毕业设计论文-基于蚁群算法的图像边缘检测-附代码Word文件下载.doc

毕业设计论文-基于蚁群算法的图像边缘检测-附代码Word文件下载.doc

《毕业设计论文-基于蚁群算法的图像边缘检测-附代码Word文件下载.doc》由会员分享，可在线阅读，更多相关《毕业设计论文-基于蚁群算法的图像边缘检测-附代码Word文件下载.doc（48页珍藏版）》请在冰豆网上搜索。

2.2常用的边缘检测方法 11

2.3其他边缘检测方法 16

2.3.1基于小波变换的边缘检测 16

2.3.2基于数学形态学的边缘检测 17

2.4传统边缘检测的不足 18

3蚁群算法 19

3.1蚁群算法的基本原理 19

3.2基于蚁群算法的图像边缘检测 22

4实验结果及分析 23

4.1基于蚁群算法的图像边缘检测流程 23

4.2实验结果与性能分析 26

4.2.1参数对边缘检测的影响 27

4.2.2与传统方法的比较 33

5总结与展望 35

参考文献 36

附录 37

1

摘要

边缘是最基本和重要的特征，其包括用于图像识别的所有主要信息中的一个的数字图像。

因此，图像的检测和边缘提取在图像处理、计算机视觉等应用中有着不容小觑的作用，具有非常高的实际应用价值。

长期以来，如何提高边缘检测算法的精度一直都是国内外许多学者的研究课题。

蚁群算法是最近开发出来的一种概率搜索算法，是一种利用人工蚂蚁自己找到最优路径的新型仿生优化算法，该算法具有强鲁棒性、正反馈性、并行性、启发性和分布式处理功能。

本文通过分析基本原理和蚁群算法的特征点，提出了一种基于蚁群算法的图像边缘检测方法，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。

最后通过与传统边缘检测算子相对比，已表明了该算法能够更好地检测图像边缘。

实验证明，蚁群算法的研究对于图像边缘检测具有很强的理论意义和现实价值。

关键词：

图像处理，边缘检测，蚁群算法

ImageEdgeDetectionbasedonAntColonyAlgorithm

ABSTRACT

Edgeisoneofthemostfundamentalandimportantfeaturesofdigitalimage,includingusefulinformationforimagerecognition.Therefore,edgedetectionandextractionplaysanimportantroleinimageprocessingandcomputervisionapplications,withveryhighpracticalvalue.Overtheyears,manyscholarsathomeandabroadarestudyinghowtoimprovetheaccuracyofedgedetectionalgorithm.

Antcolonyalgorithmisaprobabilisticsearchalgorithmdevelopedinrecentyears.Itisakindofnewbionicoptimizationalgorithmusingintelligentartificialantstosearchtheglobaloptimum.Thisalgorithmhasstrongrobustness,positivefeedback,parallelism,enlighteninganddistributedprocessingandetc.Inthispaper,animageedgedetectionmethodbasedonantcolonyalgorithmhasbeenproposedbyanalyzingthebasicprincipleofantcolonyalgorithm.Andmakeadeepdiscussionontheperformanceandtestresultsofthismethod.Then,adjustingandimprovingthemethodbyconcentratingonthedefectanddisadvantage,andmoveontothesimulation,inordertodetecttheimageedgeswell.Atlast,aconclusionthattheantcolonyalgorithmcandetecttheimageedgesbetterhasbeendrawnbycomparingwithothertraditionaledgedetectionoperators.Theexperimentshowthattheresearchonantcolonyalgorithmhasastrongtheoreticalandpracticalvalueonimageedgedetection.

Keywords:

imageprocessing,imageedgedetection,antcolonyalgorithm

基于蚁群算法的图像边缘检测

1绪论

作为对于客观对象的一种真实性描述或写真，图像常常被用作信息载体在我们的社会活动中。

数字图像起源于上世纪20年代，用有限数字数值像素来表示二维图像，它是由连续图像经过数字化处理而形成的。

因此，数字图像处理技术如今已然进入到人们的生活中。

在数字图像处理领域中最基本的问题，就是图像边缘检测（imageedgedetection），它也是数字图像中最重要的特征之一。

边缘信息包含了图像中许多有用信息，它的算法优劣直接影响图像分析和图像处理的效果，以及图像分割的准确性。

蚁群算法（AntColonyAlgorithm,ACA）[1]是某种概率搜索算法，相对来说是一种比较新型的仿生学算法，并且在近一年成长迅速。

基于蚁群算法的图像边缘检测，是利用生命体信息激素作为蚂蚁路线选择的基础，在蚂蚁和食物之间找到一条最优最短的路径。

1.1研究背景

图像是人们获得信息的第一来源。

因此，人们在生活或者工作中，都不能离开图像处理。

从上世纪五、六十年代以来，随着现代计算机技术的不断发展和进步，图像处理和识别技术越来越发达，人们打开了计算机世界的新大门，图像处理步入了一个新的台阶。

目前它已经成为21世纪信息时代的一门关键的学科技术。

数字图像处理技术在计算机科学、信息科学、数字、物理学以及生物学等学科中都有所涉猎，其研究领域也涵盖了生物医学图像、遥感图像分析、人工智能、X射线图像、地质勘探、粒子物理和光学显微图像分析等。

这些数字图像处理技术，总共可分为三个层次：

图像处理、图像分析和图像理解，被共同称为图像工程。

图像处理重点是看图像之间的变化；

图像分析是检测和测量，获取目标信息，建立了描述的图像；

图像理解则强调目标图像中各个研究点的性能以及他们之间的关联，从而能够更好的理解图像内容。

根据查阅的文献，图像技术在图像处理、图像分析和图像理解这三个层次中的分类情况如表1.1所示。

表1.1图像处理、图像分析和图像理解三个层次技术分类[2]

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]，DorigoM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，