基于邻域相关性的软阈值化分割方法

基于2.4节和2.5节的分析，通过像素间的邻域位置关系和相似特征进行邻域信息聚合是一种行之有效的MT分割方法。本书重点分析和研究智能优化算法在MT分割中的应用，然而多阈值图像分割最大的缺陷在于区域划分的邻域无关性。因此在综合考虑基于空间位置关系的图像分割方法和多阈值图像分割方法的基础上，本书将结合模糊理论和模糊逻辑，在保持MT分割简单、直接、快速等优势的基础上，尝试解决阈值化图像分割的邻域无关性问题。

本书第5章中，已经验证了利用模糊理论和模糊逻辑改造Kapur熵的有效性，本章将重点分析和研究基于空间位置信息的模糊聚合方法。近年来模糊理论相关的图像分割方法主要集中于模糊聚类方法（FCM等）［186，187］。Tuan等人［188］通过迭代模糊满意度函数构造了一种半监督模糊聚类分割模型。他们首先通过提取图像特征建立像素空间目标函数，然后通过模糊聚类模型获取聚类中心和模糊隶属度矩阵，最后将该模型应用于牙科X射线图像。与FCM、Otsu等方法相比，该方法在收敛性和边界参数方面具有明显优势。Verma等人［189］基于直觉模糊集理论，通过局部空间信息和改进FCM的融合实现了BMR图像的分割，与其他模糊聚类方法相比，该方法的分割精度更高。Zhao等人［74］融合隐马尔可夫随机场模型和泰森多边形曲线将模糊聚类方法应用于图像分割。他们首先通过泰森多边形将图像分割为多个子区域，然后通过融合模型进行区域聚类。与FCM及其他改进FCM方法相比，该方法具有更好的分割精度。分析几年来模糊理论相关图像分割方法，以FCM为基础的方法较多，主要是因为FCM本身就是一种模糊方法，与模糊理论和模糊逻辑的结合更加顺畅。但是FCM本身需要不断地迭代聚类，其计算复杂度较高且分割运行时间也会相应增加［106］。因此近年来在MT分割领域模糊理论的应用也越来越多。(www.xing528.com)

在MT分割领域，除了2.4节和2.5节讨论的相关方法以外，Zhang等人［190］在总结近年来模糊多阈值图像分割的基础上，基于多阈值图像分割的快速性优势，利用改进模糊Fisher准则实现了导航图像的目标和非目标区域分割。实验结果表明，相较于Otsu、模糊信息熵、模糊Fisher准则等方法，该方法在分割速度和迭代次数方面具有明显优势。除此之外，Yu等人［139］系统分析了模糊熵方法在噪声灰度图像分割方面的应用。并对模糊集在图像分割方面的数学模型进行了证明。Ananthi等人［140］同样分析了多种模糊隶属度函数在灰度图像分割方面的性能。基于近年来模糊理论和模糊逻辑在MT分割方面的应用，逐渐形成了一种新型的MT分割方法——软阈值分割［131］。区别于传统多阈值方法（硬阈值分割），软阈值方法在通过多个阈值分割图像时，为每个像素分配多个模糊隶属度，然后借助聚类、邻域信息聚合等方法实现更加精细的区域划分。在前人研究方法的基础上，本章将重点研究基于模糊隶属度初始化和邻域模糊信息聚合的智能（MQABC和MDGWO）MT分割方法，提出了基于模糊理论和局部信息聚合的改进快速人工蜂群算法（Fuzzy Based Modified Quick Artificial Bee Colony Algorithm and Local Information Aggregation，FMQABCA）和基于模糊理论和局部信息聚合的改进离散灰狼算法（Fuzzy Based Modified Discrete Grey Wolf Optimizer and Local Information Aggregation，FMDGWOA）。