模糊集合原理

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。所使用的Matlab代码如下所示。

function [drak,gray,brig] = Fuzzy_Knowledge(Intensity)if(Intensity <= 0.27) drak = double(1); elseif(Intensity >= 0.5) drak = double(0);else drak = (0.5 - double(Intensity))/(0.22);end    if(Intensity >= 0.72) brig = double(1); elseif(Intensity <= 0.5) brig = double(0);   else brig = double((double(Intensity) - 0.5)/0.22);endif(Intensity >= 0.72) gray = double(0); elseif(Intensity <= 0.27) gray = double(0);elseif(Intensity <= 0.5) gray = double((double(Intensity) - 0.27)/0.22);else gray = double((0.72 - double(Intensity))/0.22);endend
close all;
clear all;
clc;%% ---------Using Fuzzy for intensity transfromations---------------
f = imread('einstein_orig.tif');
f = mat2gray(f,[0 255]);[M,N]=size(f);
g = zeros (M,N);for x = 1:1:Mfor y = 1:1:N[drak,gray,brig] = Fuzzy_Knowledge(f(x,y));g(x,y) = ((drak * 0) + (gray * 0.5) + (brig * 1))/(drak + gray + brig); endendfigure();
subplot(1,2,1);
imshow(f,[0 1]);
xlabel('a).Original Image');subplot(1,2,2);
imshow(g,[0 1]);
xlabel('b).Result of fuzzy');figure();
subplot(1,2,1);
h = imhist(f)/(M*N);
bar(0:1/255:1,h);
axis([0 1 0 .2]),grid;
xlabel('c).The Histogram of a');subplot(1,2,2);
h = imhist(g)/(M*N);
bar(0:1/255:1,h);
axis([0 1 0 .2]),grid;
xlabel('d).The Histogram of b');%%
test = 0:1/255:1;for x = 1:1:256[drak(x),gray(x),brig(x)] = Fuzzy_Knowledge(test(x));endfigure();
subplot(1,2,1);
plot(test,drak,test,gray,test,brig);
axis([0,1,0,1]),grid;
axis square;
legend('drak','gray','brig');
xlabel('a).Input memberchip functions for fuzzy');subplot(1,2,2);
x1 = [0,0];y1 = [0,1];
x2 = [0.5,0.5];y2 = [0,1];
x3 = [1,1];y3 = [0,1];
plot(x1,y1,x2,y2,x3,y3);
axis([-0.1,1.1,0,1.2]),grid;
axis square;
legend('drak','gray','brig');
xlabel('b).Output memberchip functions for fuzzy');

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：

clear all;
close all;
clc;I = double(imread('test.jpg'));
imshow(I);
[m,n] = size(I);Fe =1;
Fd =120;xmax=max(max(I));
u =(1+(xmax-I)/Fd).^(-Fe);for i =1:mfor j =1:nif u(i,j)<0.5u(i,j) =2*u(i,j)^2;elseu(i,j) =1-2*(1-u(i,j))^2;endend
endI = xmax-Fd.*(u.^(-1/Fe)-1);figure,imshow(uint8(I));

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。以下是Matlab代码。

function [W1,W2,W3,W4,B] = Fuzzy_Knowledge_Filters(Intensity)for x = 1:1:3for y = 1:1:3if((Intensity(x,y) <= 0.2) &&(Intensity(x,y) >= -0.2))Intensity(x,y) = exp(-20*Intensity(x,y).*Intensity(x,y));else Intensity(x,y) = 0;endend
endW1 = min(Intensity(1,2),Intensity(2,3));
W2 = min(Intensity(2,3),Intensity(3,2));
W3 = min(Intensity(3,2),Intensity(2,1));
W4 = min(Intensity(2,1),Intensity(1,2));
B = min(min(1-W1,1-W2),min(1-W3,1-W4));end
%% ---------Using Fuzzy for Spatial Filters---------------
close all;
clear all;
clc;f = imread('headCT_Vandy.tif');
f = mat2gray(f,[0 255]);[M,N]=size(f);
f_Ex = zeros(M+2,N+2);for x = 1:1:Mfor y = 1:1:Nf_Ex(x+1,y+1) = f(x,y);end
endz = zeros (3,3);
g = zeros (M+2,N+2);
for x = 2:1:M+1for y = 2:1:N+1z(1,1) = f_Ex(x-1,y-1) - f_Ex(x,y);z(1,2) = f_Ex(x-1,y) - f_Ex(x,y);z(1,3) = f_Ex(x-1,y+1) - f_Ex(x,y);z(2,1) = f_Ex(x,y-1) - f_Ex(x,y);z(2,2) = f_Ex(x,y) - f_Ex(x,y);z(2,3) = f_Ex(x,y+1) - f_Ex(x,y);z(3,1) = f_Ex(x+1,y-1) - f_Ex(x,y);z(3,2) = f_Ex(x+1,y) - f_Ex(x,y);z(3,3) = f_Ex(x+1,y+1) - f_Ex(x,y);[W1,W2,W3,W4,B] = Fuzzy_Knowledge_Filters(z);V1 = 0.8 * W1 + 0.2;V2 = 0.8 * W2 + 0.2;V3 = 0.8 * W3 + 0.2;V4 = 0.8 * W4 + 0.2;V5 = 0.8 - (0.8 * B);g(x,y) = ((W1*V1) + (W2*V2) + (W3*V3) + (W4*V4) + (B*V5))/(W1+W2+W3+W4+B); end
endfigure();
subplot(1,2,1);
imshow(f,[0 1]);
xlabel('a).Original Image');subplot(1,2,2);
imshow(g,[0 1]);
xlabel('b).Result of fuzzy');%%
figure();
subplot(1,2,1);
x=-0.2:1/255:0.2;
y=1/sqrt(2*pi)*exp(-20*x.*x);
y = y/max(y);
x = -1:1/255:1;
y = [zeros(1,204) y zeros(1,204)];
plot(x,y);
axis([-1,1,0,1]),grid;
axis square;
xlabel('a).Input memberchip functions for fuzzy');subplot(1,2,2);
x1 = [0,0.2,1];y1 = [0,0,1];
x2 = [0,0.8,1];y2 = [1,0,0];
plot(x1,y1,x2,y2);
axis([0,1,0,1]),grid;
axis square;
legend('WH','BL');
xlabel('b).Output memberchip functions for fuzzy');

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

opencv笔记（三十二）——将模糊集合用于灰度变换和边缘检测相关推荐

tensorflow学习笔记(三十二):conv2d_transpose (解卷积)
tensorflow学习笔记(三十二):conv2d_transpose ("解卷积") deconv解卷积,实际是叫做conv_transpose, conv_transpose ...
Mr.J-- jQuery学习笔记(三十二)--jQuery属性操作源码封装
扫码看专栏 jQuery的优点 jquery是JavaScript库,能够极大地简化JavaScript编程,能够更方便的处理DOM操作和进行Ajax交互 1.轻量级 JQuery非常轻巧 2.强大的 ...
三十二、Java集合中的ArrayList
@Author:Runsen @Date:2020/6/3 作者介绍:Runsen目前大三下学期,专业化学工程与工艺,大学沉迷日语,Python, Java和一系列数据分析软件.导致翘课严重,专业排名 ...
【Visual C++】游戏开发笔记三十二浅墨DirectX提高班之一 DirectX大局观认知篇
本系列文章由zhmxy555(毛星云)编写,转载请注明出处. 文章链接: http://blog.csdn.net/zhmxy555/article/details/8172615 作者:毛星云(浅 ...
Python学习基础笔记三十二——正则表达式
官方定义:正则表达式是对字符串操作的一种逻辑公式,就是用事先定义好的一些特殊字符.及这些特定字符的组合,组成一个"规则字符串",这个规则字符串用来表达对字符串的一种过滤逻辑. 1. ...
Android OpenCV（三十二）：霍夫直线检测
霍夫变换利用点与线之间的对偶性,将图像空间中直线上离散的像素点通过参数方程映射为霍夫空间中的曲线,并将霍夫空间中多条曲线的交点作为直线方程的参数映射为图像空间中的直线.给定直线的参数方程,可以利用霍夫 ...
OpenCV学习笔记（三十一）——让demo在他人电脑跑起来 OpenCV学习笔记（三十二）——制作静态库的demo，没有dll也能hold住 OpenCV学习笔记（三十三）——用haar特征训练自己
OpenCV学习笔记(三十一)--让demo在他人电脑跑起来这一节的内容感觉比较土鳖.这从来就是一个老生常谈的问题.学MFC的时候就知道这个事情了,那时候记得老师强调多次,如果写的demo想在人家那 ...
OpenCV学习笔记（十二）：边缘检测：Canny(),Sobel(),Laplace(),Scharr滤波器
OpenCV学习笔记(十二):边缘检测:Canny(),Sobel(),Laplace(),Scharr滤波器 1)滤波:边缘检测的算法主要是基于图像强度的一阶和二阶导数,但导数通常对噪声很敏感,因此 ...
jquery设置宽_JavaScript学习笔记（三十二） jQuery（中）
jQuery 昨天讲了 jQuery 的基本选择器筛选器和属性操作今天来说一些 jQuery 别的东西元素操作创建一个元素 var div = $(') 内部插入元素 // 向 div 元素中插 ...
OpenCV C++案例实战三十二《字符识别》
OpenCV C++案例实战三十二<字符识别> 前言一.结果演示二.制作数据集三.字符识别四.源码总结前言本案例将使用OpenCV C++ 进行字符识别.主要包括制作数据集. ...

opencv笔记（三十二）——将模糊集合用于灰度变换和边缘检测