模糊连接度

用OpenCV实现模糊连接度分割（Fuzzy Connectedness Segment）。

概述

随机性和模糊性是两种不同的不确定性，概率论用于前者，而模糊集合则用于出来后者。由于模糊集合理论能够很好地表述和处理不确定性问题，所以模糊集合理论在图像分割领域获得广泛应用。由于在模糊集合中，图像地一个像素属于一个边界点或某个区域是用一个隶属度表示的，因此这样就可以避免过早地做出明确判断，已便为更高级地处理保留尽可能多的信息。

在传统集合理论中，一个元素或者属于一个集合，或者不属于一个集合。但在实际问题中，往往需要表示元素对集合从属关系的不确定性。1965年，Zadeh提出模糊数学的概念，用来描述这种带有模糊不确定性的现象和事物。传统图像分割方法在面对边界本身就是不清晰的目标物体时，很难准确定义目标物体的区域。一种自然的方法就是用模糊性来描述图像。 在图像处理中，“连接”用来描述图像的拓扑关系及区域的熟悉。1979年，Rosenfeld首先将“连接”扩展到模糊集领域，描述无法精确定义的区域。在此基础上，Upupa提出了基于模糊连接度的图像分割框架。其主要思想是：每两个相邻的像素组成一条连边，将隶属函数应用于此连边，该函数输出一个0到1之间的隶属度值来表示连边属于感兴趣对象的程度，在此基础上建立像素到待分割目标之间的相似关系，此关系称为模糊连接。并依此关系来度量像素对的目标从属程度。
  
许多图像分割算法都是基于各个区域之间（或区域内）的硬编码关系,模糊算法考虑了各种不确定性，例如噪声，不均匀的照度/亮度/对比度差异.FC已经在医学（和其他）图像中获得了巨大的成功
Udupa和Samarasekera是最早在医学图像中使用FC的人(Graphical Models and Image Processing, 1996).FC Family
• Absolute FC
• Scale-based FC (b-, t-, g-scale based)
• Relative FC
• Iterative Relative FC
• Vectorial FC
• Hierarchical FC
• Model-based FC

基本概念

结合《Fuzzy Connectedness and Object Definition: Theory, Algorithms,
and Applications in Image Segmentation》介绍相关概念。

模糊集,隶属函数和模糊关系

介绍模糊集(Fuzzy Subsets),隶属函数(Membership Function)
和模糊关系(Fuzzy Relation)

模糊邻近关系,模糊数字空间

模糊邻近关系(Fuzzy Spel Adjacency),模糊数字空间(Fuzzy Digital Space)

模糊邻近关系描述的是两个空间元素之间的位置关系。

场景,隶属度场,二值场

场景(Scenes),隶属度场(Membership Scenes),二值场(Binary Scenes)

亲和度

亲和度(Fuzzy Spel Affinities)

亲和度是一个局部关系，考虑了邻近关系和和像素亮度的均匀性。

路径,模糊连接度

模糊连接度

任一路径的连接强度是路径中最弱的链接的亲和度。两点之间的模糊连接度是所有路径强度中最大的。所以模糊连接度是一个全局关系。
（the minimum of affinitieshas been considered to define path strength and the maximum of path strengths has been used to define fuzzy connectedness. ）

算法实现

论文中提供了两种方法
单种子点阈值模糊连接度算法

没有阈值的方法

示例演示

用OpenCV实现模糊连接度分割（Fuzzy Connectedness）。完整代码。

运行结果

第一张是ITK官方运行结果

第二张是自己用OpenCV实现的结果

代码实现正确。

参考资料

• FuzzyConnectedness
• http://www.doc88.com/p-4923148921311.html