图像处理基础——空间滤波之模糊集合增强图像

       在计算机编程的时候，常常会使用一种“干脆的”集合。在判断某件事，或者某个变量的时候，常常使用的是布尔值（因为某件事，不是真就是假）。通过一个阈值，去判断这件事，而这样的一个阈值的设定，会产生一个问题。还是使用《Digital Image Processing》 Rafael C. Gonzalez / Richard E. Woods书中的例子，看以下两个图。

                                

       当一个人的年龄超过20岁，那么这个人就不再属于年轻人范畴。这样来说，未免有些太过“残忍”，毕竟，20多岁的人还是“比较”年轻的。这里就出现了一个模糊的定义，“比较”年轻，这个集合既不属于年轻，也不属于非年轻，也就是其实年轻与非年轻之间的过度不应该是干脆的，而应该是渐进的过度。

       定义Z为对象集，其中，z表示Z中的一类元素（比如z表示年龄）。Z中的一个模糊集合A主要由一个隶属度(Degree of membership)来表示。对此，模糊集合A是一个由z值和隶属度函数组成的集合，即

                                                             

        当的时候，所有的z是模糊集合A的完全成员；当的时候，所有的z都不是模糊集合A的成员，当的值介于0和1之间，那么此时的z称为模糊集合A的不完全成员。

       下面，还有几个重要的性质。

       对于所有的，模糊集合A的补集(NOT)，其隶属度函数如下所示。

                                                            

       对于所有的，模糊集合A与模糊集合B的并集(OR)U，其隶属度函数如下所示。

                                                         

       对于所有的，模糊集合A与模糊集合B的交集(AND)I，其隶属度函数如下所示。

                                                   

       到这里，其实已经可以用模糊集合来做一些事情了。对于一个问题的处理，在使用模糊集合来解决的时候，我们可以参考以下步骤。首先，需要将输入量折算为隶属度，这个过程叫做“模糊化”。然后，使用得到的隶属度来进行计算，或者判断，或者其他更复杂的算法。最后，需要将隶属度再次折算为输出，这个过程称为“去模糊”或者“反模糊”。

        模糊集合为处理不严密信息提供了一种形式。将模糊与模糊隶属度函数之间的关联变量称为fuzification；通常用IF-THEN规则描述有关问题的知识。下面我们寻找一种方法，使用输入和问题的先验知识建立模糊系统的输出。

　　　通常应用实现步骤为：

　（１）模糊输入：将IF-THEN规则描述的先验知识映射到[0,1]区间，找到每个标量对应的模糊值。

　（２）执行任何需要的模糊逻辑操作（AND、OR、NOT）,将所有输出组合到一起；利用一种推断方法，每个规则得到单一输出。

　（３）应用聚合方法将所有规则的输出组合到一起，得到单个的输出模糊集合。

　（４）对最后的输出去模糊化，得到“干脆”标量输出。（可以求模糊集的重心）

一、使用模糊集合进行灰度变换

        使用模糊集合来进行灰度变换，从而增强图像。首先可以在常理下考虑一下，一般的对于动态范围较小的图像，我们一般的处理的方法是灰度拉升，或者直方图均衡。

         这两种的方法的本质就是，让原图较暗的像素更加暗，让原图较亮的像素更加亮。那么，我们规定如下模糊规则

                           R1：IF 一个像素是暗的，THEN 让这个像素更暗；

                           R2：IF 一个像素是灰的，THEN 让他保持是灰的；

                           R3：IF 一个像素是亮的，THEN 让这个像素更亮；

        这个规则就代表了我们的处理方法。当然，IF条件中的像素是暗的(或者灰的，或者是亮的)，这个概念都是模糊的。同理THEN结论中的更暗(或者保持灰的，或者更亮)亦是模糊的。为此，我们需要确立一个隶属度函数，从而来判断一个像素对于三个条件的隶属度。

        实际上，隶属度函数的确定是很复杂的，然而，这里我们则尽量想得简单一点。首先，一个像素是暗的(模糊)，那么其隶属度函数大致的形状是，

• • 在低于某个值的时候域隶属度为1，
  • 在灰度越过某一个值之后，其隶属度为0，
  • 当然。然后与之间进行线性插值，那么，我们就可以得到R1的隶属度函数了。同理，R2与R3也是一样的。

        为了简单起见，我们将THEN结论中的更暗设置为较为简单的函数。

• • 为了让这个像素更黑，其输出都为0。同理，
  • 为了使这个像素保持灰的，我们将其输出设为0.5，
  • 为了使得一个像素更亮，我们将其设置为1。

        根据以上讨论，我们所决定的隶属度函数如下所示。

                             

使用输入的隶属度函数，可以得到模糊化后的数据。

        对于一个像素，需要根据规则R1，R2与R3，计算出所对应的隶属度，与，这个过程，称之为模糊化。将一个输入量模糊化，所使用的函数(或者说是对应关系)，称之为知识库。 

         模糊化之后，得到一个像素所对应的三个隶属度，与之后，就可以进行反模糊化了。反模糊化的算法很多，这里使用简单的重心法去进行计算。

                               

         其中Vd，Vg，Vb为输出的单一值，对于一个像素，需要根据规则R1，R2与R3，计算出所对应的隶属度，与。得到一个权值衡量后的成熟度估计值，最为输出值。到此，就得到了输出，整个算法的效果如下图所示。

实例：

                                           

                                    

        根据以上算法，所得到的结果还是比较理想的。从灰度直方图来看，处理后的图像的直方图的动态范围得到了扩展，所得的图像也比原图更加的明亮清晰，图片的一些细节处理的较为妥当。

---

将隶属度函数重叠起来看，理解的重点：

                                                                         

                                         

 关键就在这里，自定义了一个标准，这就是精髓。

模糊集图像增强算法有很多。归纳主要为以下步骤：

• 第一步、设计隶属度函数将图像从空间域变换到模糊集域。
• 第二步、设计模糊增强算子，在模糊集域对图像进行处理。
• 第三步、根据第一步的隶属度函数重新将图像从模糊集域变换到空间域。     

在此根据[1]所述的隶属度函数和模糊增强算子，进行图像增强实现，代码如下所示：

实验结果：

原始图像：                                                                                     模糊集图像增强实现效果图

                      

二、使用模糊集合进行边缘检测

       为了更深刻的理解模糊集合的性质，可以将规则的难度加深一些。若想进行一幅图像的边缘检测，在空间域上的想法是：“如果一个像素是处在平滑区域的，那么使得这个像素为亮，否则，则使得这个像素为暗。”为了使得这个算法在模糊集合的概念可以用，我们可以考虑使用灰度差来表示像素的平滑程度。

                                                          

       如上图所示，我们将一个像素8个相邻的像素，各减去这个像素的值，即。我们可以得到如上图右侧的结果。基与此，可以推出以下规则。

                                                    

        注意，上述的zero，white与black都是模糊的概念。同样的，根据这三个规则模糊化之后，用重心法去模糊。同时，我们还希望，当两个点的灰度很接近的时候，去模糊能给予一个很强的响应，将灰度拉至很高(很亮)。所以，我们的输入隶属度函数需要再0处有一个较大的隶属度，这里，我使用了高斯分布的一部分。其输出隶属度函数，也不是像上面的例子一样简单，我希望若是白色的隶属度很高，其输出的灰度值就越高(越亮)，反之则越低(越暗)。根据上述，我指定的输入输出隶属度函数如下所示。

                               

        以上规则还出现了几个比较需要注意的地方。我们制定规则的时候，使用了AND，将两个条件相连了。这里在模糊集合里面，就相当于两个模糊集合的交集。首先，应该依次算出两个条件所对应的隶属度的值，然后，取最小值即可，如下所示。

                                                          

        其次，这里还出现了ELSE语句，这里，可以视为以上四个条件的补集的交集(有点拗口)。其实看数学式的话，应该很好明白的。

                                                            

        到这里，我们就可以顺利的算出上述五个条件的隶属度，然后同样的，使用最简单的重心法，就可以得到结果了。结果如下所示。

                                    

        从结果可以看出来，根据整定的规则，我们已经很好的得到了图像的边缘。在这幅图像上再次进行加工，二值化什么的，就比较容易了。所得到的结果图像还是比较清晰的。

---

转自：

https://blog.csdn.net/sysu_stone/article/details/10514963

https://blog.csdn.net/songzitea/article/details/18186013

https://blog.csdn.net/zhoufan900428/article/details/13502329