摘  要： 圖像是人類感知世界的視覺基礎，然而在人類通過視覺獲取的大量圖像信息中，并不是所有的信息內容都是我們所需要的，所以需要把圖像分成若干個特定的、具有獨特性質的區(qū)域。本文對圖像分割方法進行了研究，給出了一種基于模糊邏輯的自適應閾值圖像分割方法，并將其應用于車牌圖像中，在MATLAB環(huán)境下對兩幅典型圖像通過Otsu方法、脈沖耦合神經網絡算法和本文所提算法進行仿真分析，結果對比分析顯示本文方法在綜合方面略優(yōu)于其他兩種對比方法。

　　關鍵詞： 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特定的、具有獨特性質的區(qū)域并提出感興趣目標的技術和過程[1]。對車牌圖像進行有效的分割是后續(xù)對車牌字符分割的基礎，合理的分割結果能更好地找到圖像中的有用信息并方便對其進行處理。自1965年美國數學家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，應用的范圍非常廣泛，其中利用模糊數學這一工具來處理具有模糊不確定性的信息就叫做模糊信息處理。

　　本文通過改進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，并且將其應用于車牌圖像分割中，同時對本文算法與其他圖像分割方法進行對比仿真分析。

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，可以借助模糊集與系統(tǒng)理論來理解、表示和處理分割圖像，得益于圖像固有的內在模糊性，從而為模糊集與系統(tǒng)理論的應用提供了用武之地。

　　一幅圖像擁有不同的特征值，本方法通過圖像灰度對圖像進行分割。對于一幅M×N圖像，其灰度級為0～255，但對于一幅具體的圖像來說，灰度級可能不會覆蓋全部的256個階，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，設定目標為車牌，圖像其他部分為背景，其灰度直方圖如圖1所示。

　　首先通過原有分割算法對圖像進行預分割，通過預分割得到背景（Background Region，BR）及目標區(qū)域（0bject Region，OR）。隨機選取有限個背景和目標區(qū)域像素點，結合灰度直方圖計算其灰度均值，得到gb和go分別為背景與目標區(qū)域閾值。獲得目標區(qū)域OR、模糊區(qū)域（Fuzzy Region，FR）以及背景區(qū)域BR的灰度范圍為[gmin，go]，[go，gb]以及[gb，gmax]。

　　然后，將目標和背景兩個區(qū)域的成員函數使用S函數和S函數來進行建模，其中將背景參考區(qū)域和目標參考區(qū)域視為灰度集[0，1，…，F-1]的兩個模糊子集。S函數和S函數如圖2所示。

　　其中：

　　顯然，通過將灰度集轉換為直方圖后做加權，得到的算術平均量為S函數和S函數中的參數b。進而通過b與最大最小灰度值之間的最小距離可以確定參數a和參數c。

　　描述模糊度的方法有很多，例如數量積法、相關系數法、最大最小法、絕對值指數法、非參數法等。選用貼近度法中的距離貼進度，選用Lance函數作為描述模糊集的不確定度函數，Lance的距離公式為：

　　所以由式（5）可以計算出目標區(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LBR和LOR。

　　通過比較η1和η2的大小，判斷gFR的加入是對背景還是對目標區(qū)域的影響更大。若η1>η2，則gFR對目標區(qū)域模糊子集影響更大，即與目標區(qū)域相似度更高，所以應將gFR劃入背景區(qū)域的模糊集。對模糊區(qū)域的灰度做同樣處理，則會有某一灰度值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Lena圖像和車牌圖像進行分割處理，并比較其分割效果。

　　2.1 仿真結果

　　在仿真實驗中分別對Lena圖像和車牌圖像使用Otsu方法、脈沖耦合神經網絡方法以及本文方法進行分割。對三種方法運用在三幅不同圖像中的信息熵、類間方差以及響應處理時間進行比較。其中信息熵公式為香農公式：

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

　　實驗對比結果如圖3、圖4和表1、表2所示。

　　2.2 仿真分析

　　由上述實驗結果可看出本文算法能夠較好地處理背景區(qū)域與目標區(qū)域間的過渡區(qū)，并且能夠較完整地呈現圖像的細節(jié)。本文方法克服了脈沖耦合神經網絡方法中響應時間過長的缺點，同時在類間方差以及信息熵方面優(yōu)于Otsu方法。

3 結束語

　　本文通過將模糊數學中的模糊隸屬度函數和模糊度函數與閾值分割相結合，得到一種基于模糊邏輯的自適應閾值圖像分割方法。同時用實驗仿真的方式將本文方法與Otsu方法以及脈沖耦合神經網絡方法進行了比較。實驗證明，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圖像細節(jié)。

參考文獻

　　[1] GONZALEZ R C， WOODS R E. 數字圖像處理（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].計算機工程與科學，2009，31（12）：58-60.

　　[3] 趙娜.基于模糊理論的車牌圖像分割與識別系統(tǒng)研究[D].長春：長春理工大學，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].電子學報，2012，38（2A）：76-80.

　　[5] 章毓晉.圖像分割[M].北京：科學出版社，2001.

　　[6] 杜曉晨，劉建平.改進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：西安郵電學院，2007.