蟻群算法應(yīng)用實(shí)例

1、混沌蟻群算法在圖像邊緣檢測中的應(yīng)用混沌蟻群算法在圖像邊緣檢測中的應(yīng)用1背景介紹2問題分析3方法步驟4應(yīng)用實(shí)例5結(jié)論 目錄背景介紹檢測的目的 辨別圖像中物體結(jié)構(gòu)、紋理、形態(tài)的重要信息， 為圖像后期處理和分析提供了重要的參數(shù)指標(biāo)， 對(duì)后續(xù)進(jìn)一步的特征描述、匹配和識(shí)別等有著重大的影響。邊緣檢測存在于目標(biāo)與背景、目標(biāo)與目標(biāo)、區(qū)域與區(qū)域之間。邊緣檢測存在于目標(biāo)與背景、目標(biāo)與目標(biāo)、區(qū)域與區(qū)域之間。 邊緣檢測：采用某種算法來提取出圖像圖像中對(duì)象與背景間的交界線。Roberts邊緣檢測算子Canny邊緣檢測算子小波變換和小波包的邊緣檢測法基于數(shù)學(xué)形態(tài)學(xué)的邊緣檢測算法Log邊緣檢測算子 近年來，各種新的算法和人

2、工智能理論被引入到數(shù)字圖像處理領(lǐng)域。模糊理論和神經(jīng)網(wǎng)絡(luò)的邊緣檢測法遺傳算法的邊緣檢測法背景介紹 蟻群算法是一種新型的仿生學(xué)優(yōu)化算法，利用螞蟻群體覓食所釋放出的信息素為媒介進(jìn)行間接的信息傳遞，后面的螞蟻利用信息素的強(qiáng)度來對(duì)最近覓食或歸巢路線進(jìn)行判斷選擇。背景介紹 蟻群算法具有較強(qiáng)的適應(yīng)性、正反饋性和魯棒性，但也存在易陷入局部最優(yōu)解。問題分析 混沌蟻群算法混沌蟻群算法？ canny算子提取的邊界較完整，細(xì)節(jié)清晰，但容易把噪聲點(diǎn)誤判為邊界。問題分析 混沌蟻群算法是利用混沌算法的全排列性。改進(jìn)蟻群算法存在的容易過早收斂、易陷于局部最優(yōu)、對(duì)邊緣定位不準(zhǔn)確等問題?；煦缱兞勘闅v性隨機(jī)性規(guī)律性 在圖片范圍內(nèi)隨

3、機(jī)投放MN只螞蟻，利用螞蟻隨機(jī)搜索路徑時(shí)，圖像灰度值的變化情況不斷更新信息素矩陣； 利用蟻群算法的正反饋性，最終產(chǎn)生的信息素矩陣計(jì)算圖像的閾值； 確定圖像的邊緣位置。檢測方法 結(jié)合混沌蟻群算法對(duì)圖像進(jìn)行邊緣檢測，其流程圖右圖所示。檢測方法蟻群算法蟻群算法混沌算法混沌算法邊緣的最終提取邊緣的最終提取 開始迭代時(shí)，進(jìn)行混沌初始化。選擇典型的混沌系統(tǒng)Logistics映射作為混沌變量，按下式進(jìn)行迭代：檢測方法式中，為控制參數(shù)，當(dāng)=4、 時(shí)，Logistics映射完全處于混沌狀態(tài)。 利用全排列理論，每一個(gè)混沌量對(duì)應(yīng)一個(gè)像素點(diǎn)上的信息素值，即每個(gè)像素點(diǎn)上的信息素初始值根據(jù)混沌量而給出。步驟一初始化閾值

4、。 其中， 為最終的信息素矩陣?；静襟E步驟二根據(jù)閾值 的值可將信息素矩陣 劃分為大于 和小于 的兩部分，分別計(jì)算這兩部分的平均值： 其中： 式中基本步驟 步驟三 設(shè)置迭代系數(shù) ，更新閾值 ： 步驟四 若 返回步驟2 繼續(xù)劃分閾值 ；若 則輸出閾值 根據(jù)閾值劃分圖片為：基本步驟 Matlab上進(jìn)行仿真以128128 的灰度圖為例，分別運(yùn)用Canny邊緣檢測算子、蟻群算法和混沌蟻群算法對(duì)圖像邊緣進(jìn)行提取。應(yīng)用實(shí)例 腦CT圖應(yīng)用實(shí)例 Canny 算子：提取的邊緣不夠清晰，而且很多干擾信息被誤檢； 蟻群算法：邊緣有部分丟失； 混沌蟻群算法：提取的邊緣相對(duì)比較完整，細(xì)節(jié)處更加清晰。 胸CT圖應(yīng)用實(shí)例 Canny 算子：邊緣比較完整，但肺葉內(nèi)部紋理幾乎沒有檢測到； 蟻群算法：邊緣不連續(xù)、有部分丟失，肺葉內(nèi)部紋理幾乎沒有檢測到。 混沌蟻群算法：提取的邊緣相對(duì)完整清晰，肺內(nèi)部紋理部分檢出，但細(xì)小處也未能檢測出。 細(xì)胞顯微圖應(yīng)用實(shí)例 細(xì)菌顯微圖混沌蟻群算法的邊緣檢測更加完整、無斷點(diǎn)。線條更加粗實(shí)、清晰。細(xì)節(jié)部分能夠較為準(zhǔn)確地檢測到。但還是存在一定的問題，如肺葉中的超細(xì)小的部分無法檢測到，重疊部分區(qū)分不開等問題，有待于進(jìn)一步的研究。結(jié)論應(yīng)用實(shí)