发布时间 : 星期五 文章毕业设计论文-基于蚁群算法的图像边缘检测-附代码更新完毕开始阅读d7ff3d69df80d4d8d15abe23482fb4daa48d1d4b
上海工程技术大学毕业设计（论文） 基于蚁群算法的图像边缘检测
综上所述，数字图像处理包含这几项内容：（1）图像增强；（2）图像复原与重建；（3）图像识别；（4）图像编码；（5）算术和几何处理。所谓边缘[3]，是指图像之中的灰度值有明显突变，例如阶跃性的突变使得灰度值由增高到减低，这些变化点像素的集合就被称之为边缘。如何快速、精准的将图像边缘信息提取出来一直是数字图像处理领域的研究热点和焦点问题，它在诸多应用中都发挥着关键的作用，特别是在图像处理、计算机视觉等应用中。
因为在图像的采集过程中，图像的清晰度、缓和效应的一些因素会导致问题，如噪声、图像模糊、对比度不强等，使边缘的提取或强化受到影响。这些原因使得一些典型的边缘检测算法有如下缺点[4]：（1）大部分边缘检测算子都是节约边缘，而图像中大多数都是倾斜的边缘。（2）在平滑噪声图像中，去噪图像的高频信息容易丢失。（3）图像的边缘通常发生在不同的规模,来检测所有的右边缘,你需要使用多个不同范围上有效的边缘检测算子检测。（4）经典的边缘检测定位精度不高。研究和解决这些问题所造成的传统边缘检测一直是人们所关注的重点。在边缘检测问世以后，就有大量专家和学者付出辛勤的努力对它进行探讨，将边缘检测成功的应用于科技发展中，发挥了它极大的利用价值。 1.2 研究现状和发展方向
在视觉处理中，图像边缘检测一直是国内外的热点话题，也是工程应用领域永恒
4
上海工程技术大学毕业设计（论文） 基于蚁群算法的图像边缘检测
的探讨话题之一。边缘检测的问世要追溯到1959年，由B.Julez[5]在他的研究中提出。迄今为止，已有无数种关于边缘检测的算法和研究成果被提出来。有人还将这些技术结合起来提出新的算法，其应用能够拓展至多个学科，使得边缘检测拥有了更强大的生命力。
自从边缘检测方法问世以来，就有大多数人对此进行研究和探索，于是就出现了各种各样的边缘检测算法，例如罗伯特边缘算子、索贝尔边缘算子、普瑞维特边缘算子、Kirsch边缘算子、Canny边缘算子、LOG边缘算子、高斯-拉普拉斯边缘算子等，这些典型的边缘检测方法都是通过一阶微分运算来计算出图像的梯度幅值信息，并依照设定的阈值来推断是否是边缘。然而，虽然已经有无数个边缘检测算法被相继提出，却仍然没有一个算法能够适用于所有的数字图像的边缘检测。因为这些算法都非常容易被噪声所影响，若是图像边缘的灰度变化不够剧烈，阈值设定不够精准，会丢失许多关键的细节，从而导致图像的边缘检测不清晰的情况，甚至会检测不出来。
在1991年欧洲法国巴黎举行的一届人工生命会议上[6]，Dorigo M著名的意大利学者以及一些其他学者共同发布了蚁群算法最初的，也是最基本模型。蚁群算法是基于群体通过仿真蚂蚁的寻找食物行为来寻找困难优化问题的近似解的元启发式算法，蚂蚁依照生物激素的强度来选择即将要走的路径，通过团结协作搜索最优值。蚂蚁找东西吃的时候表现出的寻找最佳方案的能力在离散系统优化解决了许多难题，如分配问题、旅行商问题、调度问题等。
关于蚁群算法的特点可以概括为以下几个：（1）具有自组织性。即群体的复杂行为需要反映在每一个蚂蚁身上。（2）不采用中心控制，而是使用分布式控制。（3）概率型的。（4）每只蚂蚁都只能在自己周围的路径上感知信息，无法得到整体信息。（5）个体可以在改变环境的同时在环境中进行间接通讯。（6）算法中能涵盖很多个主体，并且通过合作主体来适应大环境。（7）具有潜在的并行性，其搜索过程在同一时间同时从多个点进行。这种分布式的智能协作过程不是同步进行的，在同一时间每个蚂蚁都在各自的路线上行走，这从很大程度上提高了蚁群算法的速度和效率。
蚁群算法的优点体现在很多方面，并且解决了很多组合优化问题，它可以智能搜索、全局优化，同时拥有强鲁棒性的特性、正反馈性、离散性和并行分布式计算等特点，这些特点使其能够在数字图像处理得到很好的应用。近几年，国内外的许多专家和学者，例如苗京、曹占辉、朱玲、韩艳芳、张景虎等人应用蚁群算法在图像特征提取、影像纹理分类、图像匹配等领域取得了极其丰硕的研究成果。早在2005年，基
5
上海工程技术大学毕业设计（论文） 基于蚁群算法的图像边缘检测
于蚁群动态模糊聚类算法的图像边缘检测[7]已由苗京等人提出，为了克服FCM算法对初始化的敏感，该算法利用蚁群算法的处理局部极值的较强能力，以较为动态的方法确定了FCM 算法聚类数目和中心，并利用FCM 聚类处理蚁群聚类得到的之后结果，再进行FCM聚类以完善蚁群算法的缺点。二者紧密吻合之后便可达到具有最优的聚类且具有全局分布特性，经过多方研究与具体实践得到给算法在模糊边缘和微细边缘检测能力上有较强的能力。于勇[8]等人通过蚁群算法原理，首先将一些可能边缘点定位出来，然后利用这些可能边缘信息促使蚁群迭代来实现对每个部分的边缘的搜索，而后更新遗留在路径上的信息素分布，使得可能边缘点渐渐向真实的边缘点靠近。该方法可以从噪声图像中将噪声平滑掉的同时保留更多的细节，最后将真实边缘从中提取出来。在CT图像边缘检测中，张景虎[1]等提出了结合蚁群算法的CT图像边缘检测新方法。将蚁群算法改进成能够适应于CT图像的新算法，改变传输策略和信息素更新规则，使得蚁群算法能够应用于CT图像边缘检测。朱玲[9]等人从甲状腺结节边沿出发，结合超声图像的特点来设置信息素和食物来源，提出了基于蚁群算法的甲状腺结节边沿检测，实验结果显示，该算法比传统的Canny算法和索贝尔算法检测出的边缘更清晰。卢雪夫[10]等参考了Canny算子提取边缘的先验知识，将它添加到蚁群算法中，通过计算图像中不同比例的图像像素灰度来实现对图像边缘的提取。高德威[11]等利用了边缘的启发信息——梯度灰度值变化，改变运动因子从而激发蚂蚁向边缘方向运动。
从上述内容来看，边缘检测的研究存在几个显著的发展可能[4]：（1）不断改进原有传统算法。（2）引入新的改进算法，并且将多种方法结合运用。（3）一些边缘检测技术仅能识别普通图像，对于特殊图像的边缘检测技术也应当引起人们的关注。（4）在实际项目实施当中使用该算法来解决问题。 1.3 研究目的和意义
蚁群算法[1]，又名蚂蚁算法，它是由意大利科学家M.Dorigo和他的同事根据蚂蚁寻找食物这一日常现象而提出的一种新型概率搜索算法。它已经应用于诸多领域，主要是在图像处理、旅行商问题、群体智能、模糊建模、数据挖掘、物流配送车辆调度等[12]。随着蚁群算法不断改进和发展，目前可以将它大范围运用到到群体智能、模式识别、数据分类、信号处理、聚类分析、数据挖掘、图像处理以及仿真和系统辨识等方面[13]。
综上所述，蚁群算法的提出帮助解决了很多领域之前无法解决的问题。随着蚁群
6
上海工程技术大学毕业设计（论文） 基于蚁群算法的图像边缘检测
算法越来越广泛的应用，不断有新思路和新方法提出，本文所主要研究的领域就是其在图像处理中的应用。在图像边缘检测基于原理和蚁群算法的研究，结合其特点，例如鲁棒性和适应性强等，将蚁群算法应用于边缘检测领域，提出了一种新的基于蚁群算法的边缘检测方法，并对该方法的性能和检测结果进行了深入探讨。随后，针对该方法的缺陷和不足，进行调测和改进，并进行仿真，使其能够更好的检测出图像边缘。该方法对于图像边缘检测的研究具有很强的理论意义和实用价值。
2 图像边缘检测概述
对于人类视觉而言，图像边缘具有非常重要的意义。Poggio[14]等指出“边缘或许对应着图像中物体（的边界），或许并没有对应着图像中物体（的边界），但是边缘具有十分令人满意的性质，它能大大减少所要处理的信息，而且又保留了图像中物体的形状信息”。
在数字图像中提取边缘的过程可称为图像边缘检测。它的目的是识别不连续或者发生急剧变化的图像中的点。这个过程在理解图像内容上至关重要，并且将其应用在图像分析和计算机视觉中，通常应用于初始阶段的计算机视觉应用程序。它是针对图像局部区域上像素点的一种运算，在图像处理及其相关领域中占据着关键的地位，通常情况下边缘检测包含如图2.1所示四个步骤：
（1）图像滤波[15]
点边缘特征图像可以由第一和第二导数图像的灰度值来表示，但不能计算噪声抑制的衍生物，它们需要使用滤波器去噪，图像平滑来提高边缘检测。 （2）图形增强
利用图像增强可以指示显示图像中存在明显变化的点，以确定图像中每个领域强度的变化。 （3）图像检测
图像中的很多梯度幅度有较大变化的点都可能会被误认为是边缘点，因此应寻找
原始图像 滤波 增强 平滑图像 梯度图像 检测 边缘点 定位 边缘图像 图2.1 图像边缘检测流程
7