這篇博客是接著上一篇來噠，https://blog.csdn.net/luolan9611/article/details/94285158

本篇博客及上篇博客搜集的資料、實驗代碼、實驗報告、PPT均已上傳至百度網(wǎng)盤：

鏈接：https://pan.baidu.com/s/1AmT4TtBAxj1FKf4KUFcsBw? ? 提取碼：kcfe

先上結(jié)果~

再上代碼~

唔，要說明的是我使用的是matlabR2018a，如果用matlab2019的話，代碼要有些變化，因為函數(shù)接口什么的會變...

%讀取原始圖像，并將之轉(zhuǎn)換為灰度圖

Irgb = imread('zx_in_xidian.jpg');

Igray=rgb2gray(Irgb);

%繪制原始圖像和灰度圖

figure

image(Irgb,'CDataMapping','scaled')

title('Input Image in Rgbscale');

figure

image(Igray,'CDataMapping','scaled')

colormap('gray')

title('Input Image in Grayscale');

%將灰度圖轉(zhuǎn)換為雙精度表示

I=im2double(Igray);

%定義Gx和Gy，將之與I卷積

Gx=[-1 1];

Gy=Gx';

%Ix=mapminmax(conv2(I,Gx,'same'));

%Iy=mapminmax(conv2(I,Gy,'same'));

Ix=conv2(I,Gx,'same');

Iy=conv2(I,Gy,'same');

%繪制Ix和Iy

figure

image(Ix,'CDataMapping','scaled')

colormap('gray')

title('Ix')

figure

image(Iy,'CDataMapping','scaled')

colormap('gray')

title('Iy')

%定義圖像邊緣檢測的模糊推理系統(tǒng)

edgeFIS=newfis('edgeDetection');

%定義模糊推理系統(tǒng)的輸入

edgeFIS = addvar(edgeFIS,'input','Ix',[-1 1]);

edgeFIS = addvar(edgeFIS,'input','Iy',[-1 1]);

%sx和sy分別作為高斯隸屬函數(shù)中相應(yīng)的sigma標準差

sx=0.1;

sy=0.1;

edgeFIS = addmf(edgeFIS,'input',1,'zero','gaussmf',[sx 0]);

edgeFIS = addmf(edgeFIS,'input',2,'zero','gaussmf',[sy 0]);

%定義模糊推理系統(tǒng)的輸出

edgeFIS = addvar(edgeFIS,'output','Iout',[0 1]);

%三角隸屬函數(shù)

wa = 0.1;

wb = 1;

wc = 1;

ba = 0;

bb = 0;

bc = 0.7;

%參數(shù)說明 fis = addmf(fis,varType,varIndex,mfName,mfType,mfParams)

edgeFIS = addmf(edgeFIS,'output',1,'white','trimf',[wa wb wc]);

edgeFIS = addmf(edgeFIS,'output',1,'black','trimf',[ba bb bc]);

%繪制Ix，Iy和Iout隸屬函數(shù)圖像

figure

subplot(2,2,1)

plotmf(edgeFIS,'input',1)

title('Ix')

subplot(2,2,2)

plotmf(edgeFIS,'input',2)

title('Iy')

subplot(2,2,[3 4])

plotmf(edgeFIS,'output',1)

title('Iout')

%定義兩個規(guī)則：如果Ix為0，Iy也為0，那么輸出是白色，即非邊緣區(qū)域；如果Ix不為0或者Iy不為0，則輸出黑色，為邊緣區(qū)域。

r1 = 'If Ix is zero and Iy is zero then Iout is white';

r2 = 'If Ix is not zero or Iy is not zero then Iout is black';

r = char(r1,r2);

edgeFIS = parsrule(edgeFIS,r);

showrule(edgeFIS)

%將每一行像素送入模糊系統(tǒng)進行評估，得到輸出

Ieval = zeros(size(I));

for ii = 1:size(I,1)

Ieval(ii,:) = evalfis([(Ix(ii,:));(Iy(ii,:));]',edgeFIS);

end

%繪制邊緣檢測后的圖像

figure

colormap('gray')

image(Ieval,'CDataMapping','scaled')

colorbar

title('Edge Detection Using Fuzzy Logic')

%以坐標[2183,1463]上的像素點為例，它的Ix為0.0275，Iy為0.2196

%這一坐標點的Ix和Iy經(jīng)過高斯隸屬函數(shù)計算后得到的隸屬度分別為([0.962893466491363,0.0897068632021378])

%不屬于0的隸屬度是它們的補([0.0371065335086372,0.910293136797862])

%根據(jù)高斯隸屬函數(shù)得到的隸屬度在三角隸屬函數(shù)的圖像上(white的函數(shù)圖和black的函數(shù)圖)，分別進行蘊含操作(min)后，進行Aggregate操作

%將模糊集去模糊化得到單一輸出值(使用質(zhì)心的方法)

%繪制出該圖像

[output,fuzzifiedInputs,ruleOutputs,aggregatedOut]=evalfis([0.0275,0.2196],edgeFIS);

outputRange=linspace(edgeFIS.output.range(1),edgeFIS.output.range(2),length(aggregatedOut))';

figure

plot(outputRange,aggregatedOut,[output output],[0 1])

xlabel('Iout')

ylabel('Output Memebership')

legend('Aggregated output fzzy set','Defuzzified output')

%繪制該模糊系統(tǒng)的圖像

figure

plotfis(edgeFIS)

title('edgeFIS')

%繪制表面曲線圖

figure

gensurf(edgeFIS)

title('surfaceplot')

原理講解~

記得上篇博客講的模糊推理過程吧~

模糊推理是使用模糊邏輯將給定輸入映射到輸出的過程。將輸入變量進行模糊化得到模糊集，根據(jù)設(shè)定的規(guī)則描述(前件)進行模糊運算，將模糊運算的結(jié)果作用于后果(后件)，將每個規(guī)則的輸出模糊集聚合為指定輸出，去模糊化后得到推理結(jié)果。

模糊推理過程主要分為五個部分：

1.輸入變量的模糊化

通過隸屬函數(shù)將前提條件中的所有模糊語句解析為0到1之間的隸屬度。如果前提只有一個部分，那么這就是對規(guī)則的支持程度。

2.模糊算子(AND或OR)在先行詞中的應(yīng)用

如果前提條件不只一個，則應(yīng)用模糊邏輯運算，將前提解析為0到1之間的隸屬度值。

3.計算前提條件對后件的影響

使用整個規(guī)則的支持度來塑造輸出模糊集。模糊規(guī)則的結(jié)果將整個模糊集分配給輸出。該模糊集由隸屬函數(shù)表示，該隸屬函數(shù)被選擇以指示后件的質(zhì)量。如果先行詞僅部分為真，(即賦值小于1)，則根據(jù)蘊涵方法截斷輸出模糊集。

4.所有規(guī)則的結(jié)果匯總

然后將每個規(guī)則的輸出模糊集合聚合為單個輸出模糊集。

5.去模糊化

最后，對結(jié)果集進行去模糊化，得到最終的推理結(jié)果。

========

那怎么把這一推理過程用于圖像邊緣檢測呢？？？？

圖像的邊緣是兩個均勻區(qū)域之間的邊界，我們可以通過比較鄰近像素的強度來檢測邊緣。但是，由于均勻區(qū)域沒有明確定義，兩個相鄰像素之間的小強度差并不總是表示邊緣。相反，強度的差異可能代表著陰影效果。圖像處理的模糊邏輯方法允許我們使用隸屬函數(shù)來定義像素屬于邊緣或均勻區(qū)域的程度。

如果把圖像看成二維離散函數(shù)，那么圖像梯度其實就是這個二維離散函數(shù)的求導(dǎo)：G(x,y) = dx(i,j) + dy(i,j);其中dx(i,j) = I(i+1,j) - I(i,j);dy(i,j) = I(i,j+1) - I(i,j);? I是圖像像素的值(如：RGB值)，(i,j)為像素的坐標。

先對圖像預(yù)處理一下：原圖-->灰度化-->灰度圖歸一化

然后，利用梯度濾波器Gx=[-1 1]和Gy(等于Gx的轉(zhuǎn)置)和圖像I分別卷積，可以獲得圖像沿水平方向和豎直方向的梯度矩陣Ix和Iy，梯度的值在[-1 1]之間變化。也可以使用其它的濾波器來獲得圖像的梯度。

得到的Ix和Iy你們能看出區(qū)別的對吧，Ix是水平方向的梯度，上面有樹干的紋理，Iy上檢測不到的。

============================

然后我們就要開始進行那五個步驟啦：

使用0均值高斯隸屬函數(shù)定義像素點屬于zero(非邊緣像素點)的程度，其中sigma是標準偏差，我設(shè)置為0.1，c是均值為0。sigma值的改變可以調(diào)整邊緣檢測的性能。增加它們的值會使得算法對于圖像中的邊緣沒那么敏感并且減少檢測的邊緣的強度。

定義兩個規(guī)則：

對于輸出的像素點的值屬于白色還是黑色分別定義white和black隸屬函數(shù)，參數(shù)a和c定位的是三角形的腳點，b定位的是頂點。其中wa = 0.1;wb = 1;wc = 1;ba = 0;bb = 0;bc = 0.7; wa，wb，wc，ba，bb，bc可以更改以調(diào)整邊緣檢測器的性能。如下：

下面這張圖是該圖像邊緣檢測模糊推理系統(tǒng)的示意圖：

以本實驗中的待檢測圖像中的一像素點為例進一步說明第3和第4步。以Ix,Iy=[0.0275,0.2196]的這個像素點(即書包上的那個點)為邊緣檢測模糊推理系統(tǒng)edgeFIS的輸入，它們屬于zero的隸屬度分別為0.9629和0.0897，不屬于zero的隸屬度分別為0.0371(即1-0.9629)和0.9103(即1-0.0897)。

步驟2和步驟3.根據(jù)規(guī)則1的and運算，取小值0.0897對white進行截斷。根據(jù)規(guī)則2的or運算，取大值0.9103對black進行截斷。截斷后的模糊集在原圖中由黃線表示。

步驟4.所有規(guī)則的結(jié)果匯總

將white和black小圖中黃線的部分Aggregation(取大值)，即可得到所有規(guī)則的結(jié)果匯總后的模糊集，如手繪圖中最右下角的黃線所示，其實也就是下圖中的藍色線條。

步驟5.去模糊化

對Aggeragation后的圖像進行去模糊化，即可得到最終的輸出值，如圖橘黃色的線Defuzzified output所示。輸出值約為0.28，是書包那點的輸出值。

===============================================================================

參考資料：

Matlab的官網(wǎng)Example~~

https://ww2.mathworks.cn/help/fuzzy/fuzzy-logic-image-processing.html?requestedDomain=zh

上一篇博客：

【模糊數(shù)學】模糊邏輯，隸屬度，模糊邏輯應(yīng)用，模糊推理過程

https://blog.csdn.net/luolan9611/article/details/94285158

好了，今天就分享這么多吧，可愛

總結(jié)

以上是生活随笔為你收集整理的matlab评估边缘检测性能,【模糊推理】模糊逻辑图像边缘检测，原理+matlab代码~...的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。