区域形状的粗集分类研究.docVIP

区域形状的粗集分类研究 　　摘要:本文主要利用粗集理论针对图像分割后的区域形状进行分类研究。依据粗集理论研究离散化数据的特点,考虑类分布信息,采用信息熵理论进行连续条件属性的离散化。在此基础上,利用约简算法剔除冗余属性,获取约简属性,并进一步提取决策规则。最后选取测试样本进行实验分析,结果表明分类是有效的。 　　Abstract: The classification research of regional shape after image segmentation is brought forward in this paper based on RS theory. Data discrimination is the character of RS,considering distributed information of class,and continual condition attributes are described according to information entropy theory. On the basis of that,redundancy attributes are eliminated by RS reduction algorithm. Reduction attributes and rules are gained. Finally,the result indicates that the classification is valid through selecting test sample and analyzing the imitation experiment. 　　关键词:区域形状;粗集;分类;信息熵 　　Key words: regional shape;rough set;classification;information entropy 　　中图分类号:TP30 文献标识码:A文章编号:1006-4311(2010)21-0028-02 　　 　　0引言 　　在有关视觉信息的讨论中,目标的形状具有特殊的意义。图像分割后,图像中一个区域的形状就是该目标边界上的点所组成的模式。要对形状进行分类,首先要对目标的形状特征进行描述。由于形状很难给出精确的数学定义,所以对形状的度量往往是相对的,而不是绝对的。为了对目标的形状描述更加精确,需要同时使用多种特征,然而特征越多,计算量越大,实现也越复杂。因此,能用最少的特征来完成形状分类的目的有着重要的意义。 　　粗糙集理论是一种崭新的智能信息处理理论,它为研究不精确知识的表达、学习、约简,分类归纳等提供了一种新的方法。鉴于形状描述的特点及粗糙集理论在处理不确定性信息方面的优势,本节提出一种基于粗集理论的区域形状分类策略。将目标图像的统计学特性作为条件属性,形状分类作为决策属性,并针对连续属性进行离散化,属性约简,最终从训练样本中提取出决策规则,进而对测试样本进行分析。 　　1基于粗集的处理过程 　　在给定一幅含有多个物体的数字图像的条件下,处理过程由三个主要阶段组成[1]: 　　①图像分割的预处理阶段 　　在该阶段中检测出各个物体,以获得精确的分析目标。 　　②特征抽取阶段 　　对物体进行度量。一个度量是指一个物体某个可度量性质的度量值,而特征是一个或多个度量的函数。计算特征是为了对物体的一些重要特征进行定量估计。特征抽取过程产生了一组特征,把它们组合在一起,就形成了特征向量,即产生条件属性和决策属性。 　　③分类阶段 　　基于粗集的一种决策,主要确定每个物体应该归属的类别,其中包括对知识的约简,获取及分析决策。 　　在物体从图像中分割出来后,进一步就可以对它的几何特征进行测量和分析,在此基础上可以识别物体,也可以对物体分类,结合区域形状的分析特征及粗集理论的特点,给出基于粗集的区域形状的分类处理过程,如图1所示。 　　在特征抽取阶段建立基于粗集理论的区域形状分类信息系统S=(U,C,D,V,F),其中U为论域,是区域形状对象的非空有限集合,C∪D=A为属性集合,子集C和D分别称为条件属性和决策属性,V=∪a∈Va是属性值的集合,Va表示了属性a∈A取值的范围,F为U与A之间的关系集。信息系统的数据可以以关系表的形式来表示,即决策表[2]。决策表的列表示条件属性和决策属性。行表示对象,每个单元格表示对象的属性值。可以看出,一个属性对应一个等价关系,一个决策表看作是一族等价关系,即知识库。知识等价可以用不同的属性集描述论域中的对象,表达关于论域相同的事实。 　　2仿真实验 　　2.1 区域形状分类信息系统的建立 　　描述区域形状特征的因素复杂且难以测量,本文采用对形状变