[发明专利]基于粗糙集和神经元网络的船体零部件图像分割方法

摘要

本发明涉及一种基于粗糙集和神经元网络的船体零部件图像分割方法，属于图像处理技术领域。本发明首先根据粗糙集进行属性约简，基于二进制识别矩阵属性约简和规则提取算法，在寻找约简集中通过位移操作取代复杂的集合运算，提供了对属性重要性的更简单和智能度量；使用神经元网络进一步简化决策表，删除网络中的噪点输入节点(属性)和与它们的连接；最后通过粗糙集，从决策表进行规则提取。使用粗糙集方法，由约简的决策表产生一个规则集，从而获得属性分类能力的度量。本发明的技术效果主要在于，支持用户调整分割的局部细节或者全局词法的处理，当边缘信息可用或沿边界的分割精度较高时，尤其能取得最好的整体性能。

主权项

一种基于粗糙集和神经元网络的船体零部件图像分割方法，其特征在于，包括步骤：(1)构造用于船体零部件图像分割的粗糙集方法将图像以粗糙集表示为一个4元组S＝(U,A,V,f)，其中U＝{x₁,x₂,…,x_n}是对象的有限集，被称为全域空间；A＝C∪D是属性的有限集，是条件属性集C和决策属性集D的并集，且C和D的交集为空集，即C∩D＝Φ；V＝∪_a∈AV_a是属性a的域，且f：U×A→V是一个信息函数去决定每一个对象x_i在集合U中的属性值，即f(x_i,a)∈V_a，对于a∈A；将粗糙集中的全域U中的对象用属性集A中的不同属性进行描述，当两个不同的对象用相同的属性描述时，则将这两个对象在S中划分为同一类，称它们的关系是不可分辨关系，一个不可分辨关系IND(B)由全域U上A的子集生成，定义如下：由IND(B)所产生的U的部分标志为U/IND(B)＝{C1,C2,…,Ck}，其中每一个Ci是一个等价类，对于等价类x和U/IND(B)的关系定义如下：令为一个目标集，为一个属性子集，使用属性子集来表示X，通过P中包含的信息去构造X的P‑下限和P‑上限，分别定义如下：X的P‑下限：X的P‑上限：P^*X＝{x|[x]_U/IND(P)∩X≠φ}其中，P‑下限，称为正域，是[x]U/IND(P)，即目标集X的子集中的所有等价类的并集；P‑上限是[x]U/IND(P)中的所有等价类的并集，这些等价类与目标集有非空交集，即U/IND(P)中的全集对象不能明确归类为属于目标集合X的补集；针对给定的属性子集P，然后属性集Q依赖属性集P的依赖关系γP(Q)给定如下：其中∪X∈U/IND(Q)P*X记为POSP(Q)，代表其中的对象可根据属性P分类为U/IND(Q)分类中的一类，设定一个属性a如果满足γP(Q)＝γP‑{a}(Q)，则被称为非必要属性；否则a为必要属性，(2)构造用于船体零部件图像分割的神经元网络使用有两层隐藏层的BP神经元网络，其中，采用tan‑sigmoid函数作为转换函数和线性函数，purelin作为输出层的转换函数获取广泛的输出值，a1＝tan‑sig(IW11*p1+b1)，a2＝tan‑sig(LW21*a1+b2)，a3＝purelin(LW32*a2+b3)，隐藏层的神经元的数量由训练学习过程决定；(3)构建基于粗糙集和神经元网络的船体零部件图像分割模型，根据粗糙集方法对决策表进行属性约简，基于二进制识别矩阵属性约简和规则提取算法，在寻找约简集中通过简单的位移操作来取代复杂的集合运算，并提供对属性重要性的智能度量，计算得到其中条件属性，然后通过去除决策表中的那些属性不在约简表中的条件属性得到约简表；(4)使用神经元网络方法中的神经网络特性选择算法进一步简化决策表的属性，从约简表中去除噪点属性，同时，约简表通过去除不能被网络准确分类的对象而进一步简化；(5)使用粗糙集方法，由约简的决策表进行规则提取，产生规则集，假定(S＝U,A,V,f)为一个决策表，属性集是一个简化属性，如果C涉足以下条件：γ_P(D)＝γ_C(D),γ_P'(D)≠γ_C(D)其中，条件属性C的约简是与C有相同精度的辨别决策类的一个子集，并且在约简表中的没有任何一个属性在没有降低其不可训练能力能被删除；T＝<U,C∪D,V,f>是一个决策表，U＝{x1,x2,…,xm},C＝{c1,c2,…,cn}，D＝{d}，d的每一个值对应U/IND(D)中的一个等价类，也被称为对象的类标识，M为S的二进制识别矩阵，它的元素M((s,t),i)表示根据单个条件属性的两个不同分类标识的对象xs和xt的可识别性能力，该元素其定义如下：其中1≤s<t≤m和d(xs)≠d(xt),i∈{1,2,…,n}，M的每一列表示一个单一的条件属性，每一行表示一个对象对有不同的d值，若M是一个有R行和L列二进制识别矩阵，它的第i行和第j列元素是aij，则对于分类属性ck的可识别度的定义为：其中，k∈{1,2,…,L}，属性ck的可识别度Deg(ck)实际上是矩阵M中ck列数值为1出现的比率，它可用于作为属性分类能力的度量。