第8卷第6期 智能系统学报 Vol.8 No.6 2013年12月 CAAI Transactions on Intelligent Systems Dec.2013 D0:10.3969/j.issn.1673-4785.201307020 网s络出版地址：http:/www.cnki.net/kcms/detail/23.1538.TP.20131030.1508.001.html 一种新的云综合方法在彩色图像分割中的应用 王金芝，王国胤3，许昌林12 (1.重庆邮电大学计算智能重庆市重点实验室，重庆400065；2.西南交通大学信息科学与技术学院，四川成都 610031:3.中国科学院重庆绿色智能技术研究院电子信息技术研究所，重庆401122) 摘要：云模型是一种实现定性与定量相互转换的模型，其中云综合是实现云概念跃升的一种方法.但“软或”云综 合方法缺乏相应的理论解释.根据正态云模型的“3E”规则，推导出一种新的云综合方法，并结合p阶逆向云变换 算法将其应用于图像分割中.将结果分别与“软或”云综合方法在彩色图像分割中的结果和基于云模型和数据场的 灰度图像分割结果做比较，实验结果说明了该方法的有效性。 关键词：云模型；彩色图像分割；云综合；P阶逆向云变换 中图分类号：TP391文献标志码：A文章编号：1673-4785(2013)06-0517-09 中文引用格式：王金芝，王国胤，许昌林.一种新的云综合方法在彩色图像分割中的应用[J].智能系统学报，2013,8(6)：517-525. 英文引用格式：WANG Jinzhi,WANG Guoyin,XU Changlin.Application of the new cloud synthesis method for the segmentation of a colorful image[J].CAAI Transactions on Intelligent Systems,2013,8(6):517-525. Application of the new cloud synthesis method for the segmentation of a colorful image WANG Jinzhi',WANG Guoyin'3,XU Changlin'.2 (1.Chongqing Key Laboratory of Computational Intelligence,Chongqing University of Posts and Telecommunications,Chongqing 400065,China;2.College of Information Science and Technology,Southwest Jiaotong University,Chengdu 610031,China;3.Institu- te of Electronic Information Technology,Chongqing Institute of Green and Intelligent Technology,CAS,Chongqing 401122,China) Abstract:The cloud model is a qualitative/quantitative transformation model,in which the cloud synthesis can be used to achieve the enhancement of cloud concept.The cloud synthesis method is a "soft union"of concepts,which has no relevant theoretical explanation.In this paper,a new cloud synthesis method based on the "3En"rule of the normal cloud model is proposed and applied to image segmentation in combination with p-order backward cloud transformation algorithm.Finally,compared the result of this paper with the color image segmentation using cloud synthesis of "soft union"and the gray image segmentation using cloud model and data field,the experimental re- sults show the effectiveness of the method. Keywords:cloud model;segmentation on colorful image;cloud synthesis;p-order reverse cloud transformation 一般来说，图像分割是将输入的图像按照选择 为其他更高层次的图像处理做准备，比如图像检 的标准分成若干区域的过程，或者说是为了辨识图 测、识别等.图像分割是图像上最复杂的操作，不正 像上的目标，需要将目标从图像中分离提取出来的 确地分割会对图像处理带来很多不准确的分析.由 过程.图像分割是图像处理和分析的关键步骤， 于计算机处理能力的限制，最初的图像分割是在灰 度图像上进行分割.但随着计算机的发展，由于彩 收稿日期：2012-07-05.网络出版日期：2013-10-30. 基金项目：国家自然科学基金资助项目(61073146,61272060)：计算 色图像含有更加丰富的信息，彩色图像分割在图像 智能重庆市重点实验室开放基金资助项目(CQ-L.C1-2013- 08). 处理和计算机视觉中的应用越来越多地受到人们的 通信作者：许昌林.E-mail:xuchlin@163.com. 关注.图像分割至今仍没有一个统一的标准理论
第 ８ 卷第 ６ 期 智 能 系 统 学 报 Ｖｏｌ．８ №．６ ２０１３ 年 １２ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｄｅｃ． ２０１３ ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１６７３⁃４７８５．２０１３０７０２０ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ＴＰ．２０１３１０３０．１５０８．００１．ｈｔｍｌ 一种新的云综合方法在彩色图像分割中的应用 王金芝１ ，王国胤１，３ ，许昌林１，２ （１． 重庆邮电大学 计算智能重庆市重点实验室，重庆 ４０００６５； ２． 西南交通大学 信息科学与技术学院，四川 成都 ６１００３１； ３． 中国科学院重庆绿色智能技术研究院 电子信息技术研究所，重庆 ４０１１２２） 摘 要：云模型是一种实现定性与定量相互转换的模型， 其中云综合是实现云概念跃升的一种方法． 但“软或”云综 合方法缺乏相应的理论解释． 根据正态云模型的“３Ｅｎ”规则， 推导出一种新的云综合方法， 并结合 ｐ 阶逆向云变换 算法将其应用于图像分割中． 将结果分别与“软或”云综合方法在彩色图像分割中的结果和基于云模型和数据场的 灰度图像分割结果做比较， 实验结果说明了该方法的有效性． 关键词：云模型；彩色图像分割；云综合；ｐ 阶逆向云变换 中图分类号： ＴＰ３９１ 文献标志码：Ａ 文章编号：１６７３⁃４７８５（２０１３）０６⁃０５１７⁃０９ 中文引用格式：王金芝，王国胤，许昌林． 一种新的云综合方法在彩色图像分割中的应用［Ｊ］． 智能系统学报， ２０１３， ８（６）： ５１７⁃５２５． 英文引用格式：ＷＡＮＧ Ｊｉｎｚｈｉ， ＷＡＮＧ Ｇｕｏｙｉｎ， ＸＵ Ｃｈａｎｇｌｉｎ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｔｈｅ ｎｅｗ ｃｌｏｕｄ ｓｙｎｔｈｅｓｉｓ ｍｅｔｈｏｄ ｆｏｒ ｔｈｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ ａ ｃｏｌｏｒｆｕｌ ｉｍａｇｅ［Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１３， ８（６）： ５１７⁃５２５． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｔｈｅ ｎｅｗ ｃｌｏｕｄ ｓｙｎｔｈｅｓｉｓ ｍｅｔｈｏｄ ｆｏｒ ｔｈｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ ａ ｃｏｌｏｒｆｕｌ ｉｍａｇｅ ＷＡＮＧ Ｊｉｎｚｈｉ １ ， ＷＡＮＧ Ｇｕｏｙｉｎ １，３ ， ＸＵ Ｃｈａｎｇｌｉｎ １，２ （１． Ｃｈｏｎｇｑｉｎｇ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ， Ｃｈｏｎｇｑｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｐｏｓｔｓ ａｎｄ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ， Ｃｈｏｎｇｑｉｎｇ ４０００６５， Ｃｈｉｎａ； ２． Ｃｏｌｌｅｇｅ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， Ｓｏｕｔｈｗｅｓｔ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ， Ｃｈｅｎｇｄｕ ６１００３１， Ｃｈｉｎａ； ３． Ｉｎｓｔｉｔｕ⁃ ｔｅ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ， Ｃｈｏｎｇｑｉｎｇ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｇｒｅｅｎ ａｎｄ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｅｃｈｎｏｌｏｇｙ， ＣＡＳ， Ｃｈｏｎｇｑｉｎｇ ４０１１２２， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅ ｃｌｏｕｄ ｍｏｄｅｌ ｉｓ ａ ｑｕａｌｉｔａｔｉｖｅ ／ ｑｕａｎｔｉｔａｔｉｖｅ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ｍｏｄｅｌ， ｉｎ ｗｈｉｃｈ ｔｈｅ ｃｌｏｕｄ ｓｙｎｔｈｅｓｉｓ ｃａｎ ｂｅ ｕｓｅｄ ｔｏ ａｃｈｉｅｖｅ ｔｈｅ ｅｎｈａｎｃｅｍｅｎｔ ｏｆ ｃｌｏｕｄ ｃｏｎｃｅｐｔ． Ｔｈｅ ｃｌｏｕｄ ｓｙｎｔｈｅｓｉｓ ｍｅｔｈｏｄ ｉｓ ａ ＂ ｓｏｆｔ ｕｎｉｏｎ＂ ｏｆ ｃｏｎｃｅｐｔｓ，ｗｈｉｃｈ ｈａｓ ｎｏ ｒｅｌｅｖａｎｔ ｔｈｅｏｒｅｔｉｃａｌ ｅｘｐｌａｎａｔｉｏｎ． Ｉｎ ｔｈｉｓ ｐａｐｅｒ， ａ ｎｅｗ ｃｌｏｕｄ ｓｙｎｔｈｅｓｉｓ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｔｈｅ ＂ ３Ｅｎ＂ ｒｕｌｅ ｏｆ ｔｈｅ ｎｏｒｍａｌ ｃｌｏｕｄ ｍｏｄｅｌ ｉｓ ｐｒｏｐｏｓｅｄ ａｎｄ ａｐｐｌｉｅｄ ｔｏ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｉｎ ｃｏｍｂｉｎａｔｉｏｎ ｗｉｔｈ ｐ⁃ｏｒｄｅｒ ｂａｃｋｗａｒｄ ｃｌｏｕｄ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ａｌｇｏｒｉｔｈｍ． Ｆｉｎａｌｌｙ， ｃｏｍｐａｒｅｄ ｔｈｅ ｒｅｓｕｌｔ ｏｆ ｔｈｉｓ ｐａｐｅｒ ｗｉｔｈ ｔｈｅ ｃｏｌｏｒ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｕｓｉｎｇ ｃｌｏｕｄ ｓｙｎｔｈｅｓｉｓ ｏｆ ＂ ｓｏｆｔ ｕｎｉｏｎ＂ ａｎｄ ｔｈｅ ｇｒａｙ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｕｓｉｎｇ ｃｌｏｕｄ ｍｏｄｅｌ ａｎｄ ｄａｔａ ｆｉｅｌｄ， ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅ⁃ ｓｕｌｔｓ ｓｈｏｗ ｔｈｅ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ｔｈｅ ｍｅｔｈｏｄ． Ｋｅｙｗｏｒｄｓ：ｃｌｏｕｄ ｍｏｄｅｌ； ｓｅｇｍｅｎｔａｔｉｏｎ ｏｎ ｃｏｌｏｒｆｕｌ ｉｍａｇｅ； ｃｌｏｕｄ ｓｙｎｔｈｅｓｉｓ； ｐ⁃ｏｒｄｅｒ ｒｅｖｅｒｓｅ ｃｌｏｕｄ ｔｒａｎｓｆｏｒｍａｔｉｏｎ 收稿日期：２０１２⁃０７⁃０５． 网络出版日期：２０１３⁃１０⁃３０． 基金项目：国家自然科学基金资助项目（６１０７３１４６， ６１２７２０６０）； 计算 智能重庆市重点实验室开放基金资助项目（ＣＱ⁃ＬＣＩ⁃２０１３⁃ ０８ ）． 通信作者：许昌林． Ｅ⁃ｍａｉｌ：ｘｕｃｈｌｉｎ＠ １６３．ｃｏｍ． 一般来说， 图像分割是将输入的图像按照选择 的标准分成若干区域的过程， 或者说是为了辨识图 像上的目标， 需要将目标从图像中分离提取出来的 过程［１〛 ． 图像分割是图像处理和分析的关键步骤， 为其他更高层次的图像处理做准备， 比如图像检 测、识别等． 图像分割是图像上最复杂的操作， 不正 确地分割会对图像处理带来很多不准确的分析． 由 于计算机处理能力的限制， 最初的图像分割是在灰 度图像上进行分割． 但随着计算机的发展， 由于彩 色图像含有更加丰富的信息， 彩色图像分割在图像 处理和计算机视觉中的应用越来越多地受到人们的 关注． 图像分割至今仍没有一个统一的标准理论
·518. 智能系统学报 第8卷 现有的各种彩色图像分割方法只是在特定的情况下 是定性概念C的一次随机实现，x对C的确定度 有一定的效果 u(x)∈[0,1]是有稳定倾向的随机数： 在图像信息的处理过程中，由于噪声干扰、图 :U→[0,1]，Hx∈U, 像退化或人类认知的不确定性等原因，所以图像分 则x在论域U上的分布称为云.每一个x是一个云 割很难做到精确化)，同时在图像处理的生命周期 滴，是定性概念在数量上的一次实现. 里，从图像的获取、处理、分析等各种操作中，也会 云模型利用概率统计中的数字特征刻画概念的 引入不同类型和不同程度的不确定性，并在之后的 内涵，利用随机样本数据表示概念外延，对理解概 处理环节中传播下去).因此，在彩色图像分割过 念的内涵和外延有着极其重要的意义.用数字特 程中，表达、评价和降低提取目标信息的不确定性 征期望Ex(Expectation)、熵En(Entropy)和超熵He 就成为重要的研究方向之一【 (Hyper entropy)来表征，其中表征概念内涵的数字 在模糊集理论和概率统计的基础上，李德毅院 特征期望Ex处于概念核心位置，最能代表这个概 士[)提出了定性定量不确定性转换模型一云模型. 念的云滴，是概念外延云滴分布的数学期望：数字 云模型能很好地表达概念的不确定性以及降低概念 特征嫡E具有概念粒度的含义，反映了概念外延 分层的不确定性，所以可以用于研究图像分割中的 的离散程度：数字特征超熵He是熵的不确定性度 不确定性问题.采用云模型的图像分割算法，可以 量，也可称为二阶嫡，可以用来衡量概念粒度的不 解决传统图像分割算法对不确定性信息的忽视.由 确定性.更精确地说，云模型将概率统计中的标准 此可见，云模型为彩色图像分割提供了一个新的思 差作为一个随机变量，嫡是标准差的期望，超熵是 路.在基于云模型的彩色图像分割过程中，主要涉 标准差的标准差.云模型的超嫡具有重要的意义， 及4个问题：1)颜色空间的选择及量化：2)云变换 不是简单地增加了一个参数，反映的是概念的高阶 算法的选择：3)云概念的合并准则及云综合方法： 不确定性本质」 4)云概念的最终提取.本文选择HSV(hue satura- 在云模型理论中，所有云滴在论域U上的分布 tion value)颜色空间，并利用文献[6]提出的非均 不同，就构成不同的云，例如满足均匀分布的均匀 匀量化方法进行量化，然后利用王国胤等]提出的 云、满足正态分布的正态云等，其中正态云是目前 高阶逆向云变换算法，对彩色图像进行概念提取 被研究得最多的一种云模型，已经被成功应用于许 在云概念提取之后，通过寻找相邻2个云概念的最 多领域[2].王国胤等在已有正态云模型的基础上 短距离的合并准则，将距离最短的2个云概念使用 给了p阶正态云的递归定义，并对p阶正态云的统 本文提出的云综合方法，进行云概念综合.最后， 计性质进行分析.p阶正态云的递归定义如下 根据正态云概念的性质对图像进行分割.本文通过 定义2设U是定量论域，C是论域U上的定 在同样条件下与蒋峥等劉提出的“软或”云综合方 性概念，且C包含p+1个数字特征：Ex=En1,En2, 法在图像分割中的实验结果作比较，说明了本文提 …,Enp1,Enp,He,其中He>0.Rv(Ex,o)表示以Ex 出的云综合方法的有效性.同时，将本文的分割方 为均值，σ2为方差的正态随机变量X(即X~N(Ex, 法应用于灰度图像分割，并与文献[9]的实验结果 σ2)的一次正态随机实现，通过p次正态随机实现 作比较，进一步说明本文分割方法的有效性 后得到的随机数x。,即： (Rx(En,He),i=1; 1相关基本概念 x={R(En,--x-i),2≤i≤p. 1.1云模型简介 x。∈U称为P阶正态云的一个云滴.云滴x,对C的 语言概念作为定性定量转换的基本单元，在描 确定度u(x,)∈[0,1]是具有稳定倾向的随机数， 述客观事物的过程中，不可避免地具有不确定性， 且x。对C的确定度满足： 这种不确定性主要体现在随机性和模糊性两大方 u(xn)=exp(-(x。-En1)2/(2x2-1)) 面.云模型作为定性定量转换的不确定性模型，能 或 够充分体现语言概念的随机性和模糊性，是实现定 μ(x,)=exp(-(x。-Ex)2/(2x2-1), 性定量转换的有效工具0」 那么，所有云滴构成随机变量X。的分布称为p阶正 定义1】设U是一个精确数值表示的定量 态云. 论域，C是U上的定性概念，若定量值x∈U,且x 当p=1时，x1=Rw(En1,He)或x1=Rw(Ex
现有的各种彩色图像分割方法只是在特定的情况下 有一定的效果． 在图像信息的处理过程中， 由于噪声干扰、图 像退化或人类认知的不确定性等原因， 所以图像分 割很难做到精确化［２］ ，同时在图像处理的生命周期 里， 从图像的获取、处理、分析等各种操作中， 也会 引入不同类型和不同程度的不确定性， 并在之后的 处理环节中传播下去［３］ ． 因此， 在彩色图像分割过 程中， 表达、评价和降低提取目标信息的不确定性 就成为重要的研究方向之一［４］ ． 在模糊集理论和概率统计的基础上， 李德毅院 士［５］提出了定性定量不确定性转换模型—云模型． 云模型能很好地表达概念的不确定性以及降低概念 分层的不确定性， 所以可以用于研究图像分割中的 不确定性问题． 采用云模型的图像分割算法， 可以 解决传统图像分割算法对不确定性信息的忽视． 由 此可见， 云模型为彩色图像分割提供了一个新的思 路． 在基于云模型的彩色图像分割过程中， 主要涉 及 ４ 个问题： １）颜色空间的选择及量化； ２）云变换 算法的选择； ３）云概念的合并准则及云综合方法； ４）云概念的最终提取． 本文选择 ＨＳＶ （ ｈｕｅ ｓａｔｕｒａ⁃ ｔｉｏｎ ｖａｌｕｅ） 颜色空间， 并利用文献［６］提出的非均 匀量化方法进行量化， 然后利用王国胤等［７］提出的 高阶逆向云变换算法， 对彩色图像进行概念提取． 在云概念提取之后， 通过寻找相邻 ２ 个云概念的最 短距离的合并准则， 将距离最短的 ２ 个云概念使用 本文提出的云综合方法， 进行云概念综合． 最后， 根据正态云概念的性质对图像进行分割． 本文通过 在同样条件下与蒋峥等［８］ 提出的“软或”云综合方 法在图像分割中的实验结果作比较， 说明了本文提 出的云综合方法的有效性． 同时， 将本文的分割方 法应用于灰度图像分割， 并与文献［９］的实验结果 作比较， 进一步说明本文分割方法的有效性． １ 相关基本概念 １．１ 云模型简介 语言概念作为定性定量转换的基本单元， 在描 述客观事物的过程中， 不可避免地具有不确定性， 这种不确定性主要体现在随机性和模糊性两大方 面． 云模型作为定性定量转换的不确定性模型， 能 够充分体现语言概念的随机性和模糊性， 是实现定 性定量转换的有效工具［１０⁃１１］ ． 定义 １ ［１１］ 设 Ｕ 是一个精确数值表示的定量 论域， Ｃ 是 Ｕ 上的定性概念， 若定量值 ｘ ∈ Ｕ ， 且 ｘ 是定性概念 Ｃ 的一次随机实现， ｘ 对 Ｃ 的确定度 μ（ｘ） ∈［０，１］ 是有稳定倾向的随机数： μ：Ｕ → ［０，１］， ∀ｘ ∈ Ｕ ， 则 ｘ 在论域 Ｕ 上的分布称为云． 每一个 ｘ 是一个云 滴， 是定性概念在数量上的一次实现． 云模型利用概率统计中的数字特征刻画概念的 内涵， 利用随机样本数据表示概念外延， 对理解概 念的内涵和外延有着极其重要的意义［１１］ ． 用数字特 征期望 Ｅｘ（Ｅｘｐｅｃｔａｔｉｏｎ）、熵 Ｅｎ（Ｅｎｔｒｏｐｙ）和超熵 Ｈｅ （Ｈｙｐｅｒ ｅｎｔｒｏｐｙ）来表征， 其中表征概念内涵的数字 特征期望 Ｅｘ 处于概念核心位置，最能代表这个概 念的云滴， 是概念外延云滴分布的数学期望； 数字 特征熵 Ｅｎ 具有概念粒度的含义， 反映了概念外延 的离散程度； 数字特征超熵 Ｈｅ 是熵的不确定性度 量， 也可称为二阶熵， 可以用来衡量概念粒度的不 确定性． 更精确地说， 云模型将概率统计中的标准 差作为一个随机变量， 熵是标准差的期望， 超熵是 标准差的标准差． 云模型的超熵具有重要的意义， 不是简单地增加了一个参数， 反映的是概念的高阶 不确定性本质． 在云模型理论中， 所有云滴在论域 Ｕ 上的分布 不同， 就构成不同的云， 例如满足均匀分布的均匀 云、满足正态分布的正态云等， 其中正态云是目前 被研究得最多的一种云模型， 已经被成功应用于许 多领域［１２⁃１４］ ． 王国胤等在已有正态云模型的基础上 给了 ｐ 阶正态云的递归定义，并对 ｐ 阶正态云的统 计性质进行分析． ｐ 阶正态云的递归定义如下［１５］ ． 定义 ２ 设 Ｕ 是定量论域， Ｃ 是论域 Ｕ 上的定 性概念， 且 Ｃ 包含 ｐ＋１ 个数字特征： Ｅｘ ＝ Ｅｎ１ ，Ｅｎ２ ， …，Ｅｎｐ－１ ，Ｅｎｐ，Ｈｅ， 其中 Ｈｅ＞０． ＲＮ（Ｅｘ，σ）表示以 Ｅｘ 为均值， σ ２ 为方差的正态随机变量 Ｘ（即 Ｘ～Ｎ（Ｅｘ， σ ２ ）的一次正态随机实现， 通过 ｐ 次正态随机实现 后得到的随机数 ｘｐ， 即： ｘｉ ＝ ＲＮ（Ｅｎｐ，Ｈｅ），ｉ ＝ １； ＲＮ（Ｅｎｐ－（ｉ－１） ，ｘ { ｉ－１ ），２ ≤ ｉ ≤ ｐ． ｘｐ ∈ Ｕ 称为 ｐ 阶正态云的一个云滴． 云滴 ｘｐ 对 Ｃ 的 确定度 μ（ｘｐ） ∈ ［０，１］ 是具有稳定倾向的随机数， 且 ｘｐ 对 Ｃ 的确定度满足： μ（ｘｐ） ＝ ｅｘｐ（ － （ｘｐ － Ｅｎ１ ） ２ ／ （２ｘ ２ ｐ－１ ）） 或 μ（ｘｐ） ＝ ｅｘｐ（ － （ｘｐ － Ｅｘ） ２ ／ （２ｘ ２ ｐ－１ ）） ， 那么， 所有云滴构成随机变量 Ｘｐ 的分布称为 ｐ 阶正 态云． 当 ｐ ＝ １ 时， ｘ１ ＝ ＲＮ（Ｅｎ１ ，Ｈｅ） 或 ｘ１ ＝ ＲＮ（Ｅｘ， ·５１８· 智 能 系 统 学 报 第 ８ 卷
第6期 王金芝，等：一种新的云综合方法在彩色图像分割中的应用 ·519 He),p阶正态云就退化为正态分布.当p=2时，p 阶正态云就退化为二阶正态云，此时En,=Ex, En= En,=En.也就是文献[I1]中给出的正态云. 2)从样本（云滴）1，x2,…,x。中随机选取m组 云变换是云模型中实现概念定性描述（概念内 样本（可重复），每组有r个样本，从每组样本中估 涵)与定量表示（概念的外延）相互转换的工具，包 括正向云变换和逆向云变换.文中除特别说明之 计出疗落-=12.令 外，正向云变换和逆向云变换均指正向正态云变换 y=,… 和逆向正态云变换.王国胤等)根据正向云变换和 3)for（p=2;p<P;p++) 逆向云变换之间的关系分别给了出了p阶正向云变 ,2-74(Erp-2Dr. 换算法和p阶逆向云变换算法. 1.1.1p阶正向云变换算法 12(坊 1 P阶正向云变换就是根据表征定性概念内涵的 p+1个数字特征，由p次正态随机递归产生p阶正 EY2)2分别表示样本集Y的数学期望和方差。 态云云滴的过程.具体如下)： 输入mm,r,令m=mm,r=r; 输入：p+1个数字特征Ex=En1,En2,…, Enp 1 En,1,En,He和生成云滴的个数n. 2√4(Era)2-2DYg, 输出：n个p阶云滴xn(i=1,2,…,n) Enpa 算法步骤： i=1,2,…,m 1)生成以En,为期望值，He2为方差的一个正 态随机数x1; 其中EY= r j=i 2)生成以En-1为期望值，x为方差的一个正 yg）2,y=d,22,2; 态随机数x2; 以Y为样本，从样本中估计En,He3 p-1)生成以En2为期望值，x-,为方差的一个 或=4(Ery-2Dr, 正态随机数x。-1; He;=EY-En,2, p)生成以E:为期望值，x-1为方差的一个正 其中，P代表总阶数，p代表当前计算阶数， 态随机数x可； EY、DY2分别指组间样本均值和组间样本方差， p+1)计算云滴的确定度(x,)=exp(- mm、r分别代表分组数和每组样本数.本文利用二 (x。-En1)/(2x2-),具有确定度μ，的xg成为 阶逆向云变换算法和三阶逆向云变换算法将彩色图 数域中的一个云滴，称之为p阶云滴，重复1)~ 像的频率分布函数分割成若干个云粒的叠加，得到 p),直至产生n个p阶云滴xj=1,2,…,n)为止. 图像的初步分割 1.1.2p阶逆向云变换算法 1.2图像分割 在实际的数据统计分析和概念抽取过程中，数 图像分割是指将图像中具有特殊意义的不同区 据样本对概念的确定度是无法获得的，而且靠人为 域分割开，并使这些区域相互不相交，且每个区域 主观给定可能会带来更大的误差.无确定度的逆向 应满足特定区域的一致性条件.由于人眼对亮度有 云算法根据云滴的统计特性，依靠统计计算获得云 一定的适应性，即只能识别几十种灰度级，但是对 模型的数字特征表征的概念内涵.具体的p阶逆向 于不同的色彩，人眼却可以识别出成千上万种不同 云算法描述如下]： 的颜色，所以很多时候，仅仅利用灰度信息无法从 输入：样本点x,(i=1,2,…,n),分组数m,每 图像中提取出感兴趣的区域，因此必须要借助色彩 组样本数r; 的相关信息.因为彩色图像提供了比灰度图像更加 输出：反映定性概念的数字特征Ex=En1,En2, 丰富的信息，伴随着计算机处理能力的加快，彩色 En3,…,Enp-1,En。,He. 图像处理愈来愈多地受到研究者的关注.彩色图像 算法步骤： 分割是指从彩色图像中分离出人们感兴趣的区域， 1)从样本（云滴）x1,x2,…,x中估计均值Ex= 常用的彩色图像分割方法是将彩色图像转换成单色
Ｈｅ） ， ｐ 阶正态云就退化为正态分布．当 ｐ ＝ ２ 时， ｐ 阶正态云就退化为二阶正态云， 此时 Ｅｎ１ ＝ Ｅｘ， Ｅｎ２ ＝Ｅｎ． 也就是文献［１１］中给出的正态云． 云变换是云模型中实现概念定性描述（概念内 涵）与定量表示（概念的外延）相互转换的工具， 包 括正向云变换和逆向云变换． 文中除特别说明之 外， 正向云变换和逆向云变换均指正向正态云变换 和逆向正态云变换． 王国胤等［７］ 根据正向云变换和 逆向云变换之间的关系分别给了出了 ｐ 阶正向云变 换算法和 ｐ 阶逆向云变换算法． １．１．１ ｐ 阶正向云变换算法 ｐ 阶正向云变换就是根据表征定性概念内涵的 ｐ＋１ 个数字特征， 由 ｐ 次正态随机递归产生 ｐ 阶正 态云云滴的过程． 具体如下［７］ ： 输入： ｐ ＋ １ 个 数 字 特 征 Ｅｘ ＝ Ｅｎ１ ， Ｅｎ２ ， …， Ｅｎｐ－１ ， Ｅｎｐ， Ｈｅ 和生成云滴的个数 ｎ． 输出：ｎ 个 ｐ 阶云滴 ｘｐｉ（ｉ ＝ １，２，…，ｎ）． 算法步骤： １）生成以 Ｅｎｐ 为期望值， Ｈｅ ２ 为方差的一个正 态随机数 ｘ１ ； ２）生成以 Ｅｎｐ－１为期望值， ｘ ２ １ 为方差的一个正 态随机数 ｘ２ ； … ｐ － １）生成以 Ｅｎ２ 为期望值， ｘ ２ ｐ－２ 为方差的一个 正态随机数 ｘｐ－１ ； ｐ ）生成以 Ｅｎ１ 为期望值， ｘ ２ ｐ－１ 为方差的一个正 态随机数 ｘｐｊ ； ｐ ＋ １） 计 算 云 滴 的 确 定 度 μ（ｘｐｊ） ＝ ｅｘｐ（ － （ｘｐｊ － Ｅｎ１ ） ２ ／ （２ｘ ２ ｐ－１ ）） ， 具有确定度 μｐｊ 的 ｘｐｊ 成为 数域中的一个云滴， 称之为 ｐ 阶云滴， 重复 １） ～ ｐ）， 直至产生 ｎ 个 ｐ 阶云滴 ｘｐｊ（ｊ ＝ １，２，…，ｎ）为止． １．１．２ ｐ 阶逆向云变换算法 在实际的数据统计分析和概念抽取过程中， 数 据样本对概念的确定度是无法获得的， 而且靠人为 主观给定可能会带来更大的误差． 无确定度的逆向 云算法根据云滴的统计特性， 依靠统计计算获得云 模型的数字特征表征的概念内涵． 具体的 ｐ 阶逆向 云算法描述如下［７］ ： 输入：样本点 ｘｉ（ｉ ＝ １，２，…，ｎ） ， 分组数 ｍ， 每 组样本数 ｒ ； 输出：反映定性概念的数字特征 Ｅｘ ＝ Ｅｎ１ ， Ｅｎ２ ， Ｅｎ３ ，…，Ｅｎｐ－１ ，Ｅｎｐ，Ｈｅ． 算法步骤： １）从样本（云滴） ｘ１ ，ｘ２ ，…，ｘｎ 中估计均值 Ｅ ＾ ｘ ＝ Ｅ ＾ ｎ１ ＝ １ ｎ ∑ ｎ ｋ ＝ １ ｘｋ； ２）从样本（云滴） ｘ１ ，ｘ２ ，…，ｘｎ 中随机选取 ｍ 组 样本（可重复）， 每组有 ｒ 个样本， 从每组样本中估 计出 ｙ ＾ ２ ｉ ＝ １ ｒ － １∑ ｒ ｊ ＝ １ （ｘｉｊ － Ｅ ＾ ｘｉ） ２ （ｉ ＝ １，２，…，ｍ） ． 令 Ｙ ＝ｙ ２ １ ，ｙ ２ ２ ，…，ｙ ２ ｍ ； ３）ｆｏｒ （ ｐ ＝ ２；ｐ ＜ Ｐ；ｐ ＋ ＋ ）｛ Ｅ ＾ ｎｐ ２ ＝ １ ２ ４ （Ｅ ＾ Ｙ ２ ） ２ － ２Ｄ ＾ Ｙ ２ ， 其 中 Ｅ ＾ Ｙ ２ ＝ １ ｍ∑ ｍ ｉ ＝ １ ｙ ＾ ２ ｉ ，Ｄ ＾ Ｙ ２ ＝ １ ｍ － １∑ ｍ ｉ ＝ １ （ｙ ＾ ２ ｉ － Ｅ ＾ Ｙ ２ ） ２ 分别表示样本集 Ｙ ２的数学期望和方差． 输入 ｍｍ，ｒｒ ，令 ｍ ＝ ｍｍ，ｒ ＝ ｒｒ ； Ｅ ＾ ｎ ２ ｐ＋１，ｉ ＝ １ ２ ４ （Ｅ ＾ Ｙ ２ ｐ＋１，ｉ） ２ － ２Ｄ ＾ Ｙ ２ ｐ＋１，ｉ ， ｕ ＾ ２ ｐ＋１，ｉ ＝ Ｅ ＾ Ｙ ２ ｐ＋１，ｉ － Ｅ ＾ ｎ ２ ｐ＋１，ｉ， ｉ ＝ １，２，…，ｍ． 其中 Ｅ ＾ Ｙ ２ ｐ＋１，ｉ ＝ １ ｒ ∑ ｒ ｊ ＝ １ ｙ ＾ ２ ｊ ，Ｄ ＾ Ｙ ２ ｐ＋１，ｉ ＝ １ ｒ － １∑ ｒ ｊ ＝ １ （ｙ ＾ ２ ｊ － Ｅ ＾ Ｙ ２ ｐ＋１，ｉ） ２ ， Ｙ ＝ ｛ｕ ＾ ２ ｐ＋１，１ ，ｕ ＾ ２ ｐ＋１，２ ，．．．．．．，ｕ ＾ ２ ｐ＋１，ｍ ｝； 以 Ｙ 为样本， 从样本中估计 Ｅｎ ２ ｐ，Ｈｅ ２ ｐ Ｅ ＾ ｎ ２ ｐ ＝ １ ２ ４ （Ｅ ＾ Ｙ ２ ） ２ － ２Ｄ ＾ Ｙ ２ ， Ｈ ＾ ｅ ２ ｐ ＝ Ｅ ＾ Ｙ ２ － Ｅ ＾ ｎｐ ２ ， 其中， Ｐ 代表总阶数， ｐ 代表当前计算阶数， Ｅ ＾ Ｙ ２ 、 Ｄ ＾ Ｙ ２ 分别指组间样本均值和组间样本方差， ｍｍ、ｒｒ 分别代表分组数和每组样本数． 本文利用二 阶逆向云变换算法和三阶逆向云变换算法将彩色图 像的频率分布函数分割成若干个云粒的叠加， 得到 图像的初步分割． １．２ 图像分割 图像分割是指将图像中具有特殊意义的不同区 域分割开， 并使这些区域相互不相交， 且每个区域 应满足特定区域的一致性条件． 由于人眼对亮度有 一定的适应性， 即只能识别几十种灰度级， 但是对 于不同的色彩，人眼却可以识别出成千上万种不同 的颜色， 所以很多时候， 仅仅利用灰度信息无法从 图像中提取出感兴趣的区域， 因此必须要借助色彩 的相关信息． 因为彩色图像提供了比灰度图像更加 丰富的信息， 伴随着计算机处理能力的加快， 彩色 图像处理愈来愈多地受到研究者的关注． 彩色图像 分割是指从彩色图像中分离出人们感兴趣的区域， 常用的彩色图像分割方法是将彩色图像转换成单色 第 ６ 期 王金芝，等： 一种新的云综合方法在彩色图像分割中的应用 ·５１９·
·520 智能系统学报 第8卷 图像，并结合颜色空间做图像分割.如图1所示[]」 即为物体反射光的明暗程度，是人类视觉获得的最 直接的感受.HSV颜色空间模型对应于三维空间中 单色图像分制方法 的一个圆锥形)，如图2所示.圆锥的顶面对应 1、基于区域的分割技术直方图 阈值法、颜色聚类方法区域增长 颜色空间 V=1,它与RGB模型中的R=1,G=1,B=1时所 彩 区域合并和区域分裂及其组合) 1、RGB 代表的颜色系相同.色彩H由绕V轴的旋转角给 2、基于边缘的分割技术（基于边 2、YUV 缘检测的方法，分水岭分割算法) 3、Y1Q 定，红、黄、绿、青、蓝、品红分别对应于角度0°、60°、 3,基于特定理论工具的分割技术 4、I5 分 基于小波分析的彩色图像分割技+5、HIS 120°、180°、240°、300°.圆锥的顶面中心处代表白 术，基于Markov随机场的方法斟 6、HSV 于神经网络的方法、基于模糊集合 7、Nrgb 色，圆锥的顶点（即原点）代表黑色，从顶面中心点 法 理论的彩色图像分割技术基于物 8、CIE(L*a*b 理模型的分割技术基于粗糙集的 到原点，代表亮度渐暗的灰色，其中，S=0,H无 9、CIE(L*u*v) 彩色图像分割方法、基于云模型 10、以上空间 意义.在圆锥顶面的圆周上的颜色具有最高亮度、 的彩色图像分割方法等) 的组合 4、分形技术 最大饱和度，V=1,S=1. 5、混合技术 绿(120°) 黄60°) 青款180° 红(0°) 图1常用彩色图像分割方法 蓝(240°品红(300% Fig.I Common color image segmentation methods 颜色空间的选择需要符合人类眼晴的视觉感知 特性，也要应适合于图像处理.HSV颜色空间是一 H 种均匀的颜色空间，一种面向视觉感知的颜色模 图2HSV颜色空间 型，通常用于计算机图形应用中.其具有2个特点： Fig.2 HSV color space 1)色调和饱和度分量包含了颜色信息，与人感受颜 颜色量化技术分为均匀量化和非均匀量化2 色的方式紧密相连：2)亮度分量与图像的彩色信息 类：均匀量化方法是把颜色变量均匀地量化到相等 无关.这些特点使HSV颜色空间非常适合于借助人 的空间，它的优点是计算速度快，但量化后的颜色 的视觉系统来感知彩色特性的图像处理算法[.所 空间中会多出许多原始图像中不包含的颜色，因此 以本文采用云模型理论在HSV颜色空间上进行图 冗余度较大：非均匀量化方法更适合于机器视觉的 像分割 研究，因为该方法是根据人眼的视觉特性把颜色变 2 基于云模型的图像分割方法 量非均匀地量化到一系列区间，并能保证量化后颜 色空间中的每个区间都非空，从而不会丢失图像信 本文采用的基于云模型的图像分割算法，首 息，使得图像处理获得更好的效果 先，将彩色图像转换到HSV颜色空间，并进行非均 根据光学理论，物体的颜色与光的波长和频率 匀量化：其次，根据非均匀量化的结果，得到彩色 有关，在文献[10]中，对H$V颜色空间进行非均 图像的频率分布图，利用逆向云变换算法将频率分 匀量化.按照人的视觉分辨能力，将HSV颜色空间 布函数分割成若干个云概念的叠加，得到图像的初 非均匀量化成256维，即色调(H)16维，饱和度 步分割：再次，根据合并准则，利用本文提出的云 (S)和亮度(V)各4维，构造一维特征矢量G: 综合方法实现云概念的合并，得到更高层次的云概 G=HQsQv+SQv+V, (1) 念：最后，根据云概念的“3E”规则，最终实现图 式中：Q和Q,分别是分量S和V的量化级数，这 像的分割 里Qs=4,Q,=4,因此，式(1)中 2.1HSV颜色空间描述及非均匀量化 HSV颜色空间通过3个属性一色调(Hue)、 G=16H+4S+V, (2) 这样，H、S、V3个分量在一维矢量上分布开来，可 饱和度(Saturation)和亮度(Value)来表示色彩信息. 以很好地利用一维云模型进行处理 色调表示光的颜色，与混合光谱中光的波长相关， 本文采取与文献[18]相同的量化方式，具体的 不同波长的光呈现不同的颜色.饱和度是指颜色的 非均匀量化公式如式(3)所示： 深浅程度，与色调的纯度及白光的多少相关.亮度
图像， 并结合颜色空间做图像分割． 如图 １ 所示［１６］ ． 图 １ 常用彩色图像分割方法 Ｆｉｇ．１ Ｃｏｍｍｏｎ ｃｏｌｏｒ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｍｅｔｈｏｄｓ 颜色空间的选择需要符合人类眼睛的视觉感知 特性， 也要应适合于图像处理． ＨＳＶ 颜色空间是一 种均匀的颜色空间， 一种面向视觉感知的颜色模 型， 通常用于计算机图形应用中． 其具有 ２ 个特点： １）色调和饱和度分量包含了颜色信息， 与人感受颜 色的方式紧密相连； ２）亮度分量与图像的彩色信息 无关． 这些特点使 ＨＳＶ 颜色空间非常适合于借助人 的视觉系统来感知彩色特性的图像处理算法［６］ ． 所 以本文采用云模型理论在 ＨＳＶ 颜色空间上进行图 像分割． ２ 基于云模型的图像分割方法 本文采用的基于云模型的图像分割算法， 首 先， 将彩色图像转换到 ＨＳＶ 颜色空间， 并进行非均 匀量化； 其次， 根据非均匀量化的结果， 得到彩色 图像的频率分布图， 利用逆向云变换算法将频率分 布函数分割成若干个云概念的叠加， 得到图像的初 步分割； 再次， 根据合并准则， 利用本文提出的云 综合方法实现云概念的合并， 得到更高层次的云概 念； 最后， 根据云概念的“３Ｅｎ” 规则， 最终实现图 像的分割． ２．１ ＨＳＶ 颜色空间描述及非均匀量化 ＨＳＶ 颜色空间通过 ３ 个属性———色调（Ｈｕｅ）、 饱和度（Ｓａｔｕｒａｔｉｏｎ）和亮度（Ｖａｌｕｅ）来表示色彩信息． 色调表示光的颜色， 与混合光谱中光的波长相关， 不同波长的光呈现不同的颜色． 饱和度是指颜色的 深浅程度， 与色调的纯度及白光的多少相关． 亮度 即为物体反射光的明暗程度， 是人类视觉获得的最 直接的感受． ＨＳＶ 颜色空间模型对应于三维空间中 的一个圆锥形［１７］ ， 如图 ２ 所示． 圆锥的顶面对应 Ｖ＝ １， 它与 ＲＧＢ 模型中的 Ｒ ＝ １， Ｇ ＝ １， Ｂ ＝ １ 时所 代表的颜色系相同． 色彩 Ｈ 由绕 Ｖ 轴的旋转角给 定， 红、黄、绿、青、蓝、品红分别对应于角度 ０°、６０°、 １２０°、１８０°、２４０°、３００°． 圆锥的顶面中心处代表白 色， 圆锥的顶点（即原点）代表黑色， 从顶面中心点 到原点， 代表亮度渐暗的灰色， 其中， Ｓ ＝ ０， Ｈ 无 意义． 在圆锥顶面的圆周上的颜色具有最高亮度、 最大饱和度， Ｖ＝ １， Ｓ ＝ １． 图 ２ ＨＳＶ 颜色空间 Ｆｉｇ．２ ＨＳＶ ｃｏｌｏｒ ｓｐａｃｅ 颜色量化技术分为均匀量化和非均匀量化 ２ 类：均匀量化方法是把颜色变量均匀地量化到相等 的空间， 它的优点是计算速度快， 但量化后的颜色 空间中会多出许多原始图像中不包含的颜色， 因此 冗余度较大； 非均匀量化方法更适合于机器视觉的 研究， 因为该方法是根据人眼的视觉特性把颜色变 量非均匀地量化到一系列区间， 并能保证量化后颜 色空间中的每个区间都非空， 从而不会丢失图像信 息， 使得图像处理获得更好的效果． 根据光学理论， 物体的颜色与光的波长和频率 有关， 在文献［１０］ 中， 对 ＨＳＶ 颜色空间进行非均 匀量化． 按照人的视觉分辨能力， 将 ＨＳＶ 颜色空间 非均匀量化成 ２５６ 维， 即色调（Ｈ） １６ 维， 饱和度 （Ｓ）和亮度（Ｖ）各 ４ 维， 构造一维特征矢量 Ｇ ： Ｇ ＝ ＨＱＳＱＶ ＋ ＳＱＶ ＋ Ｖ， （１） 式中： ＱＳ 和 ＱＶ 分别是分量 Ｓ 和 Ｖ 的量化级数， 这 里 ＱＳ ＝ ４， ＱＶ ＝ ４， 因此， 式（１）中 Ｇ ＝ １６Ｈ ＋ ４Ｓ ＋ Ｖ， （２） 这样，Ｈ、Ｓ、Ｖ ３ 个分量在一维矢量上分布开来， 可 以很好地利用一维云模型进行处理． 本文采取与文献［１８］相同的量化方式， 具体的 非均匀量化公式如式（３）所示： ·５２０· 智 能 系 统 学 报 第 ８ 卷
第6期 王金芝，等：一种新的云综合方法在彩色图像分割中的应用 ·521· 0,h∈(345,15]； 心，即云概念的数学期望，利用逆向云变换算法从 1,h∈(15,25]； 局部极大值周围的数据中得到一个云概念：然后在 2,h∈(25,45]： 原分布中减去已获得云概念对应的数值部分，再从 3,h∈(45,55]： 剩余的数据分布中寻找局部极大值，依次类推可得 4,h∈(55,80]； 到若干个云概念.根据这一思想，频率分布曲线函 5,h∈(80,108]： 数可以根据其实际分布情况自动得到若干个不同云 6,h∈(108,140]； 概念的叠加.如图3所示，其中黑曲线为频率分布 7,h∈(140,165]； H= 曲线f(x),灰色部分为所生成的若干个云概念的 8,h∈(165,190]； 云图. 9,h∈(190,220]： 0.6 10,h∈(220,255]： 11,h∈(255,275]； 12,h∈(275,290]； 0.2 13,h∈(290,316]； 14,h∈(316,330]； 50100x150200250 15,h∈(330,345]. 图3频率分布曲线∫(x)概念提取结果 0,s∈[0,0.15]； Fig.3 Concept extraction results of frequency distribu- 1,s∈(0.15,0.4]： tion curves f(x) S= 2,s∈(0.4,0.75]； 2.3概念合并 3,s∈(0.75,1]. 对于2.2节所提取到的初步云概念，根据距离 0,v∈[0,0.15]： 公式Dis=lEx1-Ex2I/(En,-En2)计算相邻2个 1,∈(0.15,0.4]： 云概念的距离，并对其中距离最短的2个云概念按 (3) 2,D∈(0.4,0.75]； 照云综合方法进行合并。 3,v∈(0.75,1] 云综合方法是将符合合并准则的2个云概念进 2.2概念提取过程 行合并，得到更高层次的云概念.2000年蒋嵘等劉 根据彩色图像转换到HSV颜色空间的特征矢 提出云概念综合的“软或”方法，并给出相应的计算 量的特征值频率，得到以特征值作为横轴，各特征 公式，具体如下 值在图像中出现的频率为纵轴的数据频率分布图， 设C,(Ex1,En1,He1)和C,(Ex2,En2,He2)是 即根据给定的论域中某个数据属性X的频率分布 论域U上的2个相邻的二阶云概念，如果Ex1≤ 函数f(x),由X的属性值频率的实际分布情况，自 Ex2,那么C,和C2进行“软或”得到新的云概念为 动生成若千个不同的云概念C,(Ex,En,He:)的叠 Ca(Ex3,Ens,He)=C UC2. 加，从而实现从连续数到云概念的转换过程).其 式中：Ex3=(Ex1+Ex2)/2+(En2-En1)/4,En3= 数学表达式为 Ex2 -Ex)/4+(En +En2)/2,He3 =max(He He2)· fx)→∑(a,*C.(Ex,En,He,). 该方法是利用数字特征进行代数运算得到的， 式中：a:为幅度系数，n为云变换后生成的云概念 但是作者并没有具体解释概念合成后的数字特征 的个数 Ex3、En、He3与概念C1和C,中数字特征之间的关 利用本文给出的逆向云变换自动生成若干个不 系，以及2个云概念合成的缘由.本文根据正态云 同云概念，逆向云变换算法是一种从某一属性的实 模型的“3E”规则，得到新的高阶“软或”云综合 方法 际数据分布中提取概念的过程，是从定量表示到定 2.3.1“3En”规则 性描述的转换过程，也是一个概念归纳学习的过 在正向云变换中，云滴群对概念的贡献是不同 程.所以概念提取的具体过程为：根据常识可知，高 的.论域U中，任一小区间上的云滴群△x对定性概 频率出现的数据值对定性概念的贡献大于低频率的 数据值对定性概念的贡献.利用这一常识，首先找 念C的贡献为AT≈u(x)*Ax/√2TEn,显然论域 上所有元素对概念C的总贡献为 到数据频率分布中的局部极大值点，作为概念的中
Ｈ ＝ ０，ｈ ∈ （３４５，１５］； １，ｈ ∈ （１５，２５］； ２，ｈ ∈ （２５，４５］； ３，ｈ ∈ （４５，５５］； ４，ｈ ∈ （５５，８０］； ５，ｈ ∈ （８０，１０８］； ６，ｈ ∈ （１０８，１４０］； ７，ｈ ∈ （１４０，１６５］； ８，ｈ ∈ （１６５，１９０］； ９，ｈ ∈ （１９０，２２０］； １０，ｈ ∈ （２２０，２５５］； １１，ｈ ∈ （２５５，２７５］； １２，ｈ ∈ （２７５，２９０］； １３，ｈ ∈ （２９０，３１６］； １４，ｈ ∈ （３１６，３３０］； １５，ｈ ∈ （３３０，３４５］． ì î í ï ï ï ï ï ï ï ï ï ï ïï ï ï ï ï ï ï ï ï ï ï ï Ｓ ＝ ０，ｓ ∈ ［０，０．１５］； １，ｓ ∈ （０．１５，０．４］； ２，ｓ ∈ （０．４，０．７５］； ３，ｓ ∈ （０．７５，１］． ì î í ï ï ï ï Ｖ ＝ ０，ｖ ∈ ［０，０．１５］； １，ｖ ∈ （０．１５，０．４］； ２，ｖ ∈ （０．４，０．７５］； ３，ｖ ∈ （０．７５，１］． ì î í ï ï ï ï （３） ２．２ 概念提取过程 根据彩色图像转换到 ＨＳＶ 颜色空间的特征矢 量的特征值频率， 得到以特征值作为横轴， 各特征 值在图像中出现的频率为纵轴的数据频率分布图， 即根据给定的论域中某个数据属性 Ｘ 的频率分布 函数 ｆ（ｘ） ， 由 Ｘ 的属性值频率的实际分布情况， 自 动生成若干个不同的云概念 Ｃｉ（Ｅｘｉ，Ｅｎｉ，Ｈｅｉ） 的叠 加， 从而实现从连续数到云概念的转换过程［１１］ ． 其 数学表达式为 ｆ（ｘ） → ∑ ｎ ｉ ＝ １ （ａｉ∗Ｃｉ（Ｅｘｉ，Ｅｎｉ，Ｈｅｉ））． 式中： ａｉ 为幅度系数， ｎ 为云变换后生成的云概念 的个数． 利用本文给出的逆向云变换自动生成若干个不 同云概念， 逆向云变换算法是一种从某一属性的实 际数据分布中提取概念的过程， 是从定量表示到定 性描述的转换过程， 也是一个概念归纳学习的过 程． 所以概念提取的具体过程为：根据常识可知， 高 频率出现的数据值对定性概念的贡献大于低频率的 数据值对定性概念的贡献． 利用这一常识， 首先找 到数据频率分布中的局部极大值点， 作为概念的中 心， 即云概念的数学期望， 利用逆向云变换算法从 局部极大值周围的数据中得到一个云概念；然后在 原分布中减去已获得云概念对应的数值部分， 再从 剩余的数据分布中寻找局部极大值， 依次类推可得 到若干个云概念． 根据这一思想， 频率分布曲线函 数可以根据其实际分布情况自动得到若干个不同云 概念的叠加． 如图 ３ 所示， 其中黑曲线为频率分布 曲线 ｆ（ｘ） ， 灰色部分为所生成的若干个云概念的 云图． 图 ３ 频率分布曲线 ｆ （ｘ）概念提取结果 Ｆｉｇ．３ Ｃｏｎｃｅｐｔ ｅｘｔｒａｃｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｆｒｅｑｕｅｎｃｙ ｄｉｓｔｒｉｂｕ⁃ ｔｉｏｎ ｃｕｒｖｅｓ ｆ （ｘ） ２．３ 概念合并 对于 ２．２ 节所提取到的初步云概念， 根据距离 公式 Ｄｉｓ ＝｜ Ｅｘ１ － Ｅｘ２ ｜ ／ （Ｅｎ１ － Ｅｎ２ ） 计算相邻 ２ 个 云概念的距离， 并对其中距离最短的 ２ 个云概念按 照云综合方法进行合并． 云综合方法是将符合合并准则的 ２ 个云概念进 行合并， 得到更高层次的云概念． ２０００ 年蒋嵘等［８］ 提出云概念综合的“软或”方法， 并给出相应的计算 公式， 具体如下． 设 Ｃ１（Ｅｘ１ ，Ｅｎ１ ，Ｈｅ１ ） 和 Ｃ２（Ｅｘ２ ，Ｅｎ２ ，Ｈｅ２ ） 是 论域 Ｕ 上的 ２ 个相邻的二阶云概念， 如果 Ｅｘ１ ≤ Ｅｘ２ ， 那么 Ｃ１ 和 Ｃ２ 进行“软或”得到新的云概念为 Ｃ３（Ｅｘ３ ，Ｅｎ３ ，Ｈｅ３ ） ＝ Ｃ１ ∪ Ｃ２ ． 式中： Ｅｘ３ ＝ （Ｅｘ１ ＋ Ｅｘ２ ） ／ ２ ＋ （Ｅｎ２ － Ｅｎ１ ） ／ ４， Ｅｎ３ ＝ （Ｅｘ２ － Ｅｘ１ ） ／ ４ ＋ （Ｅｎ１ ＋ Ｅｎ２ ） ／ ２， Ｈｅ３ ＝ ｍａｘ（Ｈｅ１ ＋ Ｈｅ２ ） ． 该方法是利用数字特征进行代数运算得到的， 但是作者并没有具体解释概念合成后的数字特征 Ｅｘ３ 、Ｅｎ３ 、Ｈｅ３ 与概念 Ｃ１ 和 Ｃ２ 中数字特征之间的关 系， 以及 ２ 个云概念合成的缘由． 本文根据正态云 模型的“３Ｅｎ” 规则， 得到新的高阶“软或” 云综合 方法． ２．３．１ “３Ｅｎ”规则 在正向云变换中， 云滴群对概念的贡献是不同 的． 论域 Ｕ 中， 任一小区间上的云滴群 Δｘ 对定性概 念 Ｃ 的贡献为 ΔＴ≈μｃ（ｘ）∗Δｘ ／ ２π Ｅｎ ，显然论域 上所有元素对概念 Ｃ 的总贡献为 第 ６ 期 王金芝，等： 一种新的云综合方法在彩色图像分割中的应用 ·５２１·
.522. 智能系统学报 第8卷 +o Ex3=((Ex1-3En)+(Ex2+3En2))/2= u(x)dx exp(-(x -Ex)2/(2En2)dx Ex1+E+3(En-Em） T= =1. 2 2 √2TEn √2亓En C,(Ex,En,He) 1 Ex+3En 1.0 因为 u.(x)dx=99.74%.所以论域U C,(Ex,.En2.He2) 2rEn 0.8 Ex-3En 0.6 中对定性概念C有贡献的云滴主要落在[Ex一 0.4 3En,Ex+3En]上，忽略该区间之外的云滴对定性 0.2 概念C的贡献（这些云滴对概念C的贡献也仅有 0.26%),这就是正态云的“3En”规则[」 20 4060 80100120140 例如，如图4所示，对二阶正态云概念C(Ex= 6En, Ex -3En, Ex,+3En, 0,En=10,He=0.8),其云图如图4所示.图中， +6(En,+3He,) u.=exp(-(x-Ex)2/(2En2))是概念C的期望曲 Ex,-3(En,+3He,) Ex,+3(En2+3He,】 线[)，即He=0时的高斯隶属度曲线；u1=exp(- 图52个云概念C1、C2的合并 (x-Ex)2/(2),42=exp(-(x-Ex)2/(2o))分别 Fig.5 The combination of two cloud concepts C and C2 是g,=En+3He和o2=En-3He时所对应的高斯 由二阶正态云概念期望曲线的“跨度”为6E, 隶属度曲线.根据正态云的“3E”规则，有99.74% 从图5可看出，合成后概念C3的“跨度”6En3就为 的云滴位于曲线41及42之间。 1.0r [Ex,-3En1,Ex2+3En2]的长度，即 0.8 6En3=(Ex2+3En2)-(Ex1-3En1). 0.6 ==“μ 从而可以得到En3为 0.4 En3=(Ex2-Ex1)/2+(En1+En2)/6, 0.2 Ex 根据二阶正态云概念外侧曲线的“跨度”为 5 -10 10 30 6(En+3He),可得，合成后概念C,的外侧“跨度” 6(En-3He) 6(En3+3He3)就为[Ex1+3(En1+3He1),Ex2+ 6En 3(En2+3He2)],即 6(En+3He) 6(En3+3He3)=(Ex2+3(En2+3He2))-(Ex1+3(En1+ 图4云模型的“3E”规则及“跨度” Fig.4“3En"rule and“span"of cloud model 3He)→En3+3He3= Ex,-Ex:En,+Ens 3(He,+He 2 6 2 从图4中可看到，对一个二阶正态云概念 (He,+He2) C(Ex,En,He),期望曲线u。的“跨度”是[Ex- Ens+ 2 -,→He3=(He,+He2)/2. 3En,Ex+3En],长度为6En;外侧曲线u1的“跨度” 同理，由二阶正态云概念内侧曲线的“跨度”方 是[Ex-3(En+3He),Ex+3(En+3He)],长度 法亦可得到He3=(He,+He2)/2. 为6(En+3He);内侧曲线2的“跨度”是[Ex- 类似于二阶正态云概念的综合方法，可得到三 3(En-3He),Ex+3(En-3He)],长度为6(En- 阶正态云概念“软或”的综合方法，具体如下： 3He).为此，对于2个二阶正态云概念，给出一种 设论域C,(Ex1,En1,Enn1,He1)和C2(Ex2, 新的“软或”云综合方法. En2,Enn2,He2)是论域U上的2个相邻的三阶云 2.3.2正态云概念的“软或”运算 概念，如果Ex,≤Ex2,那么进行“软或”云综合得到 设论域C,(Ex1,En1,He)和C2(Ex2,En2,He2) 新的云概念为C,(Ex,En3,Enn3,He3)=C,UC2, 是论域U上的2个相邻二阶正态云概念.如果 Ex1≤Ex2,那么C,和C,进行“软或”运算得到新的 其中：Bx,=(Ex+E,)/2+之(EBm,-Bm),Em 云概念为C3(Ex3,En,He3)=C1UC2,其中数字特 Ex2-Ex)/6+(En+En2)/2,Enn;=(Enn +Enn2)/ 征Ex3、En、He3解释如下. 2,He3=(He,+He2)/2.根据上述正态云概念的“软 如图5所示，根据“3E”规则，对合成后概念C 或”计算方法，可推广至2个p阶正态云概念的“软 有主要贡献的云滴群范围在[Ex,-3En1,Ex2+3En2] 或”计算，本文不再赘述 内，因此C,的期望值Ex3为该区间的中点，即： 最后利用“3E”规则对合并后的云概念进行划
Ｔ ＝ ∫ ＋¥ －¥ ｕｃ（ｘ）ｄｘ ２πＥｎ ＝ ∫ ＋¥ －¥ ｅｘｐ（ － （ｘ － Ｅｘ） ２ ／ （２Ｅｎ ２ ））ｄｘ ２πＥｎ ＝ １． 因为 １ ２π Ｅｎ ∫ Ｅｘ＋３Ｅｎ Ｅｘ－３Ｅｎ μｃ（ｘ）ｄｘ ＝ ９９．７４％ ． 所以论域 Ｕ 中对定性概念 Ｃ 有贡献的云滴主要落在 ［Ｅｘ － ３Ｅｎ，Ｅｘ ＋ ３Ｅｎ］ 上， 忽略该区间之外的云滴对定性 概念 Ｃ 的贡献（这些云滴对概念 Ｃ 的贡献也仅有 ０．２６％）， 这就是正态云的“３Ｅｎ” 规则［１９］ ． 例如， 如图 ４ 所示， 对二阶正态云概念 Ｃ（Ｅｘ ＝ ０，Ｅｎ ＝ １０，Ｈｅ ＝ ０．８） ， 其云图如图 ４ 所示． 图中， μｃ ＝ｅｘｐ（ － （ｘ － Ｅｘ） ２ ／ （２Ｅｎ ２ ）） 是概念 Ｃ 的期望曲 线［１１］ ， 即 Ｈｅ ＝ ０ 时的高斯隶属度曲线； μ１ ＝ ｅｘｐ（ － （ｘ－Ｅｘ） ２ ／ （２σ ２ １ ）），μ２ ＝ ｅｘｐ（ －（ｘ－Ｅｘ） ２ ／ （２σ ２ ２ ））分别 是 σ１ ＝ Ｅｎ ＋ ３Ｈｅ 和 σ２ ＝ Ｅｎ － ３Ｈｅ 时所对应的高斯 隶属度曲线． 根据正态云的“３Ｅｎ” 规则， 有９９．７４％ 的云滴位于曲线 μ１ 及 μ２ 之间． 图 ４ 云模型的“３Ｅｎ” 规则及“跨度” Ｆｉｇ．４ “３Ｅｎ”ｒｕｌｅ ａｎｄ “ｓｐａｎ” ｏｆ ｃｌｏｕｄ ｍｏｄｅｌ 从图 ４ 中可看到， 对一个二阶正态云概念 Ｃ（Ｅｘ，Ｅｎ，Ｈｅ） ， 期望曲线 μｃ 的 “ 跨度” 是 ［ Ｅｘ － ３Ｅｎ，Ｅｘ＋３Ｅｎ］，长度为 ６Ｅｎ； 外侧曲线 μ１ 的“跨度” 是 ［Ｅｘ － ３（Ｅｎ ＋ ３Ｈｅ），Ｅｘ ＋ ３（Ｅｎ ＋ ３Ｈｅ）］， 长度 为 ６（Ｅｎ ＋ ３Ｈｅ）； 内侧曲线 μ２ 的“跨度” 是 ［Ｅｘ － ３（Ｅｎ － ３Ｈｅ），Ｅｘ ＋ ３（Ｅｎ － ３Ｈｅ）］， 长度为 ６（Ｅｎ－ ３Ｈｅ）． 为此， 对于 ２ 个二阶正态云概念， 给出一种 新的“软或”云综合方法． ２．３．２ 正态云概念的“软或”运算 设论域 Ｃ１（Ｅｘ１ ，Ｅｎ１ ，Ｈｅ１ ） 和 Ｃ２（Ｅｘ２ ，Ｅｎ２ ，Ｈｅ２ ） 是论域 Ｕ 上的 ２ 个相邻二阶正态云概念． 如果 Ｅｘ１ ≤Ｅｘ２ ， 那么 Ｃ１ 和 Ｃ２ 进行“软或”运算得到新的 云概念为 Ｃ３（Ｅｘ３ ，Ｅｎ３ ，Ｈｅ３ ） ＝ Ｃ１ ∪ Ｃ２ ， 其中数字特 征 Ｅｘ３ 、Ｅｎ３ 、Ｈｅ３ 解释如下． 如图 ５ 所示， 根据“３Ｅｎ” 规则， 对合成后概念 Ｃ３ 有主要贡献的云滴群范围在 ［Ｅｘ１ － ３Ｅｎ１，Ｅｘ２ ＋ ３Ｅｎ２］ 内， 因此 Ｃ３ 的期望值 Ｅｘ３ 为该区间的中点， 即： Ｅｘ３ ＝ （（Ｅｘ１ － ３Ｅｎ１ ） ＋ （Ｅｘ２ ＋ ３Ｅｎ２ ）） ／ ２ ＝ Ｅｘ１ ＋ Ｅｘ２ ２ ＋ ３（Ｅｎ２ － Ｅｎ１ ） ２ ． 图 ５ ２ 个云概念 Ｃ１ 、Ｃ２ 的合并 Ｆｉｇ．５ Ｔｈｅ ｃｏｍｂｉｎａｔｉｏｎ ｏｆ ｔｗｏ ｃｌｏｕｄ ｃｏｎｃｅｐｔｓ Ｃ １ ａｎｄ Ｃ ２ 由二阶正态云概念期望曲线的“跨度”为 ６Ｅｎ， 从图 ５ 可看出，合成后概念 Ｃ３ 的“跨度”６Ｅｎ３ 就为 ［Ｅｘ１ －３Ｅｎ１ ，Ｅｘ２ ＋３Ｅｎ２ ］的长度， 即 ６Ｅｎ３ ＝ （Ｅｘ２ ＋３Ｅｎ２ ）－（Ｅｘ１ －３Ｅｎ１ ）． 从而可以得到 Ｅｎ３ 为 Ｅｎ３ ＝ （Ｅｘ２ －Ｅｘ１ ） ／ ２＋（Ｅｎ１ ＋Ｅｎ２ ） ／ ６． 根据二阶正态云概念外侧曲线的 “ 跨度” 为 ６（Ｅｎ＋３Ｈｅ）， 可得， 合成后概念 Ｃ３ 的外侧“跨度” ６（Ｅｎ３ ＋３Ｈｅ３ ） 就 为 ［ Ｅｘ１ ＋ ３ （ Ｅｎ１ ＋ ３Ｈｅ１ ）， Ｅｘ２ ＋ ３（Ｅｎ２ ＋３Ｈｅ２ ）］， 即 ６（Ｅｎ３ ＋３Ｈｅ３ ） ＝ （Ｅｘ２ ＋３（Ｅｎ２ ＋３Ｈｅ２ ）） －（Ｅｘ１ ＋３（Ｅｎ１ ＋ ３Ｈｅ１））⇒Ｅｎ３ ＋３Ｈｅ３ ＝ Ｅｘ２ －Ｅｘ１ ２ ＋ Ｅｎ１ ＋Ｅｎ２ ６ ＋ ３（Ｈｅ１ ＋Ｈｅ２） ２ ＝ Ｅｎ３ ＋ ３（Ｈｅ１ ＋Ｈｅ２） ２ ，⇒Ｈｅ３ ＝（Ｈｅ１ ＋Ｈｅ２） ／ ２． 同理， 由二阶正态云概念内侧曲线的“跨度”方 法亦可得到 Ｈｅ３ ＝ （Ｈｅ１ ＋Ｈｅ２ ） ／ ２． 类似于二阶正态云概念的综合方法， 可得到三 阶正态云概念“软或”的综合方法， 具体如下： 设论 域 Ｃ１（Ｅｘ１ ，Ｅｎ１ ，Ｅｎｎ１ ，Ｈｅ１ ） 和 Ｃ２ （ Ｅｘ２ ， Ｅｎ２ ， Ｅｎｎ２ ， Ｈｅ２ ）是论域 Ｕ 上的 ２ 个相邻的三阶云 概念， 如果 Ｅｘ１≤Ｅｘ２ ， 那么进行“软或”云综合得到 新的云概念为 Ｃ ３（Ｅｘ３ ，Ｅｎ３ ， Ｅｎｎ３ ，Ｈｅ３ ）＝ Ｃ１ ∪ Ｃ２ ， 其中： Ｅｘ３ ＝ （ Ｅｘ１ ＋ Ｅｘ２ ） ／ ２ ＋ ３ ２ （ Ｅｎ２ － Ｅｎ１ ）， Ｅｎ３ ＝ （Ｅｘ２ －Ｅｘ１ ） ／ ６＋（Ｅｎ１ ＋Ｅｎ２ ） ／ ２，Ｅｎｎ３ ＝ （Ｅｎｎ１ ＋Ｅｎｎ２ ） ／ ２，Ｈｅ３ ＝ （Ｈｅ１ ＋Ｈｅ２ ） ／ ２．根据上述正态云概念的“软 或”计算方法， 可推广至 ２ 个 ｐ 阶正态云概念的“软 或”计算， 本文不再赘述． 最后利用“３Ｅｎ”规则对合并后的云概念进行划 ·５２２· 智 能 系 统 学 报 第 ８ 卷
第6期 王金芝，等：一种新的云综合方法在彩色图像分割中的应用 .523. 分，实现对图像的最终分割，具体过程将在分割算 的像素和占总像素的百分比，其公式表示为 法的7)进行描述 ME=1- BoB,|+F。∩Fr 2.4分割算法描述 (4) |Bo|+IF。I 由上述的相关介绍，可得本文彩色图像分割算 式中：B。表示参考图像的背景像素点数，F。表示参 法的具体步骤： 考图像的目标像素点数，B,表示分割图像的背景像 1)把彩色图像转换到HSV颜色空间，分别对 素点数，F,表示分割图像的目标像素点数，B。∩B H、S和V分量进行非均匀量化，并构造256柄的一 表示参考图像中被正确分割为背景的像素点数， 维特征矢量G: F。∩F,表示分割图像中被正确分割为目标的像素 2)统计特征矢量G中特征值频率，然后以图 点数 像的特征值（本文采用特征矢量G中的数据为特征 3.1本文方法与旧“软或”云方法的实验对比 值)为横轴，各特征值在图像中出现的频率为纵轴， 本文采用Berkeley图像库里的图像做图像分割 得到数据的频率分布函数f(x); Http://www.eecs.berkeley.edu/Research/Projects/ 3)利用逆向云变换算法将频率分布函数f(x) CS/vision/.grouping/).如图6所示. 划分为若干个云概念的叠加，可表示为二阶云概念 C.(Ex,En:,He:）或三阶云概念C:(Ex,En:,Enn:, He,),形成图像的初步分割： 4)计算相邻云概念的距离，公式为 (a)原始图像 Dis=|Ex1-Ex2I/(En1-En2),根据距离最小原 则找到待合并的2个云； 5)根据云概念综合方法，对距离最短的2个云 (b)图像分割结果的标准对比图 概念进行“软或”运算，合并得到新的更高层次的云 概念，并用综合后的云概念表示合并后的区域： 6)重复4)~5)，直至云概念的个数达到分割 需求设定的最终的概念个数，每个云概念近似代表 (c)二阶逆向云算法(S_0) 一片分割区域： 7)借鉴云概念的“3En”规则，对于6)中最终 得到的每一个二阶云概念C(Ex,En,He)或三阶 (d)二阶逆向云算法(SN) 云概念C(Ex,En,Enm,He),将在区间[Ex;- 3En,Ex+3En]内的像素作为目标像素集（或背 景像素集)，将不属于该区间内的像素作为背景像 (e)将三阶逆向云算法(T_N) 素集（目标像素集），从而对图像进行分割。 图6本文方法与旧的“软或云”实验结果对比 3实验仿真 Fig.6 The experimental results comparison 本文通过2个对比实验，1)与文献[8]给出的 根据误分率的计算方法，将实验结果图与标准 二阶“软或”云概念综合方法作对比（称之为旧“软 对比图做比较，得到3种方法的实验误分率如表1 或”云方法)，说明本文提出的新的“软或”云综合 所示.从表1中可以看出，在同样使用二阶逆向云 方法的有效性：2)在新的二阶云概念综合基础上， 算法的情况下，本文提出的云综合方法比蒋峥等提 对灰度图像做图像分割，并与文献[9]给出的分割 出的云综合方法的实验结果的误分率小，从而表明 结果作比较，进一步说明本文方法利用逆向云变换 了本文提出的云综合方法在图像分割中的有效性： 算法和新的“软或”云综合方法在图像分割中的可 在同样使用本文提出的云综合方法的情况下，从二 行性及有效性」 阶逆向云算法与三阶逆向云算法的分割实验结果中 为了更加客观、定量地评价实验结果，采用误 可看出，对小鸟和树枝这幅图像，三阶逆向云算法 分率(misclassification error,ME)【20来评价图像分 能得到更好的分割结果.由于三阶逆向云算法在提 割的结果.误分率是一个十分重要的衡量指标，反 取概念的过程中相比二阶逆向云算法而言，多一个 映的是背景像素误分为目标与目标像素误分为背景 参数的估计，在一定程度上增加了参数的估计误
分，实现对图像的最终分割， 具体过程将在分割算 法的 ７）进行描述． ２．４ 分割算法描述 由上述的相关介绍， 可得本文彩色图像分割算 法的具体步骤： １）把彩色图像转换到 ＨＳＶ 颜色空间， 分别对 Ｈ、Ｓ 和 Ｖ 分量进行非均匀量化， 并构造 ２５６ 柄的一 维特征矢量 Ｇ； ２）统计特征矢量 Ｇ 中特征值频率， 然后以图 像的特征值（本文采用特征矢量 Ｇ 中的数据为特征 值）为横轴， 各特征值在图像中出现的频率为纵轴， 得到数据的频率分布函数 ｆ（ｘ） ； ３）利用逆向云变换算法将频率分布函数 ｆ（ｘ） 划分为若干个云概念的叠加， 可表示为二阶云概念 Ｃｉ（Ｅｘｉ，Ｅｎｉ，Ｈｅｉ） 或三阶云概念 Ｃｉ（Ｅｘｉ， Ｅｎｉ，Ｅｎｎｉ ， Ｈｅｉ） ， 形成图像的初步分割； ４ ） 计 算 相 邻 云 概 念 的 距 离， 公 式 为 Ｄｉｓ ＝｜ Ｅｘ１ －Ｅｘ２ ｜ ／ （Ｅｎ１ － Ｅｎ２ ） ， 根据距离最小原 则找到待合并的 ２ 个云； ５）根据云概念综合方法， 对距离最短的 ２ 个云 概念进行“软或”运算， 合并得到新的更高层次的云 概念， 并用综合后的云概念表示合并后的区域； ６）重复 ４） ～ ５）， 直至云概念的个数达到分割 需求设定的最终的概念个数， 每个云概念近似代表 一片分割区域； ７） 借鉴云概念的“３Ｅｎ”规则， 对于 ６）中最终 得到的每一个二阶云概念 Ｃ ’ ｊ （Ｅｘｊ，Ｅｎｊ，Ｈｅｊ） 或三阶 云概念 Ｃ ’ ｊ （Ｅｘｊ，Ｅｎｊ，Ｅｎｎｊ，Ｈｅｊ） ， 将在区间 ［Ｅｘｊ － ３Ｅｎｊ ， Ｅｘｊ ＋ ３Ｅｎｊ］ 内的像素作为目标像素集（或背 景像素集）， 将不属于该区间内的像素作为背景像 素集（目标像素集）， 从而对图像进行分割． ３ 实验仿真 本文通过 ２ 个对比实验， １） 与文献［８］给出的 二阶“软或”云概念综合方法作对比（称之为旧“软 或”云方法）， 说明本文提出的新的“软或”云综合 方法的有效性； ２） 在新的二阶云概念综合基础上， 对灰度图像做图像分割， 并与文献［９］给出的分割 结果作比较， 进一步说明本文方法利用逆向云变换 算法和新的“软或”云综合方法在图像分割中的可 行性及有效性． 为了更加客观、定量地评价实验结果， 采用误 分率（ｍｉｓｃｌａｓｓｉｆｉｃａｔｉｏｎ ｅｒｒｏｒ， ＭＥ） ［２０］ 来评价图像分 割的结果． 误分率是一个十分重要的衡量指标， 反 映的是背景像素误分为目标与目标像素误分为背景 的像素和占总像素的百分比， 其公式表示为 ＭＥ ＝ １ － ＢＯ ∩ ＢＴ ＋ ＦＯ ∩ ＦＴ ＢＯ ＋ ＦＯ ． （４） 式中： ＢＯ 表示参考图像的背景像素点数， ＦＯ 表示参 考图像的目标像素点数， ＢＴ 表示分割图像的背景像 素点数， ＦＴ 表示分割图像的目标像素点数， ＢＯ ∩ ＢＴ 表示参考图像中被正确分割为背景的像素点数， ＦＯ ∩ ＦＴ 表示分割图像中被正确分割为目标的像素 点数． ３．１ 本文方法与旧 “软或”云方法的实验对比 本文采用 Ｂｅｒｋｅｌｅｙ 图像库里的图像做图像分割 （ Ｈｔｔｐ： ／ ／ ｗｗｗ． ｅｅｃｓ． ｂｅｒｋｅｌｅｙ． ｅｄｕ ／ Ｒｅｓｅａｒｃｈ ／ Ｐｒｏｊｅｃｔｓ／ ＣＳ ／ ｖｉｓｉｏｎ ／ ｇｒｏｕｐｉｎｇ ／ ）． 如图 ６ 所示． （ａ） 原始图像 （ｂ）图像分割结果的标准对比图 （ｃ） 二阶逆向云算法（Ｓ＿Ｏ） （ｄ）二阶逆向云算法（Ｓ＿Ｎ） （ｅ）将三阶逆向云算法（Ｔ＿Ｎ） 图 ６ 本文方法与旧的“软或云”实验结果对比 Ｆｉｇ．６ Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｃｏｍｐａｒｉｓｏｎ 根据误分率的计算方法， 将实验结果图与标准 对比图做比较， 得到 ３ 种方法的实验误分率如表 １ 所示． 从表 １ 中可以看出， 在同样使用二阶逆向云 算法的情况下， 本文提出的云综合方法比蒋峥等提 出的云综合方法的实验结果的误分率小， 从而表明 了本文提出的云综合方法在图像分割中的有效性； 在同样使用本文提出的云综合方法的情况下， 从二 阶逆向云算法与三阶逆向云算法的分割实验结果中 可看出， 对小鸟和树枝这幅图像， 三阶逆向云算法 能得到更好的分割结果． 由于三阶逆向云算法在提 取概念的过程中相比二阶逆向云算法而言， 多一个 参数的估计， 在一定程度上增加了参数的估计误 第 ６ 期 王金芝，等： 一种新的云综合方法在彩色图像分割中的应用 ·５２３·
·524. 智能系统学报 第8卷 差，所以图像分割的结果在一定程度上不如二阶云 4 结束语 逆向云算法的分割结果 表1 实验结果误分率 本文将逆向云变换算法应用于图像分割，最关 Table 1 键的步骤就是在概念提取之后，如何有效地将提取 误分率/% 到的云概念合并，选择不同的云综合方法得到的结 分割 果就会有所不同.根据正态云模型的“3E”规则， 方法 小鸟和 豹子和 海星 花 蝴蝶 树枝 树枝 提出一种新的“软或”云综合方法，通过与蒋峥等提 出的云综合方法在同样条件下做比较，得到了较好 SO 3.69 4.90 3.18 6.88 7.88 的实验结果.同时将本文的方法与吴涛等在文献 SN 2.76 3.68 2.26 6.55 7.24 [9]中的实验结果做比较，同样取得了较好的实验 TN 2.35 4.01 2.68 7.31 8.27 效果.以上2点均表明了本文提出的云综合方法的 有效性.本文的下一步工作首先是与其他类型的概 3.2本文方法与文献[9]实验结果对比 念合并方法做比较，并将本文提出的云综合方法应 2012年吴涛等[9)将王立新提出的四阶样本中 用于其他类型的图像分割，以及图像的边缘检测 心矩逆向云算法和数据场用于灰度图像分割中.所 等：另外，推广高阶云模型的应用，将高阶云模型 以用本文方法与文献[9]中分割的结果作比较，以 应用于实际的特定应用中 说明本文方法的有效性.结果如图7所示 参考文献： [1]章毓晋.图像分割[M门.北京：科学出版社，2001：14. [2]秦昆，李德毅，许凯.基于云模型的图像分割方法研究 (a)原始灰度图 [].测绘信息与工程，2006,31(5)：3-5. QIN Kun,LI Devi,XU Kai.Research on the method of im- age segmentation based on cloud model[J].Journal of Geo- matics,.2006,31(5):3-5. (b)图像分割结果的标准对比图 [3]柏延臣，王劲峰.遥感信息的不确定性研究[M).北京： 地质出版社，2003：7-10. [4]许凯，秦昆，黄伯和，等.基于云模型的图像区域分割方 (c)文献[9]的分割结果 法[J].中国图象图形学报，2010,15(5)：757-763. XU Kai,QIN Kun,HUANG Bohe,et al.A new method of region based image segmentation based on cloud model[J]. Journal of Image and Graphics,2010,15(5):757-763. (d)本文提出的云综合方法SN [5]QIN K,XU K,LIU F,et al.Image segmentation based on 图7本文方法与旧的“软或云”实验结果对比 histogram analysis utilizing the cloud model.Computers Fig.7 The experimental results comparison and Mathematics with Applications,2011,62(7):2824- 根据误分率的计算方法，将实验结果图与标准 2833. 对比图做比较，得到2种方法的实验误分率如表2 [6]马鸿耀，王国胤，张清华，等.基于云模型的多粒度彩色 所示.从表2可以看出，将本文的图像分割方法方 图像分割[J].计算机工程，2012,20(38)：184-187. 法应用于灰度图像分割也可以得出很好的实验效 MA Hongyao,WANG Guoyin,ZHANG Qinghua,et al. Multi-granularity color image segmentation based on cloud 果，进一步表明了本文方法的有效性。 model[J].Computer Engineering,2012,20(38):184- 表2实验结果误分率 187. Table 2 ME of the experimental results % [7]WANG G Y,XU C L,LI D Y.Generic normal cloud mod- 分割 误分率 el.Submitted to Information Science.Under Review). 方法 Block Gearwheel Potatoes Fluocel Rice Pcb [8]蒋嵘，李德毅，范建华.数值型数据的泛概念树的自动 生成方法[J].计算机学报，2000,23(5)：470-476. 文献[9]2.65 1.89 1.89 4.1613.0615.84 JIANG Rong,LI Deyi,FAN Jianhua.Automatic generation S_N 3.081.13 1.89 0.9711.3116.51 of pan-concept-tree on numerical data[J].Chinese Journal of Computers,2000,23(5):470-476
差， 所以图像分割的结果在一定程度上不如二阶云 逆向云算法的分割结果． 表 １ 实验结果误分率 Ｔａｂｌｅ １ 分割 方法 误分率／ ％ 小鸟和 树枝 海星 花 蝴蝶 豹子和 树枝 Ｓ＿Ｏ ３．６９ ４．９０ ３．１８ ６．８８ ７．８８ Ｓ＿Ｎ ２．７６ ３．６８ ２．２６ ６．５５ ７．２４ Ｔ＿Ｎ ２．３５ ４．０１ ２．６８ ７．３１ ８．２７ ３．２ 本文方法与文献［９］实验结果对比 ２０１２ 年吴涛等［９］ 将王立新提出的四阶样本中 心矩逆向云算法和数据场用于灰度图像分割中． 所 以用本文方法与文献［９］中分割的结果作比较， 以 说明本文方法的有效性． 结果如图 ７ 所示． （ａ） 原始灰度图 （ｂ）图像分割结果的标准对比图 （ｃ） 文献［９］的分割结果 （ｄ）本文提出的云综合方法 Ｓ＿Ｎ 图 ７ 本文方法与旧的“软或云”实验结果对比 Ｆｉｇ．７ Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｃｏｍｐａｒｉｓｏｎ 根据误分率的计算方法， 将实验结果图与标准 对比图做比较， 得到 ２ 种方法的实验误分率如表 ２ 所示． 从表 ２ 可以看出， 将本文的图像分割方法方 法应用于灰度图像分割也可以得出很好的实验效 果， 进一步表明了本文方法的有效性． 表 ２ 实验结果误分率 Ｔａｂｌｅ ２ ＭＥ ｏｆ ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ％ 分割 方法 误分率 Ｂｌｏｃｋ Ｇｅａｒｗｈｅｅｌ Ｐｏｔａｔｏｅｓ Ｆｌｕｏｃｅｌ Ｒｉｃｅ Ｐｃｂ 文献［９］ ２．６５ １．８９ １．８９ ４．１６ １３．０６ １５．８４ Ｓ＿Ｎ ３．０８ １．１３ １．８９ ０．９７ １１．３１ １６．５１ ４ 结束语 本文将逆向云变换算法应用于图像分割， 最关 键的步骤就是在概念提取之后， 如何有效地将提取 到的云概念合并， 选择不同的云综合方法得到的结 果就会有所不同． 根据正态云模型的“３Ｅｎ” 规则， 提出一种新的“软或”云综合方法，通过与蒋峥等提 出的云综合方法在同样条件下做比较， 得到了较好 的实验结果． 同时将本文的方法与吴涛等在文献 ［９］中的实验结果做比较， 同样取得了较好的实验 效果． 以上 ２ 点均表明了本文提出的云综合方法的 有效性． 本文的下一步工作首先是与其他类型的概 念合并方法做比较， 并将本文提出的云综合方法应 用于其他类型的图像分割， 以及图像的边缘检测 等； 另外， 推广高阶云模型的应用， 将高阶云模型 应用于实际的特定应用中． 参考文献： ［１］章毓晋． 图像分割［Ｍ］． 北京： 科学出版社， ２００１： １⁃４． ［２］秦昆， 李德毅， 许凯． 基于云模型的图像分割方法研究 ［Ｊ］． 测绘信息与工程， ２００６， ３１（５）： ３⁃５． ＱＩＮ Ｋｕｎ， ＬＩ Ｄｅｙｉ， ＸＵ Ｋａｉ． Ｒｅｓｅａｒｃｈ ｏｎ ｔｈｅ ｍｅｔｈｏｄ ｏｆ ｉｍ⁃ ａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｂａｓｅｄ ｏｎ ｃｌｏｕｄ ｍｏｄｅｌ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏ⁃ ｍａｔｉｃｓ， ２００６， ３１（５）： ３⁃５． ［３］柏延臣， 王劲峰． 遥感信息的不确定性研究［Ｍ］． 北京： 地质出版社， ２００３： ７⁃１０． ［４］许凯， 秦昆， 黄伯和，等． 基于云模型的图像区域分割方 法［Ｊ］． 中国图象图形学报， ２０１０， １５（５）： ７５７⁃７６３． ＸＵ Ｋａｉ， ＱＩＮ Ｋｕｎ， ＨＵＡＮＧ Ｂｏｈｅ， ｅｔ ａｌ． Ａ ｎｅｗ ｍｅｔｈｏｄ ｏｆ ｒｅｇｉｏｎ ｂａｓｅｄ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｂａｓｅｄ ｏｎ ｃｌｏｕｄ ｍｏｄｅｌ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｉｍａｇｅ ａｎｄ Ｇｒａｐｈｉｃｓ， ２０１０， １５（５）： ７５７⁃７６３． ［５］ＱＩＮ Ｋ， ＸＵ Ｋ， ＬＩＵ Ｆ， ｅｔ ａｌ． Ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｂａｓｅｄ ｏｎ ｈｉｓｔｏｇｒａｍ ａｎａｌｙｓｉｓ ｕｔｉｌｉｚｉｎｇ ｔｈｅ ｃｌｏｕｄ ｍｏｄｅｌ［ Ｊ］． Ｃｏｍｐｕｔｅｒｓ ａｎｄ Ｍａｔｈｅｍａｔｉｃｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ， ２０１１， ６２ （ ７）： ２８２４⁃ ２８３３． ［６］马鸿耀， 王国胤， 张清华，等． 基于云模型的多粒度彩色 图像分割［Ｊ］． 计算机工程， ２０１２， ２０（３８）： １８４⁃１８７． ＭＡ Ｈｏｎｇｙａｏ， ＷＡＮＧ Ｇｕｏｙｉｎ， ＺＨＡＮＧ Ｑｉｎｇｈｕａ， ｅｔ ａｌ． Ｍｕｌｔｉ⁃ｇｒａｎｕｌａｒｉｔｙ ｃｏｌｏｒ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｂａｓｅｄ ｏｎ ｃｌｏｕｄ ｍｏｄｅｌ［ Ｊ］． Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ， ２０１２， ２０ （ ３８）： １８４⁃ １８７． ［７］ＷＡＮＧ Ｇ Ｙ， ＸＵ Ｃ Ｌ， ＬＩ Ｄ Ｙ． Ｇｅｎｅｒｉｃ ｎｏｒｍａｌ ｃｌｏｕｄ ｍｏｄ⁃ ｅｌ． Ｓｕｂｍｉｔｔｅｄ ｔｏ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ． （Ｕｎｄｅｒ Ｒｅｖｉｅｗ）． ［８］蒋嵘， 李德毅， 范建华． 数值型数据的泛概念树的自动 生成方法［Ｊ］． 计算机学报， ２０００， ２３（５）： ４７０⁃４７６． ＪＩＡＮＧ Ｒｏｎｇ， ＬＩ Ｄｅｙｉ， ＦＡＮ Ｊｉａｎｈｕａ． Ａｕｔｏｍａｔｉｃ ｇｅｎｅｒａｔｉｏｎ ｏｆ ｐａｎ⁃ｃｏｎｃｅｐｔ⁃ｔｒｅｅ ｏｎ ｎｕｍｅｒｉｃａｌ ｄａｔａ［ Ｊ］． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒｓ， ２０００， ２３（５）： ４７０⁃４７６． ·５２４· 智 能 系 统 学 报 第 ８ 卷
第6期 王金芝，等：一种新的云综合方法在彩色图像分割中的应用 .525. [9]吴涛，秦昆.利用云模型和数据场的图像分割方法[J] 模式识别与人工智能，2012,25(3)：397-405. [17]林福宗.多媒体技术教程[M].北京：清华大学出版 WU Tao,QIN Kun.Image segmentation using cloud model 社，2009：115-117. and data field[J].Pattern Recognition and Aitificial Intelli- [18]姚红，王国胤，张清华.基于粗糙集和云模型的彩色图 gence,2012,25(3):397-405. 像分割方法[J].小型微型计算机系统，2013,34(11)： [10]陈贵林.一种定性定量信息转换的不确定性模型一云 2615-2620. 模型[J].计算机应用研究，2010,27(6). YAO Hong,WANG Guoyin,ZHANG Qinghua.Color im- CHEN Guilin.Uncertain model of qualitative/quantitative age segmentation method based on rough set and cloud information transformation-cloud model[J].Application model[J].Journal of Chinese Computer Systems,2013, Research of Computers,2010,27(6):. 34(11):2615-2620. [11]李德毅，杜鹊.不确定性人工智能[M].北京：国防工 [19]李德毅.知识表示中的不确定性[J].中国工程科学， 业出版社，2005：137-186. 2000,2(10):73-79. [12]杨金牛，李众，杨真荣.基于遗传算法的云模型控制器 LI Deyi.Uncertainty in knowledge representation[J].En- 设计[J].计算机仿真，2009,26(3)：175-178 gineering Science,2000,2(10):73-79. YANG Jinniu,LI Zhong,YANG Zhenrong.Design of [20]YASNOFF W A,MUI J K,BACUS J W.Error measures cloud model controller based on genetic algorithm [J]. for scene segmentation[J].Pattern Recognition,1977,9 Computer Simulation,2009,26(3):175-178. (4)：217-231. [13]ZHANG G,KANG J,HE R.Towards a trust model with 作者简介： uncertainty for e-commerce systems [C]//IEEE Interna- 王金芝，女，1989年生，硕士研究 tional Conference on e-Business Engineering 2005.Bei- 生，主要研究方向云模型、图像分割、 jing,2005:200-207. 智能信息处理等 [14]杜善，李德毅.一种测试数据挖掘算法的数据源生成方 法[J].计算机研究与发展，2000,37(7)：776-782. DU Yi,LI Deyi.A method of data source generation for testing data mining algorithms[J].Journal of Computer 王国胤，男，教授，博士生导师， Research and Development,2000,37(7):776-782. 主要研究方向为Rough集理论、神经网 络、机器学习、数据挖掘、不确定性人工 [15]许昌林，王国胤.实现稳定双向认知映射的逆向云变换 算法[J].模式识别与人工智能，2013,26(7)：634- 智能、认知计算等.主持了国家自然科 学基金、国家“863”计划等30多项国家 642. 级/省部级科研项目，获重庆市自然科 XU Changlin,WANG Guoyin.Backward cloud transforma- tion algorithm for realizing stability bidirectional cognitive 学一等奖、二等奖、三等奖各1次，国家级高等教育教学成果 mapping[J].Pattern Recognition and Artificial Intelli- 二等奖和重庆市教学成果一等奖各1次.出版学术专著15 gence,.2013,26(7):634-642. 部（含编辑著作），发表学术论文200余篇，其中被SCI检索 [16]李永军.彩色图像分割技术综述[J刀]科技情报开发与经 30余篇、E1检索100余篇. 许昌林，男，1983年生，博士研究 济，2008,18(10)：122-125 LI Yongjun.Technology of color image segmentation[J]. 生，主要研究方向为云模型、粗糙集、智 能信息处理等，发表学术论文10余篇， Sci-Tech Information Development and Economy,2008,18 其中SCI、EI检索8篇. (10):122-125
［９］吴涛， 秦昆． 利用云模型和数据场的图像分割方法［ Ｊ］． 模式识别与人工智能， ２０１２， ２５（３）： ３９７⁃４０５． ＷＵ Ｔａｏ， ＱＩＮ Ｋｕｎ． Ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｕｓｉｎｇ ｃｌｏｕｄ ｍｏｄｅｌ ａｎｄ ｄａｔａ ｆｉｅｌｄ［Ｊ］． Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ Ａｉｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉ⁃ ｇｅｎｃｅ， ２０１２， ２５（３）： ３９７⁃４０５． ［１０］陈贵林． 一种定性定量信息转换的不确定性模型—云 模型［Ｊ］． 计算机应用研究， ２０１０， ２７（６）． ＣＨＥＮ Ｇｕｉｌｉｎ． Ｕｎｃｅｒｔａｉｎ ｍｏｄｅｌ ｏｆ ｑｕａｌｉｔａｔｉｖｅ ／ ｑｕａｎｔｉｔａｔｉｖｅ ｉｎｆｏｒｍａｔｉｏｎ ｔｒａｎｓｆｏｒｍａｔｉｏｎ—ｃｌｏｕｄ ｍｏｄｅｌ ［ Ｊ］． Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ， ２０１０， ２７（６）： ． ［１１］李德毅， 杜鹢． 不确定性人工智能［Ｍ］． 北京： 国防工 业出版社， ２００５： １３７⁃１８６． ［１２］杨金牛， 李众， 杨真荣． 基于遗传算法的云模型控制器 设计［Ｊ］． 计算机仿真， ２００９， ２６（３）： １７５⁃１７８． ＹＡＮＧ Ｊｉｎｎｉｕ， ＬＩ Ｚｈｏｎｇ， ＹＡＮＧ Ｚｈｅｎｒｏｎｇ． Ｄｅｓｉｇｎ ｏｆ ｃｌｏｕｄ ｍｏｄｅｌ ｃｏｎｔｒｏｌｌｅｒ ｂａｓｅｄ ｏｎ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ［ Ｊ ］． Ｃｏｍｐｕｔｅｒ Ｓｉｍｕｌａｔｉｏｎ， ２００９， ２６（３）： １７５⁃１７８． ［１３］ＺＨＡＮＧ Ｇ， ＫＡＮＧ Ｊ， ＨＥ Ｒ． Ｔｏｗａｒｄｓ ａ ｔｒｕｓｔ ｍｏｄｅｌ ｗｉｔｈ ｕｎｃｅｒｔａｉｎｔｙ ｆｏｒ ｅ⁃ｃｏｍｍｅｒｃｅ ｓｙｓｔｅｍｓ ［ Ｃ］ ／ ／ ＩＥＥＥ Ｉｎｔｅｒｎａ⁃ ｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ｅ⁃Ｂｕｓｉｎｅｓｓ Ｅｎｇｉｎｅｅｒｉｎｇ ２００５． Ｂｅｉ⁃ ｊｉｎｇ， ２００５： ２００⁃２０７． ［１４］杜鷁， 李德毅． 一种测试数据挖掘算法的数据源生成方 法［Ｊ］． 计算机研究与发展， ２０００， ３７（７）： ７７６⁃７８２． ＤＵ Ｙｉ， ＬＩ Ｄｅｙｉ． Ａ ｍｅｔｈｏｄ ｏｆ ｄａｔａ ｓｏｕｒｃｅ ｇｅｎｅｒａｔｉｏｎ ｆｏｒ ｔｅｓｔｉｎｇ ｄａｔａ ｍｉｎｉｎｇ ａｌｇｏｒｉｔｈｍｓ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｒｅｓｅａｒｃｈ ａｎｄ Ｄｅｖｅｌｏｐｍｅｎｔ， ２０００， ３７（７）： ７７６⁃７８２． ［１５］许昌林， 王国胤． 实现稳定双向认知映射的逆向云变换 算法［Ｊ］． 模式识别与人工智能， ２０１３， ２６ （ ７）： ６３４⁃ ６４２． ＸＵ Ｃｈａｎｇｌｉｎ， ＷＡＮＧ Ｇｕｏｙｉｎ． Ｂａｃｋｗａｒｄ ｃｌｏｕｄ ｔｒａｎｓｆｏｒｍａ⁃ ｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｒｅａｌｉｚｉｎｇ ｓｔａｂｉｌｉｔｙ ｂｉｄｉｒｅｃｔｉｏｎａｌ ｃｏｇｎｉｔｉｖｅ ｍａｐｐｉｎｇ ［ Ｊ ］． Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉ⁃ ｇｅｎｃｅ， ２０１３， ２６（７）： ６３４⁃６４２． ［１６］李永军．彩色图像分割技术综述［ Ｊ］．科技情报开发与经 济， ２００８， １８（１０）： １２２⁃１２５． ＬＩ Ｙｏｎｇｊｕｎ． Ｔｅｃｈｎｏｌｏｇｙ ｏｆ ｃｏｌｏｒ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ［ Ｊ］． Ｓｃｉ⁃Ｔｅｃｈ Ｉｎｆｏｒｍａｔｉｏｎ Ｄｅｖｅｌｏｐｍｅｎｔ ａｎｄ Ｅｃｏｎｏｍｙ， ２００８， １８ （１０）： １２２⁃１２５． ［１７］林福宗． 多媒体技术教程［Ｍ］． 北京： 清华大学出版 社， ２００９： １１５⁃１１７． ［１８］姚红， 王国胤， 张清华． 基于粗糙集和云模型的彩色图 像分割方法［Ｊ］． 小型微型计算机系统， ２０１３， ３４（１１）： ２６１５⁃２６２０． ＹＡＯ Ｈｏｎｇ， ＷＡＮＧ Ｇｕｏｙｉｎ， ＺＨＡＮＧ Ｑｉｎｇｈｕａ． Ｃｏｌｏｒ ｉｍ⁃ ａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｒｏｕｇｈ ｓｅｔ ａｎｄ ｃｌｏｕｄ ｍｏｄｅｌ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｈｉｎｅｓｅ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍｓ， ２０１３， ３４（１１）： ２６１５⁃２６２０． ［１９］李德毅． 知识表示中的不确定性［ Ｊ］． 中国工程科学， ２０００， ２（１０）： ７３⁃７９． ＬＩ Ｄｅｙｉ． Ｕｎｃｅｒｔａｉｎｔｙ ｉｎ ｋｎｏｗｌｅｄｇｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ［ Ｊ］． Ｅｎ⁃ ｇｉｎｅｅｒｉｎｇ Ｓｃｉｅｎｃｅ， ２０００， ２（１０）： ７３⁃７９． ［２０］ＹＡＳＮＯＦＦ Ｗ Ａ， ＭＵＩ Ｊ Ｋ， ＢＡＣＵＳ Ｊ Ｗ． Ｅｒｒｏｒ ｍｅａｓｕｒｅｓ ｆｏｒ ｓｃｅｎｅ ｓｅｇｍｅｎｔａｔｉｏｎ［ Ｊ］． Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ， １９７７， ９ （４）： ２１７⁃２３１． 作者简介： 王金芝， 女， １９８９ 年生， 硕士研究 生， 主要研究方向云模型、图像分割、 智能信息处理等． 王国胤， 男， 教授， 博士生导师， 主要研究方向为 Ｒｏｕｇｈ 集理论、神经网 络、机器学习、数据挖掘、不确定性人工 智能、认知计算等．主持了国家自然科 学基金、国家“８６３”计划等 ３０ 多项国家 级／ 省部级科研项目，获重庆市自然科 学一等奖、二等奖、三等奖各 １ 次，国家级高等教育教学成果 二等奖和重庆市教学成果一等奖各 １ 次．出版学术专著 １５ 部（含编辑著作），发表学术论文 ２００ 余篇，其中被 ＳＣＩ 检索 ３０ 余篇、ＥＩ 检索 １００ 余篇． 许昌林，男，１９８３ 年生，博士研究 生，主要研究方向为云模型、粗糙集、智 能信息处理等，发表学术论文 １０ 余篇， 其中 ＳＣＩ、ＥＩ 检索 ８ 篇． 第 ６ 期 王金芝，等： 一种新的云综合方法在彩色图像分割中的应用 ·５２５·