一种基于改进蚁群算法的图像边缘检测方法一种基于改进蚁群算法的图像边缘检测方法
为了提高图像的边缘检测性能,将蚁群算法引入图像边缘检测。阐述了提取图像边缘特征的方法和蚁群算法的
基本原理,提出了一种基于改进的蚁群算法的边缘检测方法。将图像的形态学梯度值作为蚁群的信息激素强度
值和启发信息值,使用最大类间方差法获得图像的边缘信息。实验结果表明该算法能成功地提取边缘信息并抑
制背景纹理细节,具有较好的检测效果。
摘摘 要要: 为了提高图像的
关键词关键词: 蚁群算法; 边缘检测;
图像处理和视觉信息中,边缘是最简单且最重要的特征之一,作为对图像的预处理,通过边缘检测提取图像中感兴趣的物
体边缘达到识别目标的目的,可以为后续的图像处理奠定良好的基础。传统的边缘检测主要起到高通滤波的作用,使用空域微
分算子卷积来实现,如Sobel算子、Prewitt算子、Robert算子和Canny算子等[1]。
蚁群算法(Ant Colony Algorithm)是近些年新发展起来的一种优化计算方法,它依据蚂蚁之间留下的信息激素,利用概率路
径选择方法,通过个体之间的信息交流来完成寻求全局最优解的搜索过程[2]。该算法具有并行性、正反馈性、离散型和鲁棒
性等特点,易于与其他优化算法相结合,已被应用于解决诸如TSP、车间调度和图着色等问题[2]。蚁群算法的并行性和离散
性对于数字图像非常适用。参考文献[3]提出将图像的梯度作为蚁群算法的信息激素值和启发式函数值,取得了较好的效果。
本文则提出了一种基于蚁群算法的图像边缘检测改进方法,将图像的形态学梯度值设置为信息激素值和启发式函数值,使用最
大类间方差阈值分割方法获得图像的边缘,与传统边缘检测方法进行了对比。实验结果表明,该方法不失为一种性能优良的边
缘检测方法。
1 边缘特征的提取策略边缘特征的提取策略
形态学一般用于处理动物和植物的形状和结构,在图像处理领域中,数学形态学作为提取图像分量的一种工具,其包含了
一组形态学算子,最基本的有膨胀、腐蚀、开运算和闭运算[4]。其基本思想是使用结构元素填放在图像的内部,看是否能有
效地对图像进行改善。
本文使用半径为1的圆盘型结构元素对图像进行膨胀和腐蚀,将图像中较弱的细节部分增强并将不清晰的过小细节和背景
噪点腐蚀,从而获得图像的形态学梯度。图像是由背景、边缘和目标组成的,边缘特征表达了图像轮廓信息,一般反映在像素
的灰度梯度值上,梯度值越大,其在图像上的灰度变化就越大;反之,梯度值越小灰度像素的变化范围也就越小。lena图像的