【摘要】：在第5章中，公式5.4已经给出了模糊隶属度函数的定义。完全划分评价：一致性：归一化：邻域交叉点：图5.1中已经给出了四参数的梯形模糊隶属度函数，并公式化了模糊隶属度的初始化方法。有文献［101］应用并比较了高斯隶属度函数和梯形隶属度函数，由于高斯隶属度函数不满足一致性和邻域交叉点规则，所以作者选择梯形隶属度函数。图6.1高斯模糊隶属度函数图6.2贝尔型模糊隶属度函数
软阈值化方法的关键是模糊隶属度初始化。在第5章中，公式5.4已经给出了模糊隶属度函数的定义。文献［101］中给出了MT分割中模糊隶属度的几个评价方法。
（1）完全划分评价：
（2）一致性：
（3）归一化：
（4）邻域交叉点：(www.xing528.com)
图5.1中已经给出了四参数的梯形模糊隶属度函数，并公式化了模糊隶属度的初始化方法。除了梯形隶属度初始化方法以外，根据2.5节的分析，综合近年来的参考文献，高斯隶属度函数［101］（如图6.1所示）、梯形模糊隶属度函数［141］（如图5.1所示）和贝尔型隶属度函数［142］（如图6.2所示）是最常用的三种方法。
有文献［101］应用并比较了高斯隶属度函数和梯形隶属度函数，由于高斯隶属度函数不满足一致性（公式6.2）和邻域交叉点规则（公式6.4），所以作者选择梯形隶属度函数。有文献［141］比较了伪梯形模糊隶属度函数，梯形模糊隶属度函数和贝尔型模糊隶属度函数，通过实验验证，作者指出梯形模糊隶属度函数在模糊多阈值图像分割中更有优势。因此本章将采用梯形隶属度函数进行模糊隶属度初始化，其详细公式如公式5.5所示。
图6.1 高斯模糊隶属度函数
图6.2 贝尔型模糊隶属度函数
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
