模糊逻辑控制报告剖析.pptVIP

报告人：王贺 研究背景 随着社会的发展和科技的进步,生物识别技术用于特征识别己经成为了研究的热点。其中,静脉识别以其不易伪造且非接触式采集等独特优势倍受人们关注。但是,由于在静脉采集过程中受到仪器设备、光照等因素的影响,采集的静脉图像对比度往往较低、噪声较多,给最终的识别带来很大的不便,所以在识别之前对静脉图像作包括增强在内的预处理是很有必要的。本文针对静脉图像的预处理问题,分别从去噪和对比度增强两方面做了研究。 研究内容 去噪方面：本文针对静脉图像中脉冲噪声及高斯噪声的混合噪声,首先利用模板操作对图像进行噪声检测,分离出脉冲噪声并以中值滤波进行滤除,并对邻域像素集合予以相应像素的裁减。然后,针对高斯噪声灰度值的不确定性,应用了改进的模糊加权均值去噪算法。最后,根据实验验证了基于模糊推理的静脉图像去噪算法的有效性。 增强方面：本文分析了常见的模糊增强算法,并结合近红外静脉图像特点,提出采用基于模糊对比度的图像增强算法。首先,把图像从空间域映射到模糊域。然后,在模糊域内定义一个图像模糊对比度,利用改进的模糊对比度增强算子实现对比度非线性变换。最后,将图像逆映射回空间域,从而完成了静脉图像对比度增强的整个过程。 模糊理论基础 模糊集合:对传统集合理论一种推广，将离散的两点0和1扩充为连续状态的区间[0 1],这样,普通集合的特征函数就扩展为模糊集的隶属函数。即：论域U中的一个模糊集合A是指对论域中的任意元素u，定义了[0 1]闭区间中的一个数 与之对应，即u对A的隶属度。 隶属函数：三角形隶属函数 梯形隶属函数 高斯隶属函数 推理：从事实和一组模糊规则中得出结论的过程 模糊推理：即处理模糊信息的方法 模糊推理的过程：激励 蕴涵 聚合 解模糊 两种模型：Mamdani模糊模型 T-S模糊模型 静脉图像去噪算法总体设计 静脉图像： 脉冲噪声像素点集合 高斯噪声像素点集合 算法内容: 脉冲噪声的检测和处理 高斯噪声的滤除 首先进行脉冲噪声检测,分离出脉冲噪声并以中值滤波进行滤除,并对邻域像素集合予以相应像素裁减;然后对含有高斯噪声的图像点进行模糊加权均值滤波,达到滤除混合噪声的目的。 噪声检测环节分为两个部分:被处理像素检测和邻域像素检测。对应不同检测对象采用了不同的检测算法,以及不同的处理方式。 模糊推理模型的建立 模糊规则库的建立： 像素差小,则权值大 像素差大,则权值小 这里，采用if...then结构建立模糊规则 基于模糊对比度的静脉图像增强 模糊化映射：采用“S”型隶属度函数将图像映射到[0,1]区间上 采用模糊熵表示静脉图像信息,基于模糊熵最大准则求取参数b。 模糊熵定义： 香农函数： 最佳阈值： 模糊对比度： 分子为像素点Xij隶属度与其邻域均值隶属度之差绝对值, 可表示模糊对比度;F表示归一化处理的相对模糊对比度。 模糊对比度增强算子： 实验结果 (1)图像整体对比度质量Ccontrust 其中M和N分别为图像的宽和高,f`(x,y)为增强后图像 (2)图像熵Hentropy:衡量图像信息丰富程度 Pi为灰度值等于i的像素数与图像总像素数之比,n为灰度级总数 参数K与增强性能的关系：K=3.5 实验结果： 增强图像的整体对比度和图像熵 对于vein1的几种增强算法比较 对于vein4的几种增强算法比较 Thank you ! * 文献阅读报告 基于模糊理论的静脉图像增强算法研究 东北大学 陈国坤 算法结构示意图 其中,W(n)为第n个像素的加权系数,V是每条规则加权系数的值。 规则数量与输入像素差的个数成2的指数关系 对比度增强流程图 a和c是模糊边界，b为渡越点Xij和U（Xij）分别是模糊化前后值。 其中， 取某种凸变换， K0用于对不同图像进行调节。 *