云模型图像分割.pptx

基于云理论的图像分割
参考文献:
1.《基于云模型的图像分割方法研究》秦昆,李德毅,许凯
2.《基于云理论的图像分割技术研究》葛秘蕾
基于云变换的图像分割过程
输入图像
云变换
概念树生成和跃升
极大判定法
区域生长法
输出图像
云模型
云模型能很好地表达概念的不确定性,可以有效地研究图像分割中的不确定性问题。
云模型的数字特征: 期望 Ex 熵 En 超熵 He
Ex是云滴在论域空间分布的期望,就是最能够代表定性概念的点,反映了这个概念的云滴群的云重心。
En是定性概念的不确定性度量,反映了能够代表这个定性概念的云滴的离散程度,反映了论域空间中可被概念接受的云滴的取值范围。
He是熵的不确定性的度量,反映了在数域空间代表该
概念的所有点的不确定度的凝聚性,即云滴的凝聚度。
cloud(20,3,,1000)
云变换 Cloud Transformation
数学中已经证明:任意一种概率分布都可以被分解为若干个正态分布之和。
受此启发,可以把一个频率分布看做是若干个正态云的叠加,实现从定量数据到定性概念的转换。
云变换 Cloud Transformation
图像的灰度直方图:
泛概念树:
将通过云变换算法生成的一系列子云表示的原子概念作为泛概念树的叶子结点,泛概念树的自动生成就是要在叶结点的基础上,逐级进行概念提升,生成较高层次的概念,最终生成根结点
用云模型构造的概念树,是一种具有不确定性的泛概念树,同一个层次的各个概念之间的区分不是硬性的,允许有一定的交叉重叠,相同的属性值可能分属不同的概念,不同的属性值对概念的贡献程度也不同
概念跃升就是指在泛概念树叶结点的基础上,直接
将概念提升到所需的概念粒度或概念层次。
概念树
0-10
10-20
20-30
30-40
40-50
0-20
50-60
20-40
40-60
0-20
0-40