以模糊集合理論為基礎之影像對比增揚法

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：34

、訪客IP：3.144.243.83

姓名

王中昂(Chung-ang Wang) 查詢紙本館藏

畢業系所

土木工程學系

論文名稱

以模糊集合理論為基礎之影像對比增揚法
(An Image Contrast Enhancement Method bases on Fuzzy Set Theory)

相關論文

★ 多時期衛星影像之自動化監督性分類	★ 大範圍地區土地使用分類之研究
★ 高解析力衛星影像控制點座標之自動化萃取	★ 影像最佳類別數目之研究
★ 遙控直昇機應用於工程管理監測可行性之研究	★ 以地理資訊系統輔助共同管道之最適設計
★ 有理函數應用於空載多光譜影像幾何校正之研究	★ SPOT自然色影像產生之研究
★ 結合影像區塊及知識庫分類之研究-以IKONOS衛星影像為例	★ 遙控飛機空載視訊影像自動化鑲嵌方法之研究
★ 影像分割技術於高解析衛星影像分類之應用	★ 小波多層次解析之影像融合應用
★ 線性複合模式應用於變遷偵測之研究	★ 改良式變異向量分析法於變遷偵測之探討
★ 區塊分割變遷偵測法於多時期衛星影像之應用	★ 資料挖掘技術應用於外來入侵植物研究 (以恆春地區銀合歡為例)

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

衛星影像常因許多因素造成對比度不佳的情況，因此常使用影像增揚的技巧來提升對比度，但由於原始影像中較亮或較暗的區域在增揚後會遭到壓縮，造成這些區域的細節資訊流失，無法以人眼判釋。
為解決此種問題，本研究提出以模糊集合理論將單一像元視為數種類別的組合，以混合的程度來得到各類別在像元中所佔之比例，以此種概念來補償資訊遭壓縮而損失的區域。共有三步驟：1. 首先以群聚分類法(Fuzzy c-Means, FCM)對影像進行模糊式分類，以歸屬值表示各類別在各像元的比例。2. 依各類別之歸屬值建立各類別之增揚模型。3. 以歸屬值為權重對各類別之增揚模型所得之增揚後灰階進行重組，求得最後增揚影像之灰階值。得到增揚影像後，以量化評估指標對成果進行評估，包含評斷對比度的Michelson index以及評斷資訊量的Shannon Entropy兩種指標，並與傳統非線性直方圖等化之成果進行比較。成果顯示，本研究之演算法可補償原本可能遭壓縮而失去資訊的區域，增加其資訊量並提供更完整的增揚影像，並且保存傳統方法所得之對比度。

摘要(英)

The contrast of satellite images are usually affected by lots of factors. In order to increase the contrast, image enhancement techniques are the easiest methods. However, the darker and brighter area of original image could be compressed and lose detail information. Then user cannot see the detail of these area.
In this study, we provide a fuzzy-based image enhancement method to compensate the brightness lost of the darker and brighter area of the image. There are three stages of the algorithm: First, classify the image by Fuzzy c-Means clustering method. Then we can get the membership value of each class of each pixel. Second, create enhancement model which is based on membership value of each class. Third, set membership value as the right and calculate the gray value of enhanced image. After getting the enhanced image, we evaluate the contrast by Michelson index and the quantity of information by Shannon entropy. Then compare the result and data with the traditional enhancement method. The result indicate that the proposed method could compensate the brighter and darker area and also provide an enhanced image with the same contrast as the traditional enhancement method.

關鍵字(中)

★ 影像增揚
★ 模糊集合理論
★ 模糊式分類

關鍵字(英)

★ Shannon entropy
★ Fuzzy c-Means clustering
★ Michelson index

論文目次

摘要I
AbstractII
目錄III
圖目錄VI
表目錄IX
第一章緒論1
1-1 研究動機及目的1
1-2 論文架構2
第二章文獻回顧4
2-1 影像增揚4
2-1-1 空間域法及頻率域法4
2-1-2 直方圖調整法6
2-1-2-1 線性對比擴展6
2-1-2-2 非線性直方圖等化及直方圖匹配7
2-2 影像量化評估8
2-2-1 Michelson Index8
2-2-2 Shannon Entropy9
2-3 小結9
第三章研究方法11
3-1 模糊化(Fuzzification)16
3-1-1 模糊集合理論16
3-1-2 模糊式分類18
3-1-3 決定初始類別中心20
3-2 建立增揚模型24
3-3 去模糊化26
3-4 量化評估27
3-4-1 Michelson Index27
3-4-2 Shannon Entropy28
第四章實驗資料29
4-1 FORMOSAT-2影像29
4-2 SPOT5影像36
4-3 QuickBird影像41
4-4 GeoEye-1影像43
第五章實驗成果及討論46
5-1 類別數測試46
5-2 含雜訊之影像測試成果49
5-3 實驗成果展示54
5-3-1 實驗參數介紹54
5-3-2 實驗成果55
5-3-3 小結89
第六章結論與建議91
6-1 結論91
6-2 建議93
參考文獻95

參考文獻

李志明，2001，「影像最佳類別數目之研究」，碩士論文，國立中央大學土木工程研究所。
張宏宇，2008，「模糊分類法應用於衛星影像之對比增揚」，碩士論文，國立中央大學土木工程研究所。
Bezdek, J. C., 1981. Pattern recognition with fuzzy objective function algorithm. New York: Plemum Press.
Gonzalez, R. C. and Woods, R. E., 2001. Digital image processing (2nd ed.). New York: Prentice Hall.
Guang, D., 2009. An entropy interpretation of the logarithmic image processing model with application to contrast enhancement. IEEE Transaction on Image Processing, 18(5), pp. 1135-1140.
Huang, C. M. and Harris, R. W., 1993. A comparison of several vector quantization codebook generation approaches. IEEE Transactions on Image Processing, 2(1), pp.108-112.
Kover, V., 2006. Robust and efficient algorithm of image enhancement. IEEE Transactions on Consumer Electronics, 52(2), pp. 655-659.
Peli, E., 1990. Contrast in complex images. Journal of the Optical Society of America A, 7(10), pp. 2032-2040.
Richards, J. A. and Jia, X., 1998. Remote sensing digital image analysis: an introduction (3rd ed.). New York: Springer-Verlag.
Ross, T. J., 2004. Fuzzy logic with engineering applications. Hoboken, NJ: John Wiley.
Shannon, E. C., 1948. A mathematical theory of communication. Bell System Technical Journal, 27, pp. 379-423, 623-656.
Somporn, C., Chidchanok, P., Peraphon, S. and Suchada, S., 2001. Fuzzy C-mean: A statistical feature classification of text and image segmentation method. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 9(6), pp. 661-671.
Stark, J. A., 2000. Adaptive image contrast enhancement using generalizations of histogram equalization. IEEE Transaction on Image Processing. 9(5), pp. 889-896.
Wolf, P. R. and Dewitt. B. A., 2000. Elements of photogrammetry with applications in GIS (3rd ed.). McGraw-Hill.
Wongsritong, K., Kittayaruasiriwat, K., Cheevasuvit, F., Dejhan, K., and Somboonkaew, A., 1998. Contrast enhancement using multipeak histogram equalization with brightness preserving. IEEE Asia-Pacific Conference on Circuits and Systems, pp. 455-458.
Zadeh, L. A., 1965. Fuzzy sets. Information and Control, 8, pp. 338-353.

指導教授

陳繼藩(Chi-Farn Chen)

審核日期

2010-5-30

推文