基于蚁群算法的图像边缘检测附代码毕业论文

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1目 录摘 要 .1ABSTRACT.21 绪论 .31.1 研究背景 .31.2 研究现状和发展方向 .41.3 研究目的和意义 .62 图像边缘检测概述 .72.1 边缘的定义及类型 .92.2 常用的边缘检测方法 .112.3 其他边缘检测方法 .162.3.1 基于小波变换的边缘检测 .162.3.2 基于数学形态学的边缘检测 .172.4 传统边缘检测的不足 .183 蚁群算法 .193.1 蚁群算法的基本原理 .193.2 基于蚁群算法的图像边缘检测 .224 实验结果及分析 .234.1 基于蚁群算法的图像边缘检测流程 .234.2 实验结果与性能分析 .264.2.1 参数对边缘检测的影响 .274.2.2 与传统方法的比较 .335 总结与展望 .35参考文献 .36附 录 .37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0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1Image Edge Detection based on Ant Colony AlgorithmABSTRACTEdge is one of the most fundamental and important features of digital image, including useful information for image recognition. Therefore, edge detection and extraction plays an important role in image processing and computer vision applications, with very high practical value. Over the years, many scholars at home and abroad are studying how to improve the accuracy of edge detection algorithm.Ant colony algorithm is a probabilistic search algorithm developed in recent years. It is a kind of new bionic optimization algorithm using intelligent artificial ants to search the global optimum. This algorithm has strong robustness, positive feedback, parallelism, enlightening and distributed processing and etc. In this paper, an image edge detection method based on ant colony algorithm has been proposed by analyzing the basic principle of ant colony algorithm. And make a deep discussion on the performance and test results of this method. Then, adjusting and improving the method by concentrating on the defect and disadvantage, and move on to the simulation, in order to detect the image edges well. At last, a conclusion that the ant colony algorithm can detect the image edges better has been drawn by comparing with other traditional edge detection operators. The experiment show that the research on ant colony algorithm has a strong theoretical and practical value on image edge detection.Key words: image processing, image edge detection, ant colony algorithm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2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（image edge detection），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（Ant Colony Algorithm, 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3三 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。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41.2 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.Julez5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5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6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：图 2.1 图像边缘检测流程（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）图形增强原始图像 平滑图像 梯度图像 边缘点 边缘图像滤波增强 检测 定位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7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，因此应寻找到一种方法来进行筛 选和检 测。通过研究发现，采用设定阈值的方法能够简单有效的确定出图像的边缘点。（4）图像定位在亚像 素级分 辨率上确 定边缘的位 置，与此同 时估算出边 缘的位置。由于各人对图像边 缘检测的要 求和判断都各不相 同，因此检 测出的结 果也是迥然各 异的。话虽如此，但是好的边缘检测算法，都应该满足下列的需 求 16：（1）能对图像边缘检测精确。（2）能准确定位图像边缘。换 而言之，就是该算 法能够在保 证不出现劣质边缘的同时不漏 检优质边缘，该算 法有较高的信 噪比。（3）检测的响应最好是单像素的。（4）图像的边 缘不间断，使用连 续边 缘有效完成目标图像的描述。（5）可以很好的应对不同尺 度的边缘并尽 量减少漏 检。（6）检 测的敏感性应该不受边 缘方向影 响。这些要 求通 常都模棱两可，很难在一个边缘检测器中同时满足。边缘检测的结果评价有两种，一种是主观评价方法，另一种客观评价方法。所谓主 观评 价，顾名思义，它是依赖于观 察者的主 观判 断：处理前的原始图像和处理后的图像在同一时间出现在前面的观察者,让观察者做出相应的判断。没有客观评价主观评价方法的基础上,它完全依 赖于个体主观意识的主人,因此,评价结 果往往会被观 察者的图片类型,个