摘  要： 圖像是人類感知世界的視覺(jué)基礎(chǔ),，然而在人類通過(guò)視覺(jué)獲取的大量圖像信息中,，并不是所有的信息內(nèi)容都是我們所需要的，所以需要把圖像分成若干個(gè)特定的,、具有獨(dú)特性質(zhì)的區(qū)域,。本文對(duì)圖像分割方法進(jìn)行了研究，給出了一種基于模糊邏輯的自適應(yīng)閾值圖像分割方法,，并將其應(yīng)用于車牌圖像中,，在MATLAB環(huán)境下對(duì)兩幅典型圖像通過(guò)Otsu方法、脈沖耦合神經(jīng)網(wǎng)絡(luò)算法和本文所提算法進(jìn)行仿真分析,，結(jié)果對(duì)比分析顯示本文方法在綜合方面略優(yōu)于其他兩種對(duì)比方法,。

　　關(guān)鍵詞： 圖像分割；閾值法,；模糊邏輯,；MATLAB

0 引言

　　所謂圖像分割，就是把圖像分成若干個(gè)特定的,、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過(guò)程[1],。對(duì)車牌圖像進(jìn)行有效的分割是后續(xù)對(duì)車牌字符分割的基礎(chǔ)，合理的分割結(jié)果能更好地找到圖像中的有用信息并方便對(duì)其進(jìn)行處理,。自1965年美國(guó)數(shù)學(xué)家L.Zadeh首次提出了Fuzzy集合的概念,，模糊理論發(fā)展至今已接近三十余年，應(yīng)用的范圍非常廣泛,，其中利用模糊數(shù)學(xué)這一工具來(lái)處理具有模糊不確定性的信息就叫做模糊信息處理,。

　　本文通過(guò)改進(jìn)原有的一些模糊閾值分割方法,，提出了一種基于模糊邏輯的圖像分割方法，并且將其應(yīng)用于車牌圖像分割中,，同時(shí)對(duì)本文算法與其他圖像分割方法進(jìn)行對(duì)比仿真分析,。

1 基于模糊邏輯的圖像分割算法

　　圖像分割的目的是將圖像中有用的信息提取出來(lái)，可以借助模糊集與系統(tǒng)理論來(lái)理解,、表示和處理分割圖像,，得益于圖像固有的內(nèi)在模糊性，從而為模糊集與系統(tǒng)理論的應(yīng)用提供了用武之地,。

　　一幅圖像擁有不同的特征值,，本方法通過(guò)圖像灰度對(duì)圖像進(jìn)行分割。對(duì)于一幅M×N圖像,，其灰度級(jí)為0～255,，但對(duì)于一幅具體的圖像來(lái)說(shuō)，灰度級(jí)可能不會(huì)覆蓋全部的256個(gè)階,，所以可以由圖像的灰度直方圖得到圖像灰度的范圍為0~F-1,。本文以車牌圖像為例，設(shè)定目標(biāo)為車牌,，圖像其他部分為背景,，其灰度直方圖如圖1所示。

　　首先通過(guò)原有分割算法對(duì)圖像進(jìn)行預(yù)分割,，通過(guò)預(yù)分割得到背景（Background Region,，BR）及目標(biāo)區(qū)域（0bject Region，OR）,。隨機(jī)選取有限個(gè)背景和目標(biāo)區(qū)域像素點(diǎn),，結(jié)合灰度直方圖計(jì)算其灰度均值，得到gb和go分別為背景與目標(biāo)區(qū)域閾值,。獲得目標(biāo)區(qū)域OR,、模糊區(qū)域（Fuzzy Region，F(xiàn)R）以及背景區(qū)域BR的灰度范圍為[gmin,，go],，[go，gb]以及[gb,，gmax],。

　　然后，將目標(biāo)和背景兩個(gè)區(qū)域的成員函數(shù)使用S函數(shù)和S函數(shù)來(lái)進(jìn)行建模,，其中將背景參考區(qū)域和目標(biāo)參考區(qū)域視為灰度集[0,，1，…，F(xiàn)-1]的兩個(gè)模糊子集,。S函數(shù)和S函數(shù)如圖2所示,。

　　其中：

　　顯然，通過(guò)將灰度集轉(zhuǎn)換為直方圖后做加權(quán),，得到的算術(shù)平均量為S函數(shù)和S函數(shù)中的參數(shù)b,。進(jìn)而通過(guò)b與最大最小灰度值之間的最小距離可以確定參數(shù)a和參數(shù)c。

　　描述模糊度的方法有很多,，例如數(shù)量積法,、相關(guān)系數(shù)法、最大最小法,、絕對(duì)值指數(shù)法,、非參數(shù)法等。選用貼近度法中的距離貼進(jìn)度,，選用Lance函數(shù)作為描述模糊集的不確定度函數(shù)，Lance的距離公式為：

　　所以由式（5）可以計(jì)算出目標(biāo)區(qū)域OR和背景區(qū)域BR的模糊度,，式（5）中A（xij）=A（xij,，a，b）或A′（xij,，b,，c），算得模糊度為L(zhǎng)BR和LOR,。

　　通過(guò)比較η1和η2的大小,，判斷gFR的加入是對(duì)背景還是對(duì)目標(biāo)區(qū)域的影響更大。若η1>η2,，則gFR對(duì)目標(biāo)區(qū)域模糊子集影響更大,，即與目標(biāo)區(qū)域相似度更高，所以應(yīng)將gFR劃入背景區(qū)域的模糊集,。對(duì)模糊區(qū)域的灰度做同樣處理,，則會(huì)有某一灰度值gd使η1（gd）=η2（gd），則gd為分割閾值,。

2 仿真研究

　　本文分別用不同的分割方法對(duì)Lena圖像和車牌圖像進(jìn)行分割處理,，并比較其分割效果。

　　2.1 仿真結(jié)果

　　在仿真實(shí)驗(yàn)中分別對(duì)Lena圖像和車牌圖像使用Otsu方法,、脈沖耦合神經(jīng)網(wǎng)絡(luò)方法以及本文方法進(jìn)行分割,。對(duì)三種方法運(yùn)用在三幅不同圖像中的信息熵、類間方差以及響應(yīng)處理時(shí)間進(jìn)行比較,。其中信息熵公式為香農(nóng)公式：

　　M×N為圖片大小,，（s，t）是選取的閾值點(diǎn)，?滋n（i,，j）表示（x,，y）處像素在圖像中具有的隸屬函數(shù)，Pij表示（i,，j）出現(xiàn)的頻率,。

　　實(shí)驗(yàn)對(duì)比結(jié)果如圖3、圖4和表1,、表2所示,。

　　2.2 仿真分析

　　由上述實(shí)驗(yàn)結(jié)果可看出本文算法能夠較好地處理背景區(qū)域與目標(biāo)區(qū)域間的過(guò)渡區(qū)，并且能夠較完整地呈現(xiàn)圖像的細(xì)節(jié),。本文方法克服了脈沖耦合神經(jīng)網(wǎng)絡(luò)方法中響應(yīng)時(shí)間過(guò)長(zhǎng)的缺點(diǎn),，同時(shí)在類間方差以及信息熵方面優(yōu)于Otsu方法。

3 結(jié)束語(yǔ)

　　本文通過(guò)將模糊數(shù)學(xué)中的模糊隸屬度函數(shù)和模糊度函數(shù)與閾值分割相結(jié)合,，得到一種基于模糊邏輯的自適應(yīng)閾值圖像分割方法,。同時(shí)用實(shí)驗(yàn)仿真的方式將本文方法與Otsu方法以及脈沖耦合神經(jīng)網(wǎng)絡(luò)方法進(jìn)行了比較。實(shí)驗(yàn)證明,，本文方法綜合性能優(yōu)于其他兩種算法,，而且能夠較完整地呈現(xiàn)圖像細(xì)節(jié)。

參考文獻(xiàn)

　　[1] GONZALEZ R C,， WOODS R E. 數(shù)字圖像處理（第三版）[M]．阮秋琦,，阮宇智，等,，譯.北京：電子工業(yè)出版社,，2012．

　　[2] 何俊，葛紅,，王玉峰.圖像分割算法研究綜述[J].計(jì)算機(jī)工程與科學(xué),，2009，31（12）：58-60.

　　[3] 趙娜.基于模糊理論的車牌圖像分割與識(shí)別系統(tǒng)研究[D].長(zhǎng)春：長(zhǎng)春理工大學(xué),，2008.

　　[4] 許新征,，丁世飛，史忠植,，等.圖像分割的新理論和新方法[J].電子學(xué)報(bào),，2012，38（2A）：76-80.

　　[5] 章毓晉.圖像分割[M].北京：科學(xué)出版社,，2001.

　　[6] 杜曉晨,，劉建平.改進(jìn)的模糊閾值圖像分割方法[J].光電工程，2010,，32（10）：51-53.

　　[7] 趙鳳.基于模糊熵理論的若干圖象分割方法研究[D].西安：西安郵電學(xué)院,，2007.