}-20}{2}\right)}^{-2}]}^{-1},& 20<\{C,B\}\&le;40\end{array}\right.$

对{A，B}和{C，B}属于[0，40]，{A，B}和{C，B}的支持度也可分别用下列函数定义：

$\mathrm{support}\left(\right\{A,B\left\}\right)=\frac{1}{{1+e}^{\{A,B\}}}$ 和 $\mathrm{support}\left(\right\{C,B\left\}\right)=\frac{1}{{1+e}^{-\{C,B\}}}.$

③不完整分布

如果图像ROI目标信息不完整，就先找出ROI最大可能的支持区和最小可能的支持区。给定ROI的一个划分关系R，按照关系R，把ROI分成若干子区。设用U表示ROI，用U/R表示子区。对ROI中的事例{A，B}，先定义它的最大可能的支持区和最小可能的支持区如下：

${\{A,B\}}_L=\underset{Y\&Element;U/R,Y\&SubsetEqual;\{A,B\}}{\&cup;}Y$

${\{A,B\}}_U=\underset{Y\&Element;U/R,Y\&cap;\{A,B\}\&NotEqual;\mathrm{\&phi;}}{\&cup;}Y$

定义{A，B}的支持度为：

support({A，B})＝Number ofarisen{A，B}_L/Number ofarisen{A，B}_U。

最小支持度Minimum_support和最大支持度Maximum_support分别是一个阈值参数。该参数表示数据集的最低和最高支持度，用来度量目标集{A，B}实际和可能出现的频率阈值的事例数目。一般用百分数表示。

根据实际情况，选取支持度公式，计算支持度和最小、最大支持度，从而确定ROI，如图2所示。

(3)ROI目标的多维参数提取

目标的多维参数提取算法如下：

在ROI中选取一个兴趣点或特征点，称为核心点。对ROI中的各点与核心点的灰度值比较，若ROI内的像素灰度与ROI核心的像素灰度差值小于给定的门限，则认为该点与核心点是同值(或相似)的，由满足这样条件的像素组成的区域称为特征区(Characteristic Segment，CS)。

将ROI中的各点与核心点的灰度值用下面的相似比较函数进行比较。

$C({\stackrel{r}{r}}_0,\stackrel{r}{r})=\left\{\begin{array}{cc}1,& |I\left(\stackrel{r}{r}\right)-I\left({\stackrel{r}{r}}_0\right)|\&le;g\\ 0,& |I\left(\stackrel{r}{r}\right)-I\left({\stackrel{r}{r}}_0\right)|>g\end{array}---\left(1\right)\right.$

式中：g为灰度差门限，是确定相似程度的阈值。g的选取要根据图像中目标与背景的对比程度来确定；

是当前核心点的位置；是圆形ROI内其他任一点的位置；

和

分别是核心与ROI中其他点的灰度值；

是ROI内属于特征区的像素的判别函数，是输出。

特征区的大小或特征参数的数目可由下式计算：

式中

是以

为圆心的ROI。

根据试验分析可知在实际噪声图像中如果核心点在边缘附近，n的值一般不会大于3n_max/4。用下式来产生边缘初始响应：

$R\left({\stackrel{r}{r}}_0\right)=\left\{\begin{array}{cc}{n}_0-n\left({\stackrel{r}{r}}_0\right)& \mathrm{ifn}\left({\stackrel{r}{r}}_0\right)<n_0\\ 0& \mathrm{otherwise}\end{array}---\left(3\right)\right.$

式中，n₀是门限；是响应函数。

在噪声存在的情况下，计算

的均值是接近于0.75。因此定义阈值n₀＝3n_max/4，n_max是

所能达到的最大值。

由式(3)得到的边缘初始响应值大小符合“特征区越小，初始边缘响应就越大”。

之后确定边缘方向，

与

之比确定了边缘的方向。的符号用于确定对角边缘梯度方向的正负。这里

综上所述，具体计算步骤如下：

①对图像的每个像素上放一个圆形ROI；

②在圆形ROI内，使用方程(1)来计算与核心灰度值相似的像素的值，然后，利用方程(2)来计算这些像素的数目，这些像素的数目定义为特征区；

③用方程(3)，产生边缘响应图像；

④得到初始边缘响应后用特征重心及对称最长轴来确定局部边缘方向；

⑤在局部边缘垂直方向上取初始响应的局部极大值点的位置为边缘点，并进行细化、平滑，连接间断边缘点、消除假边缘点和边缘小分枝等处理，获得单一、连续、平滑的边缘输出。

利用上述方法，对ROI目标特征多维参数提取如下：

(4)模糊识别算法

提取出目标多维特征后，用模糊隶属函数或标准模板等进行模糊匹配、识别。将未知多维参数的特征向量同已经训练好的已知类别的多维参数特征向量相比较，当且仅当它的特征向量与第i₀类特征向量之间的相似度为最大时，按最大隶属原则判决待识别多维参数属于第i₀类。这里选用正态型隶属度函数 ${\mathrm{\&mu;}}_{X_{\mathrm{ij}}^m}\left(u\right)=e^{-\frac{{(u-{\mathrm{\&theta;}}_{\mathrm{ij}}^m)}^2}{2{\mathrm{\&sigma;}}_{\mathrm{ij}}^2}}$ 和 ${\mathrm{\&mu;}}_{{\tilde{X}}_j}\left(u\right)=e^{-\frac{{(u-x_j)}^2}{2{\mathrm{\&sigma;}}_j^2}},$ 这里u是相应于

的模糊因素，

m＝1，…，n_ij表示已知第i类目标在第j个参数方向上的第m个取值模糊数，

为其均值。

表示被识别目标在第j个参数方向上的模糊观测值，x_j为其均值。σ_ij和σ_j分别为

和

的展度，

和

分别表示

和

的隶属度函数。那么，可计算被识别图像目标与已知第i类图像目标在第j个参数方向上的第m个取值相似度为

由模糊析取命题推理得出

这里

于是，可得被识别模糊数向量与第i类目标的相似性向量为D_i＝[d_i1，d_i2，…，d_ik]^T，若

使得

则按最大隶属原则判断待识别目标属于第i₀类。

由实验结果知，通过模糊识别法在图像处理中的应用，其识别准确率达到94.59％，比现有的目标识别法准确率都高。

(5)实现图像场景语义理解

要实现ROI场景语义理解，先定义目标间关联的重要度。定义目标集{A，B}的重要度是目标A和B同时呈现的概率除以A的几率与B的几率之积，即

Importance({A，B})＝odds(A，B)/(odds(A)*odds(B))

这里odds(A，B)＝support({A，B})/Maximum_support({A}U{not A})，

odds(A)＝support({A})/Maximum_support({A}U{not A})，

odds(B)＝support({B})/Maximum_support({B}U{not B}).

如果Importance＝1，则A和B是独立的项。它表示A和B的出现相互不影响。如果Importance＜1，则A和B是负相关的。这表示在ROI中如果A呈现，则目标B不太可能出现。如果Importance＞1，则A和B是正相关的。这表示在ROI中如果A呈现，则目标B可能也出现。

场景语义理解是对意图的判断。对两种意图的判断是由两个阈值和ROI的重要度决定的。设阈值0＜β＜α，一幅图像的ROI由若干个目标组成，用X表示。如果Importance(X)＞α，则X肯定是意图1。如果β≤Importance(X)≤α，则X可能是意图1也可能是意图2。如果Importance(X)＜β，则X肯定是意图2。阈值α和β通常由专家经验或试验数据给定。对多种意图的判断是由多个阈值和ROI的重要度决定的，再按两种阈值的方法进行两两组合，依次进行判断。

例如，设有一幅月球表面图像的ROI X有3种目标组成，这三种目标指的是3种不同的物体。这3种物体可能是矿物质o₁，表面洞o₂，金属o₃，人类仪器o₄，其他物体o₅，则论域Ω＝{o₁，o₂，o₃，o₄，o₅}是一个目标识别框架。由这识别框架怎样理解X？

通过多维参数抽取法对ROI目标的一些属性值进行提取，然后由模糊识别法来识别ROI中的目标。经模糊识别方法，得出X＝{o₁，o₂，o₄}。

取α＝0.85，β＝0.6。由专家经验和试验数据知，如果Importance(X)＞α，则X肯定是月球表面实验。如果β≤Importance(X)≤α，则X可能是月球表面实验也可能是人类探月所做标记。如果Importance(X)＜β，则X肯定是人类探月所做标记。由重要度公式计算，Importance({o₁，o₂，o₄})＝0.88。则Importance({o₁，o₂，o₄})＞α，说明X＝{o₁，o₂，o₄}是月球表面实验。

通过对ROI场景进行语义理解，进而构建一种ROI自动理解的系统模型，如图3所示。

图3中的u_hl，v_lp，w_pq是网络权值的调节。根据指示器显示的ROI目标的组成情况，再根据专家经验或试验数据，理解ROI场景意图。

本发明的创新点如下：

(1)模糊图像目标ROI选定过程中如何对模糊信息进行处理

在模糊图像目标ROI选定过程中，首先遇到许多模糊信号需要预先处理，那么如何对这些模糊信号进行有效处理，是本发明要研究的一个关键问题。

(2)ROI目标的多维参数提取

要实现目标的准确识别、ROI的语义理解，必须对目标参数进行有效的提取。目前，对多种信号的多维参数提取是现在许多部门棘手的问题。而对模糊信号的各特征参数及其特征点的抽取，更是一个亟待解决的难题。

对这个难题的解决，如果仅依靠经典的数学建模与抽取技术很难完成模糊信号的多维参数提取。本发明以图像的模糊性和物体本身的特性，提取多维参数模糊特征向量。

(3)模糊图像ROI中的场景语义理解

在高度信息化的现代社会，目标鉴别已经渗透到日常生活的每一个方面。以及世界各国对周边地区环境监视的日益增长，对监视画面意图的准确领会的需要等，这些应用研究已成为图像处理领域的一个热点问题。然而，目前对于图像的场景语义理解的研究极少。

针对这个问题的研究，本发明根据提取的多维参数模糊特征向量，提出一种模糊的识别算法、相应的场景语义理解方法；再由专家经验或实验数据对ROI场景进行语义理解，进一步构建一种ROI自动理解的系统模型。

本发明实施例提供的感兴趣区域模糊图像语义理解的方法，针对模糊图像中的各种模糊信号的模糊性、不完备性和场景语义理解，在不确定因素分类与影响分析的基础上，构建去模糊处理、修补处理、动态组合处理的三级处理模式框架，对模糊信号进行处理；定义目标感兴趣区域的支持度，由目标在感兴趣区域的分布规律计算支持度和最小支持度、最大支持度，确定感兴趣区域；提取感兴趣区域目标的多维参数；根据专家知识或实验数据对感兴趣区域场景进行语义理解，建立模糊图像自动理解的系统模型，实现模糊图像的场景语义理解；该方法依据对目标测量的不确定性信息进行推理，以达到目标身份识别和属性判决的目的，对不确定性理论的进一步发展提供了有价值的参考，为不同类型的模糊信号处理提供思路方法，具有重要的理论意义和实用价值。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种感兴趣区域模糊图像语义理解的方法，其特征在于，该方法包括以下步骤：

步骤一，针对模糊图像中的各种模糊信号的模糊性、不完备性和场景语义理解，在不确定因素分类与影响分析的基础上，构建去模糊处理、修补处理、动态组合处理的三级处理模式框架，对模糊信号进行处理；

步骤二，定义目标感兴趣区域的支持度，由目标在感兴趣区域的分布规律计算支持度和最小支持度、最大支持度，确定感兴趣区域；

步骤三，提取感兴趣区域目标的多维参数；

步骤四，根据专家知识或实验数据对感兴趣区域场景进行语义理解，建立模糊图像自动理解的系统模型，实现模糊图像的场景语义理解。

2.如权利要求1所述的方法，其特征在于，在步骤一中，针对模糊图像中的各种模糊信号的模糊性、不完备性和场景语义理解，在不确定因素分类与影响分析的基础上，构建去模糊处理、修补处理、动态组合处理的三级处理模式框架，对模糊信号进行处理时，包括：

①模糊图像的去模糊处理方法

图像的模糊成度用x来表示，用隶属度来度量，隶属度的计算可通过专家给出，也可用隶属函数计算得到；

(1)当隶属度是取值在区间[0，1]中的任何变量值时，也就是当隶属度是无限多个任意值时，采取分割区间[0，1]，使用具有反馈神经元数目是N的网络训练，既然反馈神经元的数目是N，则划分这N个区间[0，1]，把每个区间[0，1]分割成n(n＞1)个相等的子区间，则分这状态空间成n^N个超立方体，并且能获得区间端点值θ_s，这里s＝0，1，…，n，如果θ_i＜x≤θ_i+1，i＝0，1，…，n-1，则设

这里 ${\mathrm{\&theta;}}_i=\frac{i}{n},0\&le;i\&le;n-1,$ θ_n＝1；

(2)根据统计分布，当隶属度集V的值是分别接近于有限个确定的值{θ₀，θ₁…，θ_m-1}时，即如果|x-θ_i|＜ε，i＝0，1，…，m-1，x∈V，设D(x)＝θ_i，这里ε是任意小的正数且根据需要来确定，即当整个串由网络处理后，神经元的最终值x接近于θ_i；

②修补处理

对一些被割裂、污损等不完整的图像，利用灰度相近性修补灰度值，对灰度状态进行迭代，具体的迭代形式为：

其中，

灰度状态的转移矩阵，

为k时刻的灰度状态估计量，状态一步预测值，ρ_k+1为灰度的量测值，K_k+1是灰度状态增益量，h(·)为灰度的非线性量测函数，P_k+1为灰度状态估计均方误差，P_k+1|k是一步预测均方误差，Γ_k+1|k为灰度噪声的转移矩阵，Q_k和R_k+1分别为灰度噪声和测量噪声的正定协方差矩阵， $H_{k+1}=h_X\left({\hat{X}}_{k+1|k}\right)={\left[{\&dtri;}_{X}h\left(X_{k+1}\right)\right]}^T{|}_{X=\hat{X}(k+1|k)}$ 是向量h的雅可比矩阵，具体的修补如下：

一种方法是：附加噪声，通过利用灰度状态噪声协方差Q^*(k)使Q^*(k)＞Q(k)可实现这一点；

第二种方法是：在每一采样时间，用标量加权因子

乘灰度状态协方差，即令

然后在协方差更新方法中使用P^*(k+1|k)；

③动态组合

设f_i(t)和Ξ(t)分别表示t时刻第i个像素灰度值的模糊度及模糊分布，

和Ξ^l表示到l时刻为止由第i个像素灰度值的积累融合得到的模糊度及模糊分布，这里，l＝1，2，…，t，即 $\mathrm{\&Xi;}\left(t\right)=\underset{i\&Element;T}{\mathrm{\&Sigma;}}{f}_i\left(t\right)/o_i$ 和 ${\mathrm{\&Xi;}}^{t-1}=\underset{i\&Element;T}{\mathrm{\&Sigma;}}{f_i}^{(t-1)}/o_i,$ 这里o_i是像素，T是时间集，将t-1时刻的累积融合模糊分布与t时刻的测量模糊分布进行融合，可得第i个像素到t时刻为止的灰度值累积融合模糊分布Ξ^t为

其中， ${f_i}^{\left(t\right)}=S[{f_i}^{(t-1)},f_i\left(t\right)],$ S是模糊综合函数，通常取下式： $S\left(M_i\left(t\right)\right)={\left(\frac{1}{t}\underset{l=1}{\overset{t}{\mathrm{\&Sigma;}}}{f_i}^q\left(l\right)\right)}^{\frac{1}{q}},$ q＞0，这里设M_i(t)＝(f_i(1)，f_i(2)，…，f_i(t))′。

3.如权利要求1所述的方法，其特征在于，在步骤二中，定义目标感兴趣区域的支持度，由目标在感兴趣区域的分布规律计算支持度和最小支持度、最大支持度，确定感兴趣区域时，具体实现方法为：

目标集{A，B}的支持度是由同时包含A和B的事例总数组成的，分三种情况，定义如下：

①统计分布

定义{A，B}的支持度是：一个单位时间内A和B同时出现的次数(频率)，即support({A，B})＝arisen times(A，B)/time；

②模糊分布

由对抽出来的样本图像进行试验发现，有些目标在感兴趣区域出现的情况本身是模棱两可的，所以根据专家经验或试验数据，对A和B同时出现的支持度定义为在区间[0，1]内的值，即对出现情况打分或定义一个隶属函数来定义{A，B}的支持度；

③不完整分布

如果图像感兴趣区域目标信息不完整，就先找出感兴趣区域最大可能的支持区和最小可能的支持区，给定感兴趣区域的一个划分关系R，按照关系R，把感兴趣区域分成若干子区，设用U表示感兴趣区域，用U/R表示子区，对感兴趣区域中的事例{A，B}，先定义它的最大可能的支持区和最小可能的支持区如下：

${\{A,B\}}_L=\underset{Y\&Element;U/R,Y\&SubsetEqual;\{A,B\}}{\&cup;}Y$

${\{A,B\}}_U=\underset{Y\&Element;U/R,Y\&cap;\{A,B\}\&NotEqual;\mathrm{\&phi;}}{\&cup;}Y$

定义{A，B}的支持度为：

support({A，B})＝Number of arisen{A，B}_L/Number of arisen{A，B}_U；

最小支持度Minimum_support和最大支持度Maximum_support分别是一个阈值参数，该参数表示数据集的最低和最高支持度，用来度量目标集{A，B}实际和可能出现的频率阈值的事例数目，一般用百分数表示。

4.如权利要求1所述的方法，其特征在于，在步骤三中，提取感兴趣区域目标的多维参数的实现方法为：

在感兴趣区域中选取一个兴趣点或特征点，称为核心点，对感兴趣区域中的各点与核心点的灰度值比较，若感兴趣区域内的像素灰度与感兴趣区域核心的像素灰度差值小于给定的门限，则认为该点与核心点是同值或相似的，由满足这样条件的像素组成的区域称为特征区；

将感兴趣区域中的各点与核心点的灰度值用下面的相似比较函数进行比较：

$C({\stackrel{r}{r}}_0,\stackrel{r}{r})=\left\{\begin{array}{cc}1,& |I\left(\stackrel{r}{r}\right)-I\left({\stackrel{r}{r}}_0\right)|\&le;g\\ 0,& |I\left(\stackrel{r}{r}\right)-I\left({\stackrel{r}{r}}_0\right)|>g\end{array}---\left(1\right)\right.$

式中：g为灰度差门限，是确定相似程度的阈值，g的选取要根据图像中目标与背景的对比程度来确定；是当前核心点的位置；

是圆形感兴趣区域内其他任一点的位置；和

分别是核心与感兴趣区域中其他点的灰度值；是感兴趣区域内属于特征区的像素的判别函数，为输出；

特征区的大小或特征参数的数目可由下式计算：

式中

是以

为圆心的感兴趣区域；

根据试验分析可知在实际噪声图像中如果核心点在边缘附近，n的值一般不会大于3n_max/4，用下式来产生边缘初始响应：

$R\left({\stackrel{r}{r}}_0\right)=\left\{\begin{array}{cc}{n}_0-n\left({\stackrel{r}{r}}_0\right)& \mathrm{ifn}\left({\stackrel{r}{r}}_0\right)<n_0\\ 0& \mathrm{otherwise}\end{array}---\left(3\right)\right.$

式中，n₀是门限；

是响应函数；

在噪声存在的情况下，计算

的均值是接近于0.75，因此定义阈值n₀＝3n_max/4，n_max是

所能达到的最大值；

由式(3)得到的边缘初始响应值大小符合“特征区越小，初始边缘响应就越大”；

之后确定边缘方向，

与之比确定了边缘的方向，

的符号用于确定对角边缘梯度方向的正负，这里

5.如权利要求1所述的方法，其特征在于，在步骤四中，根据专家知识或实验数据对感兴趣区域场景进行语义理解，建立模糊图像自动理解的系统模型，实现模糊图像的场景语义理解时，在提取出目标多维特征后，用模糊隶属函数或标准模板进行模糊匹配、识别，将未知多维参数的特征向量同已经训练好的已知类别的多维参数特征向量相比较，当且仅当它的特征向量与第i₀类特征向量之间的相似度为最大时，按最大隶属原则判决待识别多维参数属于第i₀类；这里选用正态型隶属度函数 ${\mathrm{\&mu;}}_{X_{\mathrm{ij}}^m}\left(u\right)=e^{-\frac{{(u-{\mathrm{\&theta;}}_{\mathrm{ij}}^m)}^2}{2{\mathrm{\&sigma;}}_{\mathrm{ij}}^2}}$ 和 ${\mathrm{\&mu;}}_{{\tilde{X}}_j}\left(u\right)=e^{-\frac{{(u-x_j)}^2}{{2\mathrm{\&sigma;}}_j^2}},$ 这里u是相应于的模糊因素，

m＝1，…，n_ij表示已知第i类目标在第j个参数方向上的第m个取值模糊数，为均值，

表示被识别目标在第j个参数方向上的模糊观测值，x_j为均值，σ_ij和σ_j分别为

和

的展度，

和

分别表示和

的隶属度函数，那么，可计算被识别图像目标与已知第i类图像目标在第j个参数方向上的第m个取值相似度为由模糊析取命题推理得出

这里于是，可得被识别模糊数向量与第i类目标的相似性向量为D_i＝[d_i1，d_i2，…，d_ik]^T，若

使得

则按最大隶属原则判断待识别目标属于第i₀类。

6.如权利要求1所述的方法，其特征在于，在步骤四中，根据专家知识或实验数据对感兴趣区域场景进行语义理解，建立模糊图像自动理解的系统模型，实现模糊图像的场景语义理解时，先定义目标间关联的重要度，定义目标集{A，B}的重要度是目标A和B同时呈现的概率除以A的几率与B的几率之积，即Importance({A，B})＝odds(A，B)/(odds(A)*odds(B))；

这里odds(A，B)＝support({A，B})/Maximum_support({A}U{not A})，

odds(A)＝support({A})/Maximum_support({A}U{not A})，

odds(B)＝support({B})/Maximum_support({B}U{not B})；

如果Importance＝1，则A和B是独立的项，它表示A和B的出现相互不影响，如果Importance＜1，则A和B是负相关的，这表示在ROI中如果A呈现，则目标B不太可能出现；如果Importance＞1，则A和B是正相关的，这表示在ROI中如果A呈现，则目标B可能也出现；

场景语义理解是对意图的判断，对两种意图的判断是由两个阈值和ROI的重要度决定的，设阈值0＜β＜α，一幅图像的ROI由若干个目标组成，用X表示；如果Importance(X)＞α，则X肯定是意图1，如果β≤Importance(X)≤α，则X可能是意图1也可能是意图2，如果Importance(X)＜β，则X肯定是意图2；阈值α和β通常由专家经验或试验数据给定，对多种意图的判断是由多个阈值和ROI的重要度决定的，再按两种阈值的方法进行两两组合，依次进行判断。

Images