CN103871029A - 一种图像增强及分割方法 - Google Patents

Abstract

本发明公开了一种图像增强及分割方法，包括以下步骤：一、图像增强：通过处理器且采用基于模糊逻辑的图像增强方法，对需处理图像进行增强处理，过程如下：ⅰ、由图像域变换到模糊域：根据隶属度函数将需处理图像各像素点的灰度值均映射成模糊集的模糊隶属度；ⅱ、在模糊域利用模糊增强算子进行模糊增强处理；ⅲ、由模糊域逆变换到图像域；二、图像分割：按照基于二维模糊划分最大熵的图像分割方法对增强处理后的数字图像即待分割图像进行分割。本发明方法步骤简单、设计合理、实现方便且处理效果好、实用价值高，能简便、快速且高质量完成图像增强及分割过程。

Description

一种图像增强及分割方法

技术领域

本发明属于图像处理技术领域，尤其是涉及一种图像增强及分割方法。 

背景技术

火灾是矿井重大灾害之一，严重威胁着人类健康、自然环境和煤矿的安全生产。随着科技进步，火灾自动检测技术逐渐成为监测和火灾预警的重要手段。现如今，在煤矿井下，火灾预测及检测主要以监测火的温度效应、燃烧生成物（发生烟雾与气体的效应）和电磁辐射效应为主，但上述现有的检测方法在灵敏度和可靠性方面都尚待提高，并且不能对早期火灾作出反应，因而与日趋严格的火灾安全要求已不相适应。尤其是当大空间内存在遮挡物时，火灾燃烧产物在空间的传播会受到空间高度和面积的影响，普通的点型感烟、感温火灾检测报警系统无法迅速采集火灾发出的烟温变化信息，只有当火灾发展到一定的程度时，才会做出响应，从而难以满足早期检测火灾的要求。视频处理技术和模式识别技术的迅速发展使火灾检测和预警方式正朝着图像化、数字化、规模化和智能化方向发展。而基于视频监控的火灾检测技术具有探测范围广、响应时间短、成本低、不受环境影响等优势，结合计算机智能技术可以提供更直观、更丰富的信息，对煤矿的安全生产具有重要意义。 

智能视频监控是利用计算机视觉技术对视频信号进行处理、分析和理解，在不需要人为干预的情况下，通过对序列图像自动分析对监控场景中的变化进行定位、识别和跟踪，并在此基础上分析和判断目标的行为，能在异常情况发生时及时发出警报或提供有用信息，有效地协助安全人员处理危机，并最大限度地降低误报和漏报现象。随着网络技术的发展，远程图像监控作为计算机视觉的一个应用，可对煤矿井下情况实时监控，及时 发现事故苗子，也能为事后分析提供有效资料，对于安全生产、调度指挥、抢险救援都起到积极作用。 

由于煤矿井下环境特殊，光线昏暗、光照分布不均匀，对获得的图像进行图像增强以改善质量后，由于图像包含的数据量很大，要进行目标识别必须对图像进行分割。所谓图像分割是指根据图像信息特征将具有特殊涵义的不同区域区分开来，这些区域是互不相交的，每一个区域都满足特定区域的一致性。均匀性一般是指同一区域内的像素点之间的灰度值差异较小或灰度值的变化较缓慢。这些信息特征可以是图像场的原始特性，如物体占有区的像素灰度值、物体轮廓曲线和纹理特征等，也可以是直方图特征、颜色特征、局部统计特征或空间频谱特征等。图像分割是大多数图像分析及视觉系统的重要组成部分，图像分割的正确性和自适应性在一定程度上影响着目标检测和识别的智能化程度，而图像分割算法的处理速度也影响了其应用的实时性。现有的图像分割方法很多，主要包括阈值分割、基于边缘检测分割、基于区域特性的分割、特征空间聚类分割和基于形态学分水岭的分割等，其中阈值分割法因其实现简单、计算量小而成为图像分割中最常用、最经典的图像分割方法。阈值分割法是用一个或几个阈值将图像的灰度直方图分成几个不同的灰度等级，并且认为图像中灰度值在同一个灰度等级内的像素属于同一个物体，从而来划分有意义的区域或分割物体的边界。 

阈值的选取是阈值分割技术的关键，如果阈值选取过高，则过多的目标点被误归为背景阈值；选取过低，则过多的背景被误归为目标点。阈值分割方法主要有直方图阈值分割法、最大类间方差阈值分割法、二维最大熵值分割法、模糊阈值分割法、共生矩阵阈值分割法等。上述各种门限方法的性能受目标大小、均值差、对比度、目标方差、背景方差以及随机噪声等因素的影响，与处理的特定图像有关。熵是平均信息量的表征，基于最大熵原则选择阈值是最重要的阈值选择方法之一。实际进行图像分割时，当图像的信噪比较低时，应用一维最大熵法将产生很多分割错误。二 维最大熵法应用二维直方图，不仅反映了灰度分布信息，还反映了邻域空间相关信息，因此在图像信噪比较小时，二维最大熵法明显优于一维最大熵法。金立左等考虑到图像的模糊性，在二维最大熵方法的基础上引入模糊划分的概念，提出了二维模糊划分最大熵分割方法，进一步提高了分割性能。然而伴随着分割性能的提高，问题的解空间维数从原来的二维增加到四维，运算量按指数增长，二维模糊划分最大熵的最优参量组合很难快速准确地获得，耗时过长，影响了实用。因而，现有的一维最大熵法分割时难以同时兼顾灰度信息和空间信息，使得图像分割中往往包含很多孤立点或孤立区域，这对后续的图像分类和模式识别带来困难，并影响到正确检测率。而基于二维模糊划分最大熵分割方法利用了图像的灰度信息以及空间邻域信息，而且兼顾了图像自身的模糊性，但存在运算速度慢的缺点。 

综上，现如今缺少一种方法步骤简单、设计合理、实现方便且处理效果好、实用价值高的图像增强及分割方法，能简便、快速且高质量完成图像增强及分割过程。 

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种图像增强及分割方法，其方法步骤简单、设计合理、实现方便且处理效果好、实用价值高，能简便、快速且高质量完成图像增强及分割过程。 

为解决上述技术问题，本发明采用的技术方案是：一种图像增强及分割方法，其特征在于该方法包括以下步骤： 

步骤一、图像增强：通过处理器且采用基于模糊逻辑的图像增强方法，对需处理图像进行增强处理，过程如下： 

步骤ⅰ、由图像域变换到模糊域：根据隶属度函数  ${\mathrm{\μ}}_{\mathrm{gh}}=T\left(x_{\mathrm{gh}}\right)=\left\{\begin{array}{cc}{x}_{\mathrm{gh}}/X_T& x_{\mathrm{gh}}\≤X_T\\ x_{\mathrm{gh}}/X_{\max }& x_{\mathrm{gh}}>X_T\end{array}\right.---\left(7\right),$ 将需处理图像各像素点的灰度值均映射成模糊集的模糊隶属度，并相应获得需处理图像的模糊集；式中x_gh为所 述待增强图像中任一像素点（g，h）的灰度值，X_T为采用基于模糊逻辑的图像增强方法对需处理图像进行增强处理时所选取的灰度阈值，X_max为需处理图像的最大灰度值；所述需处理图像为大小为M×N个像素点的数字图像； 

步骤ⅱ、在模糊域利用模糊增强算子进行模糊增强处理：所采用的模糊增强算子为μ'_gh=I_r(μ_gh)=I_r(I_r-1μ_gh)，式中r为迭代次数且其为正整数，r=1、2、…；其中 $I_1\left({\mathrm{\μ}}_{\mathrm{gh}}\right)=\left\{\begin{array}{cc}{\mathrm{\μ}}_{\mathrm{gh}}^2/{\mathrm{\μ}}_c& 0\≤{\mathrm{\μ}}_{\mathrm{gh}}\≤{\mathrm{\μ}}_c\\ 1-{(1-{\mathrm{\μ}}_{\mathrm{gh}})}^2/(1-{\mathrm{\μ}}_c)& {\mathrm{\μ}}_c\≤{\mathrm{\μ}}_{\mathrm{gh}}\≤1\end{array}\right.,$ 式中μ_c=T(X_C)，其中X_C为渡越点且X_C=X_T； 

步骤ⅲ、由模糊域逆变换到图像域：根据公式将模糊增强处理后得到的μ′_gh进行逆变换，获得增强处理后数字图像中各像素点的灰度值，并获得增强处理后的数字图像； 

步骤二、图像分割：所述处理器调用图像分割处理模块，且按照基于二维模糊划分最大熵的图像分割方法对步骤一中增强处理后的数字图像即待分割图像进行分割。 

上述一种图像增强及分割方法，其特征是：步骤二中按照基于二维模糊划分最大熵的图像分割方法对待分割图像进行分割，过程如下： 

步骤Ⅰ、二维直方图建立：采用所述处理器建立所述待分割图像的关于像素点灰度值与邻域平均灰度值的二维直方图；该二维直方图中任一点记为(i,j)，其中i为该二维直方图的横坐标值且其为所述待分割图像中任一像素点(m，n)的灰度值，j为该二维直方图的纵坐标值且其为该像素点(m，n)的邻域平均灰度值；所建立二维直方图中任一点(i,j)发生的频数记为C(i,j)，且点(i,j)发生的频率记为h(i,j)，其中

步骤Ⅱ、模糊参数组合优化：所述处理器调用模糊参数组合优化模块，且利用粒子群优化算法对基于二维模糊划分最大熵的图像分割方法所用的模糊参数组合进行优化，并获得优化后的模糊参数组合； 

本步骤中，对模糊参数组合进行优化之前，先根据步骤Ⅰ中所建立的 二维直方图，计算得出对所述待分割图像进行分割时的二维模糊熵的函数关系式，并将计算得出的二维模糊熵的函数关系式作为利用粒子群优化算法对模糊参数组合进行优化时的适应度函数； 

步骤Ⅲ、图像分割：所述处理器利用步骤Ⅱ中优化后的模糊参数组合，并按照基于二维模糊划分最大熵的图像分割方法对所述待分割图像中的各像素点进行分类，并相应完成图像分割过程，获得分割后的目标图像。 

上述一种图像增强及分割方法，其特征是：步骤ⅰ中由图像域变换到模糊域之前，先采用最大类间方差法对灰度阈值X_T进行选取。 

上述一种图像增强及分割方法，其特征是：采用最大类间方差法对灰度阈值X_T进行选取之前，先从所述待增强图像的灰度变化范围中找出像素点数量为0的所有灰度值，并采用所述处理器将找出的所有灰度值均标记为免计算灰度值；采用最大类间方差法对灰度阈值X_T进行选取时，对所述待增强图像的灰度变化范围中除所述免计算灰度值之外的其它灰度值作为阈值时的类间方差值进行计算，并从计算得出的类间方差值找出最大类间方差值，所找出最大类间方差值对应的灰度值便为灰度阈值X_T。 

上述一种图像增强及分割方法，其特征是：步骤ⅱ中进行模糊增强处理之前，先采用低通滤波方法对步骤ⅰ中所获得的需处理图像的模糊集进行平滑处理；实际进行低通滤波处理时，所采用的滤波算子为  $\frac{1}{16}\left[\begin{array}{ccc}1& 2& 1\\ 2& 4& 2\\ 1& 2& 1\end{array}\right].$

上述一种图像增强及分割方法，其特征是：步骤Ⅰ中所述待分割图像由目标图像O和背景图像P组成；其中目标图像O的隶属度函数为μ_o(i,j)=μ_ox(i;a,b)μ_oy(j;c,d)  (1); 

背景图像P的隶属度函数μ_b(i,j)=μ_bx(i;a,b)μ_oy(j;c,d)+μ_ox(i;a,b)μ_by(j;c,d)+μ_bx(i;a,b)μ_by(j;c,d)  (2); 

式(1)和(2)中，μ_ox(i;a,b)和μ_oy(j;c,d)均为目标图像O的一维隶属度函数且二者均为S函数，μ_bx(i;a,b)和μ_by(j;c,d)均为背景图像P的一维隶属度 函数且二者均为S函数，μ_bx(i;a,b)=1-μ_ox(i;a,b)，μ_by(j;c,d)=1-μ_oy(j;c,d)，其中a、b、c和d均为对目标图像O和背景图像P的一维隶属度函数形状进行控制的参数； 

步骤Ⅱ中对二维模糊熵的函数关系式进行计算时，先根据步骤Ⅰ中所建立的二维直方图，对所述待分割图像的像素点灰度值的最小值g_min和最大值g_max以及邻域平均灰度值的最小值s_min和最大值s_max分别进行确定； 

步骤Ⅱ中计算得出的二维模糊熵的函数关系式为： 

$H\left(P\right)=-\underset{i=g_{\min }}{\overset{g_{\max }}{\mathrm{\Σ}}}\underset{j=s_{\min }}{\overset{s_{\max }}{\mathrm{\Σ}}}\frac{{\mathrm{\μ}}_o(i,j)h_{\mathrm{ij}}}{p\left(O\right)}\exp (1-\log \frac{{\mathrm{\μ}}_o(i,j)h_{\mathrm{ij}}}{p\left(O\right)})-\underset{i=g_{\min }}{\overset{g_{\max }}{\mathrm{\Σ}}}\underset{j=s_{\min }}{\overset{s_{\max }}{\mathrm{\Σ}}}\frac{{\mathrm{\μ}}_b(i,j)h_{\mathrm{ij}}}{p\left(B\right)}\exp (1-\log \frac{{\mathrm{\μ}}_b(i,j)h_{\mathrm{ij}}}{p\left(B\right)})---\left(3\right),$ 式(3)中 $p\left(O\right)=\underset{i=g_{\min }}{\overset{g_{\max }}{\mathrm{\Σ}}}\underset{j=s_{\min }}{\overset{s_{\max }}{\mathrm{\Σ}}}{\mathrm{\μ}}_o(i,j,)h_{\mathrm{ij}},$ $p\left(B\right)=\underset{i=g_{\min }}{\overset{g_{\max }}{\mathrm{\Σ}}}\underset{j=s_{\min }}{\overset{s_{\max }}{\mathrm{\Σ}}}{\mathrm{\μ}}_b(i,j,)h_{\mathrm{ij}},$ 其中h(i,j)为步骤Ⅰ中所述的点(i,j)发生的频率； 

步骤Ⅱ中利用粒子群优化算法对模糊参数组合进行优化时，所优化的模糊参数组合为(a,b,c,d)。 

上述一种图像增强及分割方法，其特征是：步骤Ⅱ中进行二维模糊划分最大熵的参数组合优化时，包括以下步骤： 

步骤Ⅱ-1、粒子群初始化：将参数组合的一个取值作为一个粒子，并将多个粒子组成一个初始化的粒子群；记作(a_k,b_k,c_k,d_k)，其中k为正整数且其k=1、2、3、～、K，其中K为正整数且其为所述粒子群中所包含粒子的数量，a_k为参数a的一个随机取值，b_k为参数b的一个随机取值，c_k为参数c的一个随机取值，d_k为参数d的一个随机取值，a_k＜b_k且c_k＜d_k； 

步骤Ⅱ-2、适应度函数确定： 

将 $H\left(P\right)=-\underset{i=g_{\min }}{\overset{g_{\max }}{\mathrm{\Σ}}}\underset{j=s_{\min }}{\overset{s_{\max }}{\mathrm{\Σ}}}\frac{{\mathrm{\μ}}_o(i,j)h_{\mathrm{ij}}}{p\left(O\right)}\exp (1-\log \frac{{\mathrm{\μ}}_o(i,j)h_{\mathrm{ij}}}{p\left(O\right)})-\underset{i=g_{\min }}{\overset{g_{\max }}{\mathrm{\Σ}}}\underset{j=s_{\min }}{\overset{s_{\max }}{\mathrm{\Σ}}}\frac{{\mathrm{\μ}}_b(i,j)h_{\mathrm{ij}}}{p\left(B\right)}\exp (1-\log \frac{{\mathrm{\μ}}_b(i,j)h_{\mathrm{ij}}}{p\left(B\right)})$ (3)，作为适应度函数； 

步骤Ⅱ-3、粒子适应度评价：对当前时刻所有粒子的适应度分别进行评价，且所有粒子的适应度评价方法均相同；其中，对当前时刻第k个粒子的适应度进行评价时，先根据步骤Ⅱ-2中所确定的适应度函数计算得出当前时刻第k个粒子的适应度值并记作fitnessk，并将计算得出的 fitnessk与Pbestk进行差值比较：当比较得出fitnessk＞Pbestk时，Pbestk=fitnessk，并将

更新为当前时间第k个粒子的位置，其中Pbestk为当前时刻第k个粒子所达到的最大适应度值且其为当前时刻第k个粒子的个体极值，

为当前时刻第k个粒子的个体最优位置；其中，t为当前迭代次数且其为正整数； 

待根据步骤Ⅱ-2中所确定的适应度函数将当前时刻所有粒子的适应度值均计算完成后，将当前时刻适应度值最大的粒子的适应度值记为fitnesskbest，并将fitnesskbest与gbest进行差值比较：当比较得出fitnesskbest＞gbest时，gbest=fitnesskbest，且将

更新为当前时间适应度值最大的粒子的位置，其中gbest为当前时刻的全局极值，

为当前时刻的群体最优位置； 

步骤Ⅱ-4、判断是否满足迭代终止条件：当满足迭代终止条件时，完成参数组合优化过程；否则，根据粒子中群优化算法更新得出下一时刻各粒子的位置和速度，并返回步骤Ⅱ-3； 

步骤Ⅱ-4中迭代终止条件为当前迭代次数t达到预先设定的最大迭代次数I_max或者Δg≤e，其中Δg=|gbest-gmax|，式中为gbest当前时刻的全局极值，gmax为原先设定的目标适应度值，e为正数且其为预先设定的偏差值。 

上述一种图像增强及分割方法，其特征是：步骤Ⅱ-1中进行粒子群初始化时，粒子(a_k,b_k,c_k,d_k)中(a_k,c_k)为第k个粒子的初始速度矢量，(b_k,d_k)为第k个粒子的初始位置； 

步骤Ⅱ-4中根据粒子中群优化算法更新得出下一时刻各粒子的位置和速度时，所有粒子的位置和速度的更新方法均相同；其中，对下一时刻第k个粒子的速度和位置进行更新时，先根据当前时刻第k个粒子的速度矢量、位置和个体极值Pbestk以及全局极值，计算得出下一时刻第k个粒子的速度矢量，并根据当前时刻第k个粒子的位置和计算得出的下一时刻第k个粒子的速度矢量计算得出下一时刻第k个粒子的位置。 

上述一种图像增强及分割方法，其特征是：步骤Ⅱ-4中对下一时刻第k个粒子的速度和位置进行更新时，根据  $v_k^{t+1}=\mathrm{\ω}{v}_k^t+c_1{r}_1(g_{\mathrm{kbest}}^t-x_k^t)+c_2{r}_2(g_{\mathrm{gbest}}^t-x_k^t)---\left(4\right)$ 和公式 $x_k^{t+1}=x_k^t+v_k^{t+1}---\left(5\right)$ 计算得出下一时刻第k个粒子的速度矢量

和位置

公式(4)和(5)中为当前时刻第k个粒子的位置，公式(4)中

为当前时刻第k个粒子的速度矢量，c₁和c₂均为加速度系数且c₁+c₂=4，r₁和r₂为[0,1]之间的均匀分布的随机数；ω为惯性权重且其随迭代次数的增加线性减小， 

式中ω_max和ω_min分别为预先设定的惯性权重最大值和最小值，t为当前迭代次数，I_max为预先设定的最大迭代次数。 

本发明与现有技术相比具有以下优点： 

1、方法步骤简单、设计合理且实现方便，投入成本较低。 

2、所采用的图像增强方法步骤简单、设计合理且增强效果好，根据煤矿井下照度低、全天候人工照明导致图像成像质量差的特点，在分析和比较传统图像增强处理算法的基础上，提出了基于模糊逻辑的图像增强预处理方法，该方法采用新的隶属度函数，不仅能减小图像低灰度区域的像素信息损失，克服了因模糊增强带来的对比度下降的问题，提高了适应性。同时，提出一种快速的最大类间方差法进行阈值选取，实现模糊增强阈值自适应地快速选取，提高了算法运算速度，增强了实时性，能对不同环境下的图像进行了图像增强，并且能有效提高图像的细节信息，改善图像质量，而且计算速度快，满足实时性要求 

3、所采用的图像分割方法步骤简单、设计合理且分割效果好，由于一维最大熵法对信噪比较低、低照度的图像来说分割效果不够理想，因而采用基于二维模糊划分最大熵的分割方法进行分割，该分割方法考虑了灰度信息和空间邻域信息及自身模糊性的特点，但存在运算速度慢的缺陷，本发明专利申请中采用粒子群优化算法对模糊参数组合进行优化，使得能简便、快速且准确获得优化后的模糊参数组合，因而大幅度提高了图像分割效率。并且，所采用的粒子群优化算法设计合理且实现方便，其根据当 前粒子群的状态和迭代次数自适应的调整局部空间大小，在不影响收敛速度的前提下获得了更高的搜索成功率和更高质量的解，分割效果好，鲁棒性强，而且提高了运算速度，满足实时性要求。 

综上，由于基于二维模糊划分最大熵的分割方法能对火焰图像进行快速、准确地分割，克服了传统算法采用单阈值噪声点被误分的问题，同时采用粒子群优化算法对模糊参数组合进行优化，解决了非线性整数规划问题，在克服噪声影响的同时使得分割的目标更好地保持形状。因而，本发明将基于二维模糊划分最大熵的分割方法与粒子群优化算法相结合实现红外图像的快速分割，设置参量组合(a,b,c,d)作为粒子，二维模糊划分熵作为适应度函数决定粒子在解空间的搜索方向，一旦获得了图像的二维直方图，采用PSO算法搜索使得适应度函数最大的最优参量组合(a,b,c,d)，最终根据最大隶属度原则对图像中的像素进行分类，从而实现图像的分割。并且，采用本发明所述的分割方法对于噪音大、对比度低、目标较小的红外图像的分割效果都非常好。 

综上所述，本发明方法步骤简单、设计合理、实现方便且处理效果好、实用价值高，能简便、快速且高质量完成图像增强及分割处理，尤其适用于煤矿井下图像的增强及分割过程。 

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。 

附图说明

图1为本发明的方法流程框图。 

图2为本发明所建立二维直方图的结构示意图。 

图3为本发明进行图像分割时的分割状态示意图。 

具体实施方式

如图1所示的一种图像增强及分割方法，包括以下步骤： 

步骤一、图像增强：通过处理器且采用基于模糊逻辑的图像增强方法，对需处理图像进行增强处理，过程如下： 

步骤ⅰ、由图像域变换到模糊域：根据隶属度函数  ${\mathrm{\μ}}_{\mathrm{gh}}=T\left(x_{\mathrm{gh}}\right)=\left\{\begin{array}{cc}{x}_{\mathrm{gh}}/X_T& x_{\mathrm{gh}}\≤X_T\\ x_{\mathrm{gh}}/X_{\max }& x_{\mathrm{gh}}>X_T\end{array}\right.---\left(7\right),$ 将需处理图像各像素点的灰度值均映射成模糊集的模糊隶属度，并相应获得需处理图像的模糊集；式中x_gh为所述待增强图像中任一像素点（g，h）的灰度值，X_T为采用基于模糊逻辑的图像增强方法对需处理图像进行增强处理时所选取的灰度阈值，X_max为需处理图像的最大灰度值；所述需处理图像为大小为M×N个像素点的数字图像。 

步骤ⅱ、在模糊域利用模糊增强算子进行模糊增强处理：所采用的模糊增强算子为μ'_gh=I_r(μ_gh)=I_r(I_r-1μ_gh)，式中r为迭代次数且其为正整数，r=1、2、…；其中 $I_1\left({\mathrm{\μ}}_{\mathrm{gh}}\right)=\left\{\begin{array}{cc}{\mathrm{\μ}}_{\mathrm{gh}}^2/{\mathrm{\μ}}_c& 0\≤{\mathrm{\μ}}_{\mathrm{gh}}\≤{\mathrm{\μ}}_c\\ 1-{(1-{\mathrm{\μ}}_{\mathrm{gh}})}^2/(1-{\mathrm{\μ}}_c)& {\mathrm{\μ}}_c\≤{\mathrm{\μ}}_{\mathrm{gh}}\≤1\end{array}\right.,$ 式中μ_c=T(X_C)，其中X_C为渡越点且X_C=X_T。 

步骤ⅲ、由模糊域逆变换到图像域：根据公式

将模糊增强处理后得到的μ′_gh进行逆变换，获得增强处理后数字图像中各像素点的灰度值，并获得增强处理后的数字图像。 

步骤二、图像分割：所述处理器调用图像分割处理模块，且按照基于二维模糊划分最大熵的图像分割方法对步骤一中增强处理后的数字图像即待分割图像进行分割。 

本实施例中，步骤ⅱ中进行模糊增强处理之前，先采用低通滤波方法对步骤ⅰ中所获得的所述待增强图像的模糊集进行平滑处理；实际进行低通滤波处理时，所采用的滤波算子为 $\frac{1}{16}\left[\begin{array}{ccc}1& 2& 1\\ 2& 4& 2\\ 1& 2& 1\end{array}\right].$

由于图像在生成和传输过程中易受到噪声污染，因此对图像进行增强处理之前，先对图像的模糊集进行平滑处理以减少噪声。本实施例中，通过3×3空域低通滤波算子与图像模糊集矩阵的卷积运算，来实现对图像模糊集的平滑处理。 

实际进行增强处理时，采用基于模糊逻辑的图像增强方法（具体是经典的Pal-King模糊增强算法，即Pal算法）进行图像增强处理时，存在 以下缺陷： 

①Pal算法在进行模糊变换及其逆变换时，采用复杂的幂函数作为模糊隶属函数，存在实时性差、运算量大的缺陷； 

②在模糊增强变换过程中，将原图像中相当多的低灰度值硬性置为零，造成低灰度信息的损失； 

③模糊增强阈值（渡越点X_c）的选取一般凭经验或多次比较尝试获取，缺乏理论指导，具有随意性；隶属函数中参数F_d、F_e具有可调性，参数值F_d、F_e的合理选取与图像处理效果关系密切； 

④在模糊增强变换过程中，多次迭代运算是为了对图像反复进行增强处理，其迭代次数的选取无相关理论原则指导，迭代次数较多时会影响到边缘细节。 

本实施例中，采用步骤ⅰ至步骤ⅲ中所述的方法，能有效克服经典的Pal-King模糊增强算法存在上述缺陷。 

步骤ⅰ中将所述待增强图像各像素点的灰度值均映射成模糊集的模糊隶属度后，相应地所述待增强图像所有像素点的灰度值映射成的模糊隶属度组成模糊集的模糊隶属矩阵。 

由于公式(7)中μ_gh∈[0,1]，克服了经典Pal-King模糊增强算法中模糊变换后许多原图像低灰度值被切削为零的缺陷，且以阈值X_T为分界线，分区域定义灰度级x_gh的隶属度，这种在图像低灰度区和高灰度区分别定义隶属度的方法，也保证了图像在低灰度区域的信息损失最小，从而保证图像增强的效果。 

本实施例中，步骤ⅰ中由图像域变换到模糊域之前，先采用最大类间方差法对灰度阈值X_T进行选取。 

步骤ⅱ中的公式 $I_1\left({\mathrm{\μ}}_{\mathrm{gh}}\right)=\left\{\begin{array}{cc}{\mathrm{\μ}}_{\mathrm{gh}}^2/{\mathrm{\μ}}_c& 0\≤{\mathrm{\μ}}_{\mathrm{gh}}\≤{\mathrm{\μ}}_c\\ 1-{(1-{\mathrm{\μ}}_{\mathrm{gh}})}^2/(1-{\mathrm{\μ}}_c)& {\mathrm{\μ}}_c\≤{\mathrm{\μ}}_{\mathrm{gh}}\≤1\end{array}\right.,$ 的非线性变换增大了大于μ_c的μ_gh的值，同时减小了小于μ_c的μ_gh的值。这里μ_c已演变为一个广义的渡越点。 

由于Pal算法中模糊增强阈值(渡越点X_c)的选取是图像增强的关键，在实际应用中需要凭经验或多次尝试获取。其中较经典的方法是最大类间方差法(Ostu)，该方法简单稳定有效，是实际应用中经常采用的方法。Ostu阈值选取方法摆脱了需要人工介入进行多次尝试的局限性，能够由计算机根据图像的灰度信息自动确定最佳阈值。Ostu法的原理是利用类间方差作为判据，选取使类间方差最大的灰度值作为最佳阈值来实现模糊增强阈值的自动选取，从而避免增强处理过程中的人工干预。 

本实施例中，采用最大类间方差法对灰度阈值X_T进行选取之前，先从所述待增强图像的灰度变化范围中找出像素点数量为0的所有灰度值，并采用所述处理器将找出的所有灰度值均标记为免计算灰度值；采用最大类间方差法对灰度阈值X_T进行选取时，对所述待增强图像的灰度变化范围中除所述免计算灰度值之外的其它灰度值作为阈值时的类间方差值进行计算，并从计算得出的类间方差值找出最大类间方差值，所找出最大类间方差值对应的灰度值便为灰度阈值X_T。 

采用传统的最大类间方差法(Ostu)选取模糊增强时，若灰度值为s的像素数为n_s，则总像素点数

所采集的数字图像各个灰度级出现的概率

阈值X_T将图像中的像素点按其灰度级划分为两类C₀和C₁，C₀={0,1,…t}，C₁={t+1,t+2,…L－1}，并假定类C₀和C₁的像素点数占总像素点数的比率分别为w₀(t)和w₁(t)且二者平均灰度值分别为μ₀(t)和μ₁(t)。 

对于C₀有： $w_0\left(t\right)=\underset{i_2=0}{\overset{t}{\mathrm{\Σ}}}{P}_{i_2}=w\left(t\right),$ ${\mathrm{\μ}}_0\left(t\right)=\frac{1}{w_0}\underset{i_2=0}{\overset{t}{\mathrm{\Σ}}}{i}_2{P}_{i_2}=\frac{\mathrm{\μ}\left(t\right)}{w\left(t\right)};$

对于C₁有： $w_1\left(t\right)=\underset{i_3=t_2+1}{\overset{L-1}{\mathrm{\Σ}}}{P}_{i_3}=1-w\left(t\right),$ ${\mathrm{\μ}}_1\left(t\right)=\frac{1}{w_1}\underset{i_3=i_2+1}{\overset{L-1}{\mathrm{\Σ}}}{i}_3{P}_{i_3}=\frac{\mathrm{\μ}-\mathrm{\μ}\left(t\right)}{1-w\left(t\right)};$

其中是整体图像灰度的统计均值，则μ=w₀μ₀+w₁μ₁； 

因而最佳阈值 $X_T={\mathrm{\σ}}_{\max }^2\left(t\right)=\mathrm{Arg}\underset{t\∈L}{\max }(w_0\left(t\right)\×w_1\left(t\right)\×{({\mathrm{\μ}}_1\left(t\right)-{\mathrm{\μ}}_0\left(t\right))}^2)---\left(8\right),$

上述自动提取最佳模糊增强阈值X_T的过程是：从灰度级0遍历所有的灰度级至L-1级，找到满足式(8)取最大值时的X_T值即为所求阈值X_T。因 图像可能在某些灰度级上的像素数为零，为减少计算方差次数，本发明采用一种改进的快速Ostu法； 

由于 

$\begin{array}{c}{\mathrm{\σ}}^2\left(t\right)=w_0\×w_1\×{({\mathrm{\μ}}_0-{\mathrm{\μ}}_1)}^2\\ =w\left(t\right)\×[1-w\left(t\right)]\×{[\frac{\mathrm{\μ}\left(t\right)}{w\left(t\right)}-\frac{\mathrm{\μ}-\mathrm{\μ}\left(t\right)}{1-w\left(t\right)}]}^2\\ =\frac{{[\mathrm{\μ}\left(t\right)-w\left(t\right)\mathrm{\μ}]}^2}{w\left(t\right)[1-w\left(t\right)]}\end{array}---\left(2.32\right);$

假定灰度级为t'的像素数为零，则

若选定t'-1为阈值时，则有： 

$w(t^{\′}-1)=\underset{i=0}{\overset{t^{\′}-1}{\mathrm{\Σ}}}{P}_i;\mathrm{\μ}(t^{\′}-1)=\underset{i=0}{\overset{t^{\′}-1}{\mathrm{\Σ}}}i{P}_i;\mathrm{\μ}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}i{P}_i---\left(2.33\right);$

又当选t'为阈值时： 

$w\left(t^{\′}\right)=\underset{i=0}{\overset{t^{\′}}{\mathrm{\Σ}}}{P}_i=\underset{i=0}{\overset{t^{\′}-1}{\mathrm{\Σ}}}{P}_i+P_{t^{\′}}=\underset{i=0}{\overset{t^{\′}-1}{\mathrm{\Σ}}}{P}_i=w(t^{\′}-1)---\left(2.34\right);$

$\mathrm{\μ}\left(t^{\′}\right)=\underset{i=0}{\overset{t^{\′}}{\mathrm{\Σ}}}i{P}_i=\underset{i=0}{\overset{t^{\′}-1}{\mathrm{\Σ}}}{\mathrm{iP}}_i+t^{\′}{P}_{t^{\′}}=\underset{i=0}{\overset{t^{\′}-1}{\mathrm{\Σ}}}i{P}_i=\mathrm{\μ}(t^{\′}-1)---\left(2.35\right);$ $\mathrm{\μ}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}i{P}_i---\left(2.36\right);$

由此可见： 

σ²(t'-1)=σ²(t')   (2.37)； 

又假设有连续的灰度级t₁，t₂，…，t_n，亦可仿上推得： 

σ²(t₁-1)=σ²(t₁)=σ²(t₂-1)=σ²(t₂)=…=σ²(t_n-1)=σ²(t_n)   (2.38)。 

由上述可知，若某一灰度级的像素数为零，则不必计算以其作为阈值时的类间方差值，而只需把最邻近像素数不为零的较小灰度级所对应的类间方差作为其类间方差值，因此，为快速找到类间方差的最大值，可以将类间方差相等的多个灰度级当作同一灰度级，即把那些像素数为零的灰度值视为不存在，直接将其作为阈值时的类间方差σ²(t)赋值为零，而不需计算它们的方差值，这对阈值最终结果的选取没有任何影响，却提高了增强阈值自适应选取的速度。 

本实施例中，步骤二中按照基于二维模糊划分最大熵的图像分割方法对待分割图像进行分割，过程如下： 

步骤Ⅰ、二维直方图建立：采用所述处理器建立所述待分割图像的关于像素点灰度值与邻域平均灰度值的二维直方图；该二维直方图中任一点记为(i,j)，其中i为该二维直方图的横坐标值且其为所述待分割图像中任一像素点(m，n)的灰度值，j为该二维直方图的纵坐标值且其为该像素点(m，n)的邻域平均灰度值；所建立二维直方图中任一点(i,j)发生的频数记为C(i,j)，且点(i,j)发生的频率记为h(i,j)，其中

本实施例中，对像素点(m，n)的邻域平均灰度值进行计算时，根据公式 $g(m,n)=\frac{1}{d\×d}\underset{i1=-(d-1)/2}{\overset{(d-1)/2}{\mathrm{\Σ}}}\underset{j1=-(d-1)/2}{\overset{(d-1)/2}{\mathrm{\Σ}}}f(m+i1,n+j1)---\left(6\right)$ 进行计算，式中f(m+i1,n+j1)为像素点(m+i1,n+j1)的灰度值，其中d为像素正方形邻域窗口的宽度，一般取奇数。 

并且，邻域平均灰度值g(m,n)和像素点灰度值f(m,n)的灰度变化范围相同且二者的灰度变化范围均为[0，L），因而步骤Ⅰ中所建立的二维直方图为一个正方形区域，详见图2，其中L-1为邻域平均灰度值g(m,n)和像素点灰度值f(m,n)的最大值。 

图2中，利用阈值向量(i,j)将所建立二维直方图分割成四个区域。由于目标图像内部或背景图像内部的像素点之间相关性很强，像素点的灰度值和它的邻域平均灰度值非常接近；而在目标图像和背景图像的边界附近像素点，其像素点灰度值和邻域平均灰度值之间的差异明显。因而，图2中0#区域与背景图像对应，1#区域与目标图像对应，而2#区域和3#区域表示边界附近像素点和噪声点分布，因而应该在0#和1#区域中用像素点灰度值与邻域平均灰度值并通过二维模糊划分最大熵的分割方法确定最佳阈值，使真正代表目标和背景的信息量最大。 

步骤Ⅱ、模糊参数组合优化：所述处理器调用模糊参数组合优化模块，且利用粒子群优化算法对基于二维模糊划分最大熵的图像分割方法所用 的模糊参数组合进行优化，并获得优化后的模糊参数组合； 

本步骤中，对模糊参数组合进行优化之前，先根据步骤Ⅰ中所建立的二维直方图，计算得出对所述待分割图像进行分割时的二维模糊熵的函数关系式，并将计算得出的二维模糊熵的函数关系式作为利用粒子群优化算法对模糊参数组合进行优化时的适应度函数。 

本实施例中，步骤Ⅰ中所述待分割图像由目标图像O和背景图像P组成；其中目标图像O的隶属度函数为μ_o(i,j)=μ_ox(i;a,b)μ_oy(j;c,d)   (1)。 

背景图像P的隶属度函数μ_b(i,j)=μ_bx(i;a,b)μ_oy(j;c,d)+μ_ox(i;a,b)μ_by(j;c,d)+μ_bx(i;a,b)μ_by(j;c,d)  (2)。 

式(1)和(2)中，μ_ox(i;a,b)和μ_oy(j;c,d)均为目标图像O的一维隶属度函数且二者均为S函数，μ_bx(i;a,b)和μ_by(j;c,d)均为背景图像P的一维隶属度函数且二者均为S函数，μ_bx(i;a,b)=1-μ_ox(i;a,b)，μ_by(j;c,d)=1-μ_oy(j;c,d)，其中a、b、c和d均为对目标图像O和背景图像P的一维隶属度函数形状进行控制的参数 

其中， ${\mathrm{\&mu;}}_{\mathrm{ox}}(i;a,b)=\left\{\begin{array}{cc}0& i\&le;a\\ 2\&times;{\left(\frac{i-a}{b-a}\right)}^2& a<i\&le;\frac{a+b}{2}\\ 1-2\&times;{\left(\frac{i-b}{b-a}\right)}^2& \frac{a+b}{2}<i\&le;b\\ 1& b<i\&le;L-1\end{array}\right.;$

${\mathrm{\&mu;}}_{\mathrm{oy}}(j;c,d)=\left\{\begin{array}{cc}0& j\&le;c\\ 2\&times;{\left(\frac{j-c}{d-c}\right)}^2& c<j\&le;\frac{c+d}{2}\\ 1-2\&times;{\left(\frac{j-d}{d-c}\right)}^2& \frac{c+d}{2}<j\&le;d\\ 1& d<j\&le;L-1\end{array}\right.\text{.}$

步骤Ⅱ中对二维模糊熵的函数关系式进行计算时，先根据步骤Ⅰ中所建立的二维直方图，对所述待分割图像的像素点灰度值的最小值g_min和最大值g_max以及邻域平均灰度值的最小值s_min和最大值s_max分别进行确定。本实施例中，g_max=s_max=L-1，并且g_min=s_min=0。其中，L-1=255。 

步骤Ⅱ中计算得出的二维模糊熵的函数关系式为： 

$H\left(P\right)=-\underset{i=g_{\min }}{\overset{g_{\max }}{\mathrm{\&Sigma;}}}\underset{j=s_{\min }}{\overset{s_{\max }}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&mu;}}_o(i,j)h_{\mathrm{ij}}}{p\left(O\right)}\exp (1-\log \frac{{\mathrm{\&mu;}}_o(i,j)h_{\mathrm{ij}}}{p\left(O\right)})-\underset{i=g_{\min }}{\overset{g_{\max }}{\mathrm{\&Sigma;}}}\underset{j=s_{\min }}{\overset{s_{\max }}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&mu;}}_b(i,j)h_{\mathrm{ij}}}{p\left(B\right)}\exp (1-\log \frac{{\mathrm{\&mu;}}_b(i,j)h_{\mathrm{ij}}}{p\left(B\right)})---\left(3\right),$ 式(3)中 $p\left(O\right)=\underset{i=g_{\min }}{\overset{g_{\max }}{\mathrm{\&Sigma;}}}\underset{j=s_{\min }}{\overset{s_{\max }}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_o(i,j,)h_{\mathrm{ij}},$ $p\left(B\right)=\underset{i=g_{\min }}{\overset{g_{\max }}{\mathrm{\&Sigma;}}}\underset{j=s_{\min }}{\overset{s_{\max }}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_b(i,j,)h_{\mathrm{ij}},$ 其中h(i,j)为步骤Ⅰ中所述的点(i,j)发生的频率。 

步骤Ⅱ中利用粒子群优化算法对模糊参数组合进行优化时，所优化的模糊参数组合为(a,b,c,d)。 

本实施例中，步骤Ⅱ中进行二维模糊划分最大熵的参数组合优化时，包括以下步骤： 

步骤Ⅱ-1、粒子群初始化：将参数组合的一个取值作为一个粒子，并将多个粒子组成一个初始化的粒子群；记作(a_k,b_k,c_k,d_k)，其中k为正整数且其k=1、2、3、～、K，其中K为正整数且其为所述粒子群中所包含粒子的数量，a_k为参数a的一个随机取值，b_k为参数b的一个随机取值，c_k为参数c的一个随机取值，d_k为参数d的一个随机取值，a_k＜b_k且c_k＜d_k。 

本实施例中，K=15。 

实际使用时，可根据具体需要，将K在10～100之间进行取值。 

步骤Ⅱ-2、适应度函数确定： 

将 $H\left(P\right)=-\underset{i=g_{\min }}{\overset{g_{\max }}{\mathrm{\&Sigma;}}}\underset{j=s_{\min }}{\overset{s_{\max }}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&mu;}}_o(i,j)h_{\mathrm{ij}}}{p\left(O\right)}\exp (1-\log \frac{{\mathrm{\&mu;}}_o(i,j)h_{\mathrm{ij}}}{p\left(O\right)})-\underset{i=g_{\min }}{\overset{g_{\max }}{\mathrm{\&Sigma;}}}\underset{j=s_{\min }}{\overset{s_{\max }}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&mu;}}_b(i,j)h_{\mathrm{ij}}}{p\left(B\right)}\exp (1-\log \frac{{\mathrm{\&mu;}}_b(i,j)h_{\mathrm{ij}}}{p\left(B\right)})$ (3)，作为适应度函数。 

步骤Ⅱ-3、粒子适应度评价：对当前时刻所有粒子的适应度分别进行评价，且所有粒子的适应度评价方法均相同；其中，对当前时刻第k个粒子的适应度进行评价时，先根据步骤Ⅱ-2中所确定的适应度函数计算得出当前时刻第k个粒子的适应度值并记作fitnessk，并将计算得出的fitnessk与Pbestk进行差值比较：当比较得出fitnessk＞Pbestk时，Pbestk=fitnessk，并将更新为当前时间第k个粒子的位置，其中Pbestk为当前时刻第k个粒子所达到的最大适应度值且其为当前时刻第k个粒子的个体极值，

为当前时刻第k个粒子的个体最优位置；其中，t为当前迭代次数且其为正整数。 

待根据步骤Ⅱ-2中所确定的适应度函数将当前时刻所有粒子的适应度值均计算完成后，将当前时刻适应度值最大的粒子的适应度值记为fitnesskbest，并将fitnesskbest与gbest进行差值比较：当比较得出fitnesskbest＞gbest时，gbest=fitnesskbest，且将

更新为当前时间适应度值最大的粒子的位置，其中gbest为当前时刻的全局极值，

为当前时刻的群体最优位置。 

步骤Ⅱ-4、判断是否满足迭代终止条件：当满足迭代终止条件时，完成参数组合优化过程；否则，根据粒子中群优化算法更新得出下一时刻各粒子的位置和速度，并返回步骤Ⅱ-3。 

步骤Ⅱ-4中迭代终止条件为当前迭代次数t达到预先设定的最大迭代次数I_max或者Δg≤e，其中Δg=|gbest-gmax|，式中为gbest当前时刻的全局极值，gmax为原先设定的目标适应度值，e为正数且其为预先设定的偏差值。 

本实施例中，最大迭代次数I_max=30。实际使用时，可根据具体需要，将最大迭代次数I_max在20～200之间进行调整。 

本实施例中，步骤Ⅱ-1中进行粒子群初始化时，粒子(a_k,b_k,c_k,d_k)中(a_k,c_k)为第k个粒子的初始速度矢量，(b_k,d_k)为第k个粒子的初始位置。 

步骤Ⅱ-4中根据粒子中群优化算法更新得出下一时刻各粒子的位置和速度时，所有粒子的位置和速度的更新方法均相同；其中，对下一时刻第k个粒子的速度和位置进行更新时，先根据当前时刻第k个粒子的速度矢量、位置和个体极值Pbestk以及全局极值，计算得出下一时刻第k个粒子的速度矢量，并根据当前时刻第k个粒子的位置和计算得出的下一时刻第k个粒子的速度矢量计算得出下一时刻第k个粒子的位置。 

并且，步骤Ⅱ-4中对下一时刻第k个粒子的速度和位置进行更新时，根据 $v_k^{t+1}=\mathrm{\&omega;}{v}_k^t+c_1{r}_1(g_{\mathrm{kbest}}^t-x_k^t)+c_2{r}_2(g_{\mathrm{gbest}}^t-x_k^t)---\left(4\right)$ 和公式 $x_k^{t+1}=x_k^t+v_k^{t+1}---\left(5\right)$ 计算得出下一时刻第k个粒子的速度矢量

和位置

公式(4)和(5)中为当前时刻第k个粒子的位置，公式(4)中

为当前时刻第k个粒子的速 度矢量，c₁和c₂均为加速度系数且c₁+c₂=4，r₁和r₂为[0,1]之间的均匀分布的随机数；ω为惯性权重且其随迭代次数的增加线性减小， 

式中ω_max和ω_min分别为预先设定的惯性权重最大值和最小值，t为当前迭代次数，I_max为预先设定的最大迭代次数。 

本实施例中，ω_max=0.9，ω_min=0.4，c₁=c₂=2。 

本实施例中，步骤Ⅱ-1中进行粒子群初始化之前，需先对a_k、b_k、c_k和d_k的搜索范围进行确定，其中步骤Ⅰ中所述待分割图像的像素点灰度最小值为g_min且其最小值为g_max；像素点(m，n)的邻域大小为d×d个像素点且其邻域的平均灰度最小值s_min且其平均灰度最大值s_max，则a_k、b_k、c_k和d_k的搜索范围如下：a_k=g_min、…、g_max-1，b_k=g_min+1、…、g_max，c_k=s_min、…、s_max-1，d_k=s_min+1、…、s_max。也就是说，a_k、b_k、c_k和d_k分别为上述搜索范围内的一个随机取值。 

本实施例中，d=5。 

实际使用过程中，可以根据具体需要，对d的取值大小进行相应调整。 

步骤Ⅲ、图像分割：所述处理器利用步骤Ⅱ中优化后的模糊参数组合，并按照基于二维模糊划分最大熵的图像分割方法对所述待分割图像中的各像素点进行分类，并相应完成图像分割过程，获得分割后的目标图像。 

本实施例中，获得优化后的模糊参数组合为(a,b,c,d)后，根据最大隶属度原则对像素进行分类：其中当μ_o(i,j)≥0.5时，将此类像素点划分为目标区域，否则划分为背景区域，详见图3。图3中，μ_o(i,j)≥0.5所在的方格即表示为图像分割后的目标区域。 

以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。 

Claims (9)

1.一种图像增强及分割方法，其特征在于该方法包括以下步骤：

步骤一、图像增强：通过处理器且采用基于模糊逻辑的图像增强方法，对需处理图像进行增强处理，过程如下：

步骤ⅰ、由图像域变换到模糊域：根据隶属度函数 ${\mathrm{\&mu;}}_{\mathrm{gh}}=T\left(x_{\mathrm{gh}}\right)=\left\{\begin{array}{cc}{x}_{\mathrm{gh}}/X_T& x_{\mathrm{gh}}\&le;X_T\\ x_{\mathrm{gh}}/X_{\max }& x_{\mathrm{gh}}>X_T\end{array}\right.---\left(7\right),$ 将需处理图像各像素点的灰度值均映射成模糊集的模糊隶属度，并相应获得需处理图像的模糊集；式中x_gh为所述待增强图像中任一像素点（g，h）的灰度值，X_T为采用基于模糊逻辑的图像增强方法对需处理图像进行增强处理时所选取的灰度阈值，X_max为需处理图像的最大灰度值；所述需处理图像为大小为M×N个像素点的数字图像；

步骤ⅱ、在模糊域利用模糊增强算子进行模糊增强处理：所采用的模糊增强算子为μ'_gh=I_r(μ_gh)=I_r(I_r-1μ_gh)，式中r为迭代次数且其为正整数，r=1、2、…；其中 $I_1\left({\mathrm{\&mu;}}_{\mathrm{gh}}\right)=\left\{\begin{array}{cc}{\mathrm{\&mu;}}_{\mathrm{gh}}^2/{\mathrm{\&mu;}}_c& 0\&le;{\mathrm{\&mu;}}_{\mathrm{gh}}\&le;{\mathrm{\&mu;}}_c\\ 1-{(1-{\mathrm{\&mu;}}_{\mathrm{gh}})}^2/(1-{\mathrm{\&mu;}}_c)& {\mathrm{\&mu;}}_c\&le;{\mathrm{\&mu;}}_{\mathrm{gh}}\&le;1\end{array}\right.,$ 式中μ_c=T(X_C)，其中X_C为渡越点且X_C=X_T；

步骤ⅲ、由模糊域逆变换到图像域：根据公式将模糊增强处理后得到的μ′_gh进行逆变换，获得增强处理后数字图像中各像素点的灰度值，并获得增强处理后的数字图像；

步骤二、图像分割：所述处理器调用图像分割处理模块，且按照基于二维模糊划分最大熵的图像分割方法对步骤一中增强处理后的数字图像即待分割图像进行分割。

2.按照权利要求1所述的一种图像增强及分割方法，其特征在于：步骤二中按照基于二维模糊划分最大熵的图像分割方法对待分割图像进行分割，过程如下：

步骤Ⅰ、二维直方图建立：采用所述处理器建立所述待分割图像的关于像素点灰度值与邻域平均灰度值的二维直方图；该二维直方图中任一点记为(i,j)，其中i为该二维直方图的横坐标值且其为所述待分割图像中任一像素点(m，n)的灰度值，j为该二维直方图的纵坐标值且其为该像素点(m，n)的邻域平均灰度值；所建立二维直方图中任一点(i,j)发生的频数记为C(i,j)，且点(i,j)发生的频率记为h(i,j)，其中

步骤Ⅱ、模糊参数组合优化：所述处理器调用模糊参数组合优化模块，且利用粒子群优化算法对基于二维模糊划分最大熵的图像分割方法所用的模糊参数组合进行优化，并获得优化后的模糊参数组合；

本步骤中，对模糊参数组合进行优化之前，先根据步骤Ⅰ中所建立的二维直方图，计算得出对所述待分割图像进行分割时的二维模糊熵的函数关系式，并将计算得出的二维模糊熵的函数关系式作为利用粒子群优化算法对模糊参数组合进行优化时的适应度函数；

步骤Ⅲ、图像分割：所述处理器利用步骤Ⅱ中优化后的模糊参数组合，并按照基于二维模糊划分最大熵的图像分割方法对所述待分割图像中的各像素点进行分类，并相应完成图像分割过程，获得分割后的目标图像。

3.按照权利要求1或2所述的一种图像增强及分割方法，其特征在于：步骤ⅰ中由图像域变换到模糊域之前，先采用最大类间方差法对灰度阈值X_T进行选取。

4.按照权利要求3所述的一种图像增强及分割方法，其特征在于：采用最大类间方差法对灰度阈值X_T进行选取之前，先从所述待增强图像的灰度变化范围中找出像素点数量为0的所有灰度值，并采用所述处理器将找出的所有灰度值均标记为免计算灰度值；采用最大类间方差法对灰度阈值X_T进行选取时，对所述待增强图像的灰度变化范围中除所述免计算灰度值之外的其它灰度值作为阈值时的类间方差值进行计算，并从计算得出的类间方差值找出最大类间方差值，所找出最大类间方差值对应的灰度值便为灰度阈值X_T。

5.按照权利要求1或2所述的一种图像增强及分割方法，其特征在于：步骤ⅱ中进行模糊增强处理之前，先采用低通滤波方法对步骤ⅰ中所获得的需处理图像的模糊集进行平滑处理；实际进行低通滤波处理时，所采用的滤波算子为 $\frac{1}{16}\left[\begin{array}{ccc}1& 2& 1\\ 2& 4& 2\\ 1& 2& 1\end{array}\right].$

6.按照权利要求2所述的一种图像增强及分割方法，其特征在于：步骤Ⅰ中所述待分割图像由目标图像O和背景图像P组成；其中目标图像O的隶属度函数为μ_o(i,j)=μ_ox(i;a,b)μ_oy(j;c,d)(1);背景图像P的隶属度函数μ_b(i,j)=μ_bx(i;a,b)μ_oy(j;c,d)+μ_ox(i;a,b)μ_by(j;c,d)+μ_bx(i;a,b)μ_by(j;c,d)  (2);

式(1)和(2)中，μ_ox(i;a,b)和μ_oy(j;c,d)均为目标图像O的一维隶属度函数且二者均为S函数，μ_bx(i;a,b)和μ_by(j;c,d)均为背景图像P的一维隶属度函数且二者均为S函数，μ_bx(i;a,b)=1-μ_ox(i;a,b)，μ_by(j;c,d)=1-μ_oy(j;c,d)，其中a、b、c和d均为对目标图像O和背景图像P的一维隶属度函数形状进行控制的参数；

步骤Ⅱ中对二维模糊熵的函数关系式进行计算时，先根据步骤Ⅰ中所建立的二维直方图，对所述待分割图像的像素点灰度值的最小值g_min和最大值g_max以及邻域平均灰度值的最小值s_min和最大值s_max分别进行确定；

步骤Ⅱ中计算得出的二维模糊熵的函数关系式为：

$H\left(P\right)=-\underset{i=g_{\min }}{\overset{g_{\max }}{\mathrm{\&Sigma;}}}\underset{j=s_{\min }}{\overset{s_{\max }}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&mu;}}_o(i,j)h_{\mathrm{ij}}}{p\left(O\right)}\exp (1-\log \frac{{\mathrm{\&mu;}}_o(i,j)h_{\mathrm{ij}}}{p\left(O\right)})-\underset{i=g_{\min }}{\overset{g_{\max }}{\mathrm{\&Sigma;}}}\underset{j=s_{\min }}{\overset{s_{\max }}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&mu;}}_b(i,j)h_{\mathrm{ij}}}{p\left(B\right)}\exp (1-\log \frac{{\mathrm{\&mu;}}_b(i,j)h_{\mathrm{ij}}}{p\left(B\right)})---\left(3\right),$ 式(3)中 $p\left(O\right)=\underset{i=g_{\min }}{\overset{g_{\max }}{\mathrm{\&Sigma;}}}\underset{j=s_{\min }}{\overset{s_{\max }}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_o(i,j,)h_{\mathrm{ij}},$ $p\left(B\right)=\underset{i=g_{\min }}{\overset{g_{\max }}{\mathrm{\&Sigma;}}}\underset{j=s_{\min }}{\overset{s_{\max }}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_b(i,j,)h_{\mathrm{ij}},$ 其中h(i,j)为步骤Ⅰ中所述的点(i,j)发生的频率；

步骤Ⅱ中利用粒子群优化算法对模糊参数组合进行优化时，所优化的模糊参数组合为(a,b,c,d)。

7.按照权利要求6所述的一种图像增强及分割方法，其特征在于：步骤Ⅱ中进行二维模糊划分最大熵的参数组合优化时，包括以下步骤：

步骤Ⅱ-1、粒子群初始化：将参数组合的一个取值作为一个粒子，并将多个粒子组成一个初始化的粒子群；记作(a_k,b_k,c_k,d_k)，其中k为正整数且其k=1、2、3、～、K，其中K为正整数且其为所述粒子群中所包含粒子的数量，a_k为参数a的一个随机取值，b_k为参数b的一个随机取值，c_k为参数c的一个随机取值，d_k为参数d的一个随机取值，a_k＜b_k且c_k＜d_k；

步骤Ⅱ-2、适应度函数确定：

将 $H\left(P\right)=-\underset{i=g_{\min }}{\overset{g_{\max }}{\mathrm{\&Sigma;}}}\underset{j=s_{\min }}{\overset{s_{\max }}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&mu;}}_o(i,j)h_{\mathrm{ij}}}{p\left(O\right)}\exp (1-\log \frac{{\mathrm{\&mu;}}_o(i,j)h_{\mathrm{ij}}}{p\left(O\right)})-\underset{i=g_{\min }}{\overset{g_{\max }}{\mathrm{\&Sigma;}}}\underset{j=s_{\min }}{\overset{s_{\max }}{\mathrm{\&Sigma;}}}\frac{{\mathrm{\&mu;}}_b(i,j)h_{\mathrm{ij}}}{p\left(B\right)}\exp (1-\log \frac{{\mathrm{\&mu;}}_b(i,j)h_{\mathrm{ij}}}{p\left(B\right)})$ (3)，作为适应度函数；

步骤Ⅱ-3、粒子适应度评价：对当前时刻所有粒子的适应度分别进行评价，且所有粒子的适应度评价方法均相同；其中，对当前时刻第k个粒子的适应度进行评价时，先根据步骤Ⅱ-2中所确定的适应度函数计算得出当前时刻第k个粒子的适应度值并记作fitnessk，并将计算得出的fitnessk与Pbestk进行差值比较：当比较得出fitnessk＞Pbestk时，Pbestk=fitnessk，并将

更新为当前时间第k个粒子的位置，其中Pbestk为当前时刻第k个粒子所达到的最大适应度值且其为当前时刻第k个粒子的个体极值，

为当前时刻第k个粒子的个体最优位置；其中，t为当前迭代次数且其为正整数；

待根据步骤Ⅱ-2中所确定的适应度函数将当前时刻所有粒子的适应度值均计算完成后，将当前时刻适应度值最大的粒子的适应度值记为fitnesskbest，并将fitnesskbest与gbest进行差值比较：当比较得出fitnesskbest＞gbest时，gbest=fitnesskbest，且将更新为当前时间适应度值最大的粒子的位置，其中gbest为当前时刻的全局极值，为当前时刻的群体最优位置；

步骤Ⅱ-4、判断是否满足迭代终止条件：当满足迭代终止条件时，完成参数组合优化过程；否则，根据粒子中群优化算法更新得出下一时刻各粒子的位置和速度，并返回步骤Ⅱ-3；

步骤Ⅱ-4中迭代终止条件为当前迭代次数t达到预先设定的最大迭代次数I_max或者Δg≤e，其中Δg=|gbest-gmax|，式中为gbest当前时刻的全局极值，gmax为原先设定的目标适应度值，e为正数且其为预先设定的偏差值。

8.按照权利要求7所述的一种图像增强及分割方法，其特征在于：步骤Ⅱ-1中进行粒子群初始化时，粒子(a_k,b_k,c_k,d_k)中(a_k,c_k)为第k个粒子的初始速度矢量，(b_k,d_k)为第k个粒子的初始位置；

步骤Ⅱ-4中根据粒子中群优化算法更新得出下一时刻各粒子的位置和速度时，所有粒子的位置和速度的更新方法均相同；其中，对下一时刻第k个粒子的速度和位置进行更新时，先根据当前时刻第k个粒子的速度矢量、位置和个体极值Pbestk以及全局极值，计算得出下一时刻第k个粒子的速度矢量，并根据当前时刻第k个粒子的位置和计算得出的下一时刻第k个粒子的速度矢量计算得出下一时刻第k个粒子的位置。

9.按照权利要求8所述的一种图像增强及分割方法，其特征在于：步骤Ⅱ-4中对下一时刻第k个粒子的速度和位置进行更新时，根据 $v_k^{t+1}=\mathrm{\&omega;}{v}_k^t+c_1{r}_1(g_{\mathrm{kbest}}^t-x_k^t)+c_2{r}_2(g_{\mathrm{gbest}}^t-x_k^t)---\left(4\right)$ 和公式 $x_k^{t+1}=x_k^t+v_k^{t+1}---\left(5\right)$ 计算得出下一时刻第k个粒子的速度矢量

和位置

公式(4)和(5)中

为当前时刻第k个粒子的位置，公式(4)中

为当前时刻第k个粒子的速度矢量，c₁和c₂均为加速度系数且c₁+c₂=4，r₁和r₂为[0,1]之间的均匀分布的随机数；ω为惯性权重且其随迭代次数的增加线性减小，式中ω_max和ω_min分别为预先设定的惯性权重最大值和最小值，t为当前迭代次数，I_max为预先设定的最大迭代次数。

Images