Abstract
In this paper, a method for edge detection in digital images based on the morphological gradient and fuzzy logic is described. A basic method for edge detection was improved using fuzzy logic. An advantage of the improved method is that there is no need of applying filtering to the image. The simulation results were obtained with a type-1 fuzzy inference system (T1FIS) and with an interval type-2 fuzzy inference system (IT2FIS) for improving the edge detection method. We show that the images obtained with fuzzy logic are better than the ones obtained with only the morphological gradient method. In particular the IT2FIS achieved the best results, because of the flexibility to model the uncertainty in the gradient values and the gray ranges for the edge images. In both TIFIS and IT2FIS the membership function parameters were obtained directly from the images; this allows application of the proposed method to images with different gray scales
چکیده
در این مقاله یک روش برای تشخیص لبه عکسهای دیجیتال مبتنی برشیب مورفولوژی و قانون فازی توضیح داده شده است. در واقع ما می خواهیم متد های پایه ای تشخیص لبه را بوسیله قوانین فازی بهبود ببخشیم. مزیت اصلی قوانین فازی اینست که دیگر به فیلتر کردن عکس احتیاج نیست. نتایج شبیه سازی شده با سیستم استنتاج فازی نوع اول (T1FIS) بدست آمده و بوسیله سیستم استنتاج اینتروال نوع 2 (IT2FIS) اصلاح شده است. ما نشان خواهیم داد عکس هایی که با روش قانون فازی بدست آمده اند نتایج بهتری را نسبت به عکس هایی که فقط با روش شیب مورفولوژی بدست آمده اند در بر خواهند داشت مخصوصا اگر از روش IT2FIS استفاده شود بهترین نتیجه را خواهیم داشت چرا که IT2FIS انعطاف پذیری بالایی در مدل کردن عدم اطمینان در تغییرات درجه خاکستری لبه ها دارد. در هر دو روش TIFIS و IT2FIS پارامترهای تابع عضویت مستقیما از روی عکس بدست می آید.
1-مقدمه
استخراج لبه پله میانی در تشخیص الگوی عکسهای دیجیتال است و برعکس "حذف نویز در تصاویر دیجیتال" عمل می کند و نقش آن پر اهمیت جلوه دادن پیکسل هایی است که درجات خاکستری آنها با پیکسل همسایه شان دارای تفاوت قابل توجهی است. در مقالات قبلی روش بهبود تشخیص لبه Sobel بوسیله (IT2FIS) را بدست آوردیم و گفتیم اگر عکس های این روش را به عنوان داده های تمرینی برای تشخیص عکس بوسیله Modular Neural Network به کار ببریم نتایج خوبی خواهیم گرفت...