基于蟻群算法的圖像邊緣檢測(cè)課件

基于蟻群算法的圖像邊緣檢測(cè)作者：whyproE-mail:whypro@基于蟻群算法的圖像邊緣檢測(cè)作者：whypro章節(jié)安排圖像邊緣檢測(cè)概述蟻群算法邊緣檢測(cè)模型算法的實(shí)現(xiàn)總結(jié)和展望章節(jié)安排圖像邊緣檢測(cè)概述圖像邊緣檢測(cè)概述圖像邊緣檢測(cè)概述圖像的邊緣邊緣是指圖像強(qiáng)度（灰度值）發(fā)生急劇變化的區(qū)域邊界，是圖像最基本的特征之一。圖像邊緣可分為階躍型、屋頂型兩種類型。如圖所示。階躍型邊緣屋頂型邊緣圖像的邊緣邊緣是指圖像強(qiáng)度（灰度值）發(fā)生急劇變化的區(qū)域邊界，常用邊緣檢測(cè)方法基于微分算子的邊緣檢測(cè)（傳統(tǒng)方法）Robert算子Sobel算子Laplacian算子Canny算子基于小波理論的多尺度圖像邊緣檢測(cè)基于數(shù)學(xué)形態(tài)學(xué)的圖像邊緣檢測(cè)基于模糊數(shù)學(xué)的圖像邊緣檢測(cè)基于神經(jīng)網(wǎng)絡(luò)的圖像邊緣檢測(cè)基于遺傳算法的圖像邊緣檢測(cè)常用邊緣檢測(cè)方法基于微分算子的邊緣檢測(cè)（傳統(tǒng)方法）蟻群算法邊緣檢測(cè)模型蟻群算法邊緣檢測(cè)模型蟻群算法的基本原理蟻群算法是一項(xiàng)基于蟻群特點(diǎn)的群智能技術(shù)，最早由MarcoDorigo等人于1992年提出，稱之為螞蟻系統(tǒng)(antsystem，AS)，用于解決在圖中尋找最優(yōu)路徑問(wèn)題，即旅行商問(wèn)題(TSP)。蟻群算法模擬了自然界螞蟻的覓食過(guò)程，它們起初隨機(jī)地移動(dòng)，當(dāng)找到食物后，在返回蟻群的途中分泌一種信息素(pheromone)，吸引其他螞蟻趨向于選擇該路徑，從而對(duì)路徑進(jìn)行鞏固和加強(qiáng)。這樣，當(dāng)一只螞蟻在蟻群與食物之間找到了一條最佳（最短）路徑，其他螞蟻也隨之選擇同樣的路徑，這種正反饋機(jī)制使得蟻群最終會(huì)趨向于一條路徑。蟻群算法正是模擬了這種群體行為來(lái)解決多種多樣的問(wèn)題。

蟻群算法的基本原理蟻群算法是一項(xiàng)基于蟻群特點(diǎn)的群智能技術(shù)，最蟻群算法的基本原理蟻群算法的基本原理蟻群算法的基本原理蟻群中的螞蟻開始隨機(jī)地移動(dòng)。如果它發(fā)現(xiàn)了食物，就立即返回蟻巢，并在返回途中釋放信息素。信息素吸引附近的其他螞蟻沿著信息素軌跡移動(dòng)。這些螞蟻找到食物返回蟻巢后，該路徑上的信息素濃度得到鞏固和加強(qiáng)。如果有兩條路徑通向相同的食物源，那么經(jīng)過(guò)足夠的時(shí)間，短路徑上的螞蟻會(huì)越來(lái)越多。短路徑上的信息素濃度將越來(lái)越高，從而吸引更多的螞蟻。長(zhǎng)路徑上的信息素不斷揮發(fā)，直至消失。最終，幾乎所有的螞蟻將選擇最短的路徑。蟻群算法的基本原理蟻群中的螞蟻開始隨機(jī)地移動(dòng)。蟻群算法的基本原理蟻群算法的基本原理蟻群算法的基本特征正反饋性：螞蟻個(gè)體趨向于選擇最優(yōu)路徑，從而最優(yōu)路徑上將積累更多的信息素，而高濃度的信息素又會(huì)吸引更多的螞蟻，正反饋過(guò)程引導(dǎo)整個(gè)系統(tǒng)向最優(yōu)解的方向進(jìn)化。分布式計(jì)算：每只人工螞蟻在問(wèn)題空間的多個(gè)點(diǎn)同時(shí)開始相互獨(dú)立地構(gòu)造問(wèn)題解，而整個(gè)問(wèn)題的求解不會(huì)因?yàn)槟持蝗斯の浵仧o(wú)法成功獲得解而受到影響。魯棒性：相對(duì)于其它算法，蟻群算法對(duì)初始路線要求不高，即蟻群算法的求解結(jié)果不依賴于初始路線的選擇，而且在搜索過(guò)程中不需要進(jìn)行人工的調(diào)整。并行性：蟻群算法中螞蟻個(gè)體搜索的過(guò)程彼此獨(dú)立，僅通過(guò)信息素進(jìn)行通信。因此算法可看作是一個(gè)分布式多Agent系統(tǒng)，它在問(wèn)題空間的多點(diǎn)同時(shí)開始獨(dú)立的解搜索，不僅增加了算法的可靠性，也使得算法具有較強(qiáng)的全局搜索能力。自組織性：螞蟻個(gè)體作用簡(jiǎn)單，而個(gè)體之間的協(xié)作作用特別明顯，因而可以將蟻群當(dāng)做一個(gè)整體，甚至可以看做一個(gè)獨(dú)立生物體來(lái)研究。蟻群算法的基本特征正反饋性：螞蟻個(gè)體趨向于選擇最優(yōu)路徑，從而基于蟻群算法的邊緣檢測(cè)模型流程首先，我們對(duì)原始圖像（真彩色）進(jìn)行灰度化處理，得到單通道的灰度圖像；其次，選用一種微分算子對(duì)灰度化后的圖像進(jìn)行預(yù)處理；預(yù)處理后我們就可以將圖像灰度值看作信息素量而將蟻群按照一定規(guī)則分布其中，進(jìn)行足夠次迭代后得到結(jié)果；最后，需要對(duì)其進(jìn)行閾值化，即根據(jù)設(shè)定的閾值，將圖像按照每個(gè)像素的灰度值大小轉(zhuǎn)換為二值圖像，經(jīng)過(guò)這步我們便已經(jīng)得到邊緣結(jié)果圖；根據(jù)需要，可進(jìn)一步使用細(xì)化算法對(duì)其進(jìn)行細(xì)化（這一步是可選的）?；谙伻核惴ǖ倪吘墮z測(cè)模型流程首先，我們對(duì)原始圖像（真彩色）鄰域結(jié)構(gòu)及螞蟻的移動(dòng)方式鄰域是螞蟻下一步可移動(dòng)到的節(jié)點(diǎn)集。本文采用8鄰域結(jié)構(gòu)，如圖所示。螞蟻移動(dòng)到各節(jié)點(diǎn)的概率定義為：

鄰域結(jié)構(gòu)及螞蟻的移動(dòng)方式鄰域是螞蟻下一步可移動(dòng)到的節(jié)點(diǎn)集。本鄰域結(jié)構(gòu)及螞蟻的移動(dòng)方式信息啟發(fā)式因子反映了螞蟻在運(yùn)動(dòng)過(guò)程中所積累的信息量在指導(dǎo)蟻群搜索中的相對(duì)重要程度，其值越大，螞蟻選擇以前走過(guò)路徑的可能性就越大，搜索的隨機(jī)性就越弱。期望啟發(fā)式因子反映了啟發(fā)信息在指導(dǎo)蟻群搜索過(guò)程中的相對(duì)重要程度，其大小反映了蟻群尋優(yōu)過(guò)程中先驗(yàn)性、確定性因素的作用強(qiáng)度。其值越大，則螞蟻在某個(gè)局部點(diǎn)上選擇局部最短路徑的可能性越大，雖然這時(shí)算法的收斂速度得以加快，但蟻群搜索最優(yōu)路徑的隨機(jī)性減弱，易于陷入局部最優(yōu)。慣性啟發(fā)式因子決定著螞蟻保持當(dāng)前運(yùn)動(dòng)方向的強(qiáng)度，當(dāng)

越大時(shí)，螞蟻越趨向于沿直線運(yùn)動(dòng)，當(dāng)

時(shí)，不考慮其他因素，螞蟻向各個(gè)方向運(yùn)動(dòng)的概率相等。鄰域結(jié)構(gòu)及螞蟻的移動(dòng)方式信息啟發(fā)式因子反映了螞蟻在運(yùn)動(dòng)過(guò)程中鄰域結(jié)構(gòu)及螞蟻的移動(dòng)方式if(螞蟻的狀態(tài)為激活態(tài)){ for(遍歷8個(gè)鄰域節(jié)點(diǎn)){

計(jì)算節(jié)點(diǎn)的概率值 if(該節(jié)點(diǎn)存在于螞蟻的記憶中){

刪除該節(jié)點(diǎn) } } if(可移動(dòng)的節(jié)點(diǎn)集不為空){

模擬概率執(zhí)行移動(dòng)，為當(dāng)前節(jié)點(diǎn)重新賦值

將當(dāng)前節(jié)點(diǎn)加入螞蟻的記憶中 if(螞蟻記憶中節(jié)點(diǎn)數(shù)>螞蟻記憶長(zhǎng)度){

遺忘最早記憶的節(jié)點(diǎn) } } else{

設(shè)置螞蟻狀態(tài)為停止移動(dòng) }}鄰域結(jié)構(gòu)及螞蟻的移動(dòng)方式if(螞蟻的狀態(tài)為激活態(tài)){螞蟻的記憶與禁忌表我們?yōu)槊恐晃浵佋O(shè)置一段臨時(shí)記憶，也稱作“禁忌表”，每次迭代中，螞蟻個(gè)體都不會(huì)移動(dòng)到自己先前訪問(wèn)過(guò)的節(jié)點(diǎn)。記憶的長(zhǎng)度作為算法的一個(gè)參數(shù)，也影響著算法的運(yùn)行效率。下面我們?cè)?/p>

的空白測(cè)試圖中，為3只螞蟻設(shè)置不同的記憶長(zhǎng)度和參數(shù)，以隨機(jī)點(diǎn)開始覓食，進(jìn)行50次迭代后，對(duì)信息素矩陣進(jìn)行了色彩化處理，實(shí)驗(yàn)結(jié)果如下。螞蟻的記憶與禁忌表我們?yōu)槊恐晃浵佋O(shè)置一段臨時(shí)記憶，也稱作“禁螞蟻的記憶與禁忌表記憶長(zhǎng)度=1記憶長(zhǎng)度=10螞蟻的記憶與禁忌表記憶長(zhǎng)度=1記憶長(zhǎng)度=10蟻群規(guī)模和初始分布

蟻群規(guī)模和初始分布

蟻群規(guī)模和初始分布

蟻群規(guī)模和初始分布

蟻群規(guī)模和初始分布Lena原圖蟻群規(guī)模和初始分布Lena原圖蟻群規(guī)模和初始分布512只螞蟻，隨機(jī)分布方式9325只螞蟻，隨機(jī)分布方式蟻群規(guī)模和初始分布512只螞蟻，隨機(jī)分布方式9325只螞蟻，蟻群規(guī)模和初始分布3*3均勻分布方式（自動(dòng)計(jì)算出螞蟻的個(gè)數(shù)為29241個(gè)3*3智能方式（自動(dòng)計(jì)算出螞蟻的個(gè)數(shù)為9325個(gè)蟻群規(guī)模和初始分布3*3均勻分布方式（自動(dòng)計(jì)算出螞蟻的個(gè)數(shù)為信息素更新方式蟻群能感受到的信息素分為兩類，第一類為蟻群釋放的信息素，我們稱之為信息素，第二類為圖像的灰度值，我們稱之為啟發(fā)信息。隨著迭代次數(shù)的增加，大部分路徑上都會(huì)留下信息素。為了防止信息素的過(guò)度積累而使螞蟻決策時(shí)忽略能見度信息，在完成每次迭代后，各路徑上的信息素濃度需要根據(jù)公式進(jìn)行更新。

信息素更新方式蟻群能感受到的信息素分為兩類，第一類為蟻群釋放終止條件本文使用給定的迭代次數(shù)作為算法的終止條件，即算法將在進(jìn)行I次迭代之后無(wú)條件終止，因此，迭代次數(shù)的選擇對(duì)于算法性能的影響很大，選擇適當(dāng)?shù)牡螖?shù)尤其重要。當(dāng)螞蟻的臨時(shí)記憶包含其所有可移動(dòng)節(jié)點(diǎn)，即螞蟻無(wú)法決策下一步移動(dòng)的節(jié)點(diǎn)時(shí)，終結(jié)螞蟻個(gè)體的生命，不再進(jìn)行移動(dòng)。終止條件本文使用給定的迭代次數(shù)作為算法的終止條件，即算法將在閾值的選擇蟻群算法運(yùn)行之后，需要對(duì)其進(jìn)行閾值化，即根據(jù)設(shè)定的閾值，將蟻群釋放的信息素量所對(duì)應(yīng)的邊緣圖像按照每個(gè)像素的灰度值大小轉(zhuǎn)換為二值圖像，經(jīng)過(guò)這步我們便可得到邊緣結(jié)果。閾值的選擇蟻群算法運(yùn)行之后，需要對(duì)其進(jìn)行閾值化，即根據(jù)設(shè)定的閾值的選擇0.050.150.250.350.450.550.650.750.850.95閾值的選擇0.050.450.550細(xì)化常用的細(xì)化算法有Hilditch算法、Pavlidis算法、Rosenfeld算法和Skeleton算法等。因細(xì)化并非邊緣檢測(cè)的必需步驟之一，同時(shí)也非本文的重心所在，本文算法的實(shí)現(xiàn)程序可自由地選用以上細(xì)化算法對(duì)檢測(cè)結(jié)果進(jìn)行細(xì)化，具體在這里不再贅述。細(xì)化常用的細(xì)化算法有Hilditch算法、Pavlidis算算法的實(shí)現(xiàn)算法的實(shí)現(xiàn)類設(shè)計(jì)類設(shè)計(jì)類設(shè)計(jì)類設(shè)計(jì)類設(shè)計(jì)類設(shè)計(jì)界面設(shè)計(jì)界面設(shè)計(jì)運(yùn)行結(jié)果運(yùn)行結(jié)果性能評(píng)價(jià)性能評(píng)價(jià)與傳統(tǒng)算法的比較Lena原圖Roberts算法Sobel算法Laplacian原圖Canny算法本文算法與傳統(tǒng)算法的比較Lena原圖Roberts算法Sobel與傳統(tǒng)算法的比較Peppers原圖Roberts算法Sobel算法Laplacian原圖Canny算法本文算法與傳統(tǒng)算法的比較Peppers原圖Roberts算法So與傳統(tǒng)算法的比較Airplane原圖Roberts算法Sobel算法Laplacian原圖Canny算法本文算法與傳統(tǒng)算法的比較Airplane原圖Roberts算法S總結(jié)和展望總結(jié)和展望總結(jié)本文首先回顧了常用的邊緣檢測(cè)算法以及對(duì)蟻群算法的基本理論作了簡(jiǎn)單的介紹。其次，提出了一種基于蟻群算法的邊緣檢測(cè)模型，并對(duì)影響算法性能的各個(gè)參數(shù)作了詳盡的分析。本文主要的研究成果如下：采用8鄰域結(jié)構(gòu)，螞蟻可向8個(gè)方向自由移動(dòng)，概率計(jì)算函數(shù)分別由信息素量、圖像灰度值、螞蟻的慣性因子決定。螞蟻擁有短暫的記憶，記憶長(zhǎng)度作為本文算法的參數(shù)之一。提出了一種更智能的蟻群初始分布方式。在撰寫論文過(guò)程中，我們進(jìn)行了大量的實(shí)驗(yàn)。最后，通過(guò)與傳統(tǒng)方法的比較，從實(shí)驗(yàn)結(jié)果來(lái)看，本文算法在圖像邊緣檢測(cè)中的表現(xiàn)令人滿意?？偨Y(jié)本文首先回顧了常用的邊緣檢測(cè)算法以及對(duì)蟻群算法的基本理論展望在研究過(guò)程中，我們也意識(shí)到了蟻群算法客觀存在的缺陷。蟻群算法屬于群智能算法的一種，而群智能算法是一種基于概率計(jì)算的隨機(jī)搜索進(jìn)化算法，在現(xiàn)階段仍然存在著一些問(wèn)題：算法的數(shù)學(xué)理論基礎(chǔ)相對(duì)薄弱，關(guān)于此類的研究發(fā)展相對(duì)緩慢；同時(shí)，關(guān)于參數(shù)的設(shè)置現(xiàn)階段并沒(méi)有確切的理論依據(jù)，對(duì)具體問(wèn)題與應(yīng)用環(huán)境存在著很大的依賴性；時(shí)間性能差，算法的收斂速度較慢；與其他算法的比較性研究不足，缺乏合適的性能評(píng)估標(biāo)準(zhǔn)和測(cè)試方法；因?yàn)樗惴ū旧砘诟怕剩虼瞬?/p>