CN102184556A - 一种基于蚁群算法的图像边缘检测方法 - Google Patents
一种基于蚁群算法的图像边缘检测方法 Download PDFInfo
- Publication number
- CN102184556A CN102184556A CN 201110111440 CN201110111440A CN102184556A CN 102184556 A CN102184556 A CN 102184556A CN 201110111440 CN201110111440 CN 201110111440 CN 201110111440 A CN201110111440 A CN 201110111440A CN 102184556 A CN102184556 A CN 102184556A
- Authority
- CN
- China
- Prior art keywords
- image
- ant
- node
- algorithm
- image edge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于蚁群算法的图像边缘检测方法。本发明将蚁群算法应用到图像的边缘检测问题上,利用图像的灰度梯度作为启发信息,引入运动方向的改变量,通过迭代计算更新蚁群在路径上信息素的分布,使迭代搜索过程逐渐向边缘曲线收敛,最终根据信息素的分布情况检测图像边缘曲线。实验仿真结果表明,该方法能有效利用蚁群算法正反馈的优点,大大提高图像边缘检测的准确度。
Description
技术领域
本发明涉及数字图像处理方法,具体涉及一种基于蚁群算法的图像边缘检测方法。
背景技术
图像边缘是图像最基本也是最重要的特征之一,图像的边缘检测是计算机视觉和图像处理中重要的内容,广泛应用于目标识别与跟踪、机器人视觉、图像数据压缩等领域。准确可靠的边缘提取方法,对这些系统的整体性能起到至关重要的作用,因此边缘提取成为研究人员进行图像特征分析研究时最为关注的热门课题之一。边缘提取的目的就是找到属于感兴趣的目标轮廓的边缘,目前,用于图像边缘检测的方法很多,主要有Roberts算子、Sobel算子、Prewitt算子、LOG算子、Canny算子、小波分析法等,这些方法的特点是运算简单、可并行处理,但对噪声比较敏感,也没有考虑人眼视觉特性,测得的边缘比较粗糙,尤其在图像较复杂或含有噪声时更是如此。针对图像的特点,人们又提出多种提取方法,如基于Gabor滤波器虚部的方法、基于数学形态学的方法等,它们在图像处理领域已被广泛采用,大多是针对各种不同类型的图像所提出的,通用性不是很强,因而还没有一种方法能适用于所有类型图像的边缘提取。
蚁群算法是模仿蚁群在搜索食物源的过程中所体现出来的寻优能力而提出的一种用来寻找最优解决方案的全局搜索算法,具有强鲁棒性、正反馈性、分布式处理等特点,已经广泛应用于求解旅行商问题、指派问题、调度问题等NP组合优化问题并取得很好的效果。蚁群算法的鲁棒性的特点使得基本蚁群算法模型能够通过一定的修改就可较容易地用于解决其它问题。本发明就是将蚁群算法应用到图像处理领域,进行图像边缘的检测。将蚁群算法用于图像边缘检测领域,主要分为3大类:1)基于图像边缘特征的蚁群算法;2)基于模糊聚类的蚁群算法;3)与其他算法的融合,如遗传算法、Snake模型、Markov随机场等。
发明内容
本发明实施例提供一种基于蚁群算法的图像边缘检测方法,用于图像边缘检测,能提高对复杂图像边缘检测的适应性,并且大大提高图像边缘检测的准确度。
本发明提供一种基于蚁群算法的图像边缘检测方法,算法的基本步骤包括:
(1)图像的预处理。具体包括图像的读取并转换为灰度图像,图像大小的调整,中值滤波去噪声和图像的锐化等。
(2)问题的生成。设要检测的灰度图像I,大小为M1×M2,把图像I的每个像素视为一个节点。在上述M1×M2个节点上随机选取K个结点放置K只蚂蚁。
(3)初始化算法的各个参数。包括算法迭代次数N,每条路经上的初始信息素强度τinit
(4)设n=1
(5)第n次迭代,对于每只蚂蚁k(k=1,2,...,K),按概率在图像上连续走L步,其中表示第n次迭代中,蚂蚁从节点(l,m)移到邻居节点(i,j)的转换概率,并在每只蚂蚁走完L步后分别更新信息素矩阵。的计算公式如下:
其中表示第n-1次迭代中节点(i,j)的信息素浓度,Ω(lm)表示节点(l,m)的相邻节点的集合,相邻节点可以定义为4-连续相邻节点或8-连续相邻节点。ηi,j表示节点(i,j)的启发式信息,计算方法如下:
ηi,j=f(|Ii-2,j-1-Ii+2,j+1|+|Ii-2,j+1-Ii+2,j-1|
+|Ii-1,j-2-Ii+1,j+2|+|Ii-1,j-1-Ii+1,j+1|
+|Ii-1,j-Ii+1,j|+|Ii-1,j+1-Ii-1,j-1|
+|Ii-1,j+2-Ii-1,j-2|+|Ii,j-1-Ii,j+1|)
其中函数f(x)可以定义为:f(x)=λx或f(x)=λx2,λ为待定参数,实验中可以具体调整,Ii,j表示节点(i,j)的灰度值。常量α和β分别表示信息素矩阵的影响因子和启发式信息的影响因子。另外,每只蚂蚁走完L步后分别更新信息素矩阵,更新规则为:
其中ρ为信息素的衰减度。
(6)K只蚂蚁访问结束,根据所有蚂蚁访问过的路经,按照更新方程修改轨迹上的全局信息素强度。其中更新方程定义如下:其中ψ为信息素的全局衰减系数。
(7)n=n+1,如果n>N,表明迭代结束,转(8).否则转(5)
(8)提取图像边缘,检测图像边缘信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是一种基于蚁群算法的图像边缘检测方法的流程图;
图2是4-邻接区域示意图;
图3是8-邻接区域示意图;
图4是计算启发式信息ηi,j时的相关结点示意图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明实施例提供一种基于蚁群算法的图像边缘检测方法,用于图像边缘检测,能提高对复杂图像边缘检测的适应性,并且大大提高图像边缘检测的准确度。
本发明提出的基于蚁群算法的图像边缘检测方法主要包括图像的预处理、算法的初始化、蚂蚁路径选择、局部信息素更新、全局信息素更新以及图像边缘信息提取等6个过程。下面分别介绍:
1.图像的预处理过程通常包括如下三部分内容:
(1)图像的读取并转换为灰度图像,对于不同格式的图像先都转换为灰度图像再进行图像边缘的检测。
(2)图像大小的调整,对于不同情况下采集到的图像,其大小规格各不相同,必须先将其调整到一个合适的大小再进行后续处理。
(3)中值滤波去噪声和图像的锐化,图像去噪声,减轻图像边缘检测时噪声的影响;图像的锐化,使图像的边缘特征更加突出。
2.算法的初始化部分,主要包括初始化算法的迭代次数N、蚂蚁数量K,初始信息素矩阵、初始启发式信息矩阵以及算法的其他各个参数,包括信息素矩阵的影响因子α、启发式信息的影响因子β、信息素的衰减度ρ以及信息素的全局衰减系数ψ等。
3.蚂蚁路径选择部分,在第n次迭代中,对于每只蚂蚁k(k=1,2,...,K),在图像上连续走L步,蚂蚁路径的选择遵循如下规律,假设当前蚂蚁在节点(l,m)处,则蚂蚁移动到邻居节点(i,j)的概率定义为计算方法如下:
其中表示第n-1次迭代中节点(i,j)的信息素浓度,Ω(lm)表示节点(l,m)的相邻节点的集合,相邻节点可以定义为4-连续相邻节点或8-连续相邻节点。ηi,j表示节点(i,j)的启发式信息,计算方法如下:
ηi,j=f(|Ii-2,j-1-Ii+2,j+1|+|Ii-2,j+1-Ii+2,j-1|
+|Ii-1,j-2-Ii+1,j+2|+|Ii-1,j-1-Ii+1,j+1|
+|Ii-1,j-Ii+1,j|+|Ii-1,j+1-Ii-1,j-1|
+|Ii-1,j+2-Ii-1,j-2|+|Ii,j-1-Ii,j+1|)
其中函数f(x)可以定义为:f(x)=λx或f(x)=λx2,λ为待定参数,实验中可以具体调整,Ii,j表示节点(i,j)的灰度值。常量α和β分别表示信息素矩阵的影响因子和启发式信息的影响因子。
4.局部信息素更新,每只蚂蚁按照路径的选择规则走完L步后分别更新信息素矩阵,更新规则为:
如果第k只蚂蚁经过节点(i,j)否则
其中ρ为信息素的衰减度。
5.全局信息素更新,在每一次迭代中,K只蚂蚁访问结束,根据所有蚂蚁访问过的路经,按照更新方程修改轨迹上的全局信息素强度。其中更新方程定义如下:其中ψ为信息素的全局衰减系数。
6.图像边缘信息提取,设定一个阈值T,n次迭代结束后,根据每个像素点的信息素强度和阈值T的比较,若小于阈值,则定义为像素点,否则定义为非边缘像素点。公式如下:
其中E表示描述图像边缘信息的二值图像。
算法的具体流程如附图1所示,主要包括以下8个步骤:
(1)图像的预处理。
(2)问题的生成。设要检测的灰度图像I,大小为M1×M2,把图像I的每个像素视为一个节点。在上述M1×M2个节点上随机选取K个结点放置K只蚂蚁。
(3)初始化算法的各个参数。包括算法迭代次数N,每条路经上的初始信息素强度τinit
(4)设n=1.
(5)第n次迭代,对于每只蚂蚁k(k=1,2,...,K),按概率在图像上连续走L步,其中表示第n次迭代中,蚂蚁从节点(l,m)移到邻居节点(i,j)的转换概率,并在每只蚂蚁走完L步后分别更新信息素矩阵。
(6)K只蚂蚁访问结束,根据所有蚂蚁访问过的路经,按照更新方程修改轨迹上的全局信息素强度。
(7)n=n+1,如果n>N,表明迭代结束,转(8).否则转(5)
(8)提取图像边缘,检测图像边缘信息。
Claims (8)
1.一种基于蚁群算法的图像边缘检测方法,其特征在于,该方法包含以下步骤:
(1)图像的预处理。
(2)初始化算法的各个参数。包括算法迭代次数N,蚂蚁的数量K,每条路经上的初始信息素强度τinit
(3)问题的生成。设要检测的灰度图像I,大小为M1×M2,把图像I的每个像素视为一个节点。在上述M1×M2个节点上随机选取K个结点放置K只蚂蚁。
(4)设n=1
(5)第n次迭代,对于每只蚂蚁k(k=1,2,..,K),按概率在图像上连续走L步,其中表示第n次迭代中,蚂蚁从节点(l,m)移到邻居节点(i,j)的转换概率,并在每只蚂蚁走完L步后分别更新信息素矩阵。
(6)K只蚂蚁访问结束,根据所有蚂蚁访问过的路经,按照更新方程修改轨迹上的全局信息素强度。
(7)n=n+1,如果n>N,表明迭代结束,转(8).否则转(5)
(8)提取图像边缘,检测图像边缘信息。
2.根据权利要求1所述的基于蚁群算法的图像边缘检测方法,其特征在于算法步骤(1)中,图像的预处理过程主要包括:
(1)图像的读取并转换为灰度图像,对于不同格式的图像先都转换为灰度图像再进行图像边缘的检测。
(2)图像大小的调整,对于不同情况下采集到的图像,其大小规格各不相同,必须先将其调整到一个合适的大小再进行后续处理。
(3)中值滤波去噪声和图像的锐化,图像去噪声,减轻图像边缘检测时噪声的影响;图像的锐化,使图像的边缘特征更加突出。
4.根据权利要求2所述的基于蚁群算法的图像边缘检测方法,其特征在于算法节点(i,j)的启发式信息ηi,j的计算方法如下:
ηi,j=f(|Ii-2,j-1-Ii+2,j+1|+|Ii-2,j+1-Ii+2,j-1|
+|Ii-1,j-2-Ii+1j+2|+|Ii-1,j-1-Ii+1,j+1|
+|Ii-1,j-Ii+1,j|+|Ii-1,j+1-Ii-1,j-1|
+|Ii-1j+2-Ii-1,j-2|+|Ii,j-1-Ii,j+1|)
其中函数f(x)可以定义为:f(x)=λx或f(x)=λx2,λ为待定参数,实验中可以具体调整,Ii,j表示节点(i,j)的灰度值。
5.根据权利要求2所述的基于蚁群算法的图像边缘检测方法,其特征在于Ω(l,m)表示节点(l,m)的相邻节点的集合,相邻节点的定义为4-连续相邻节点或8-连续相邻节点,如图2,3所示。
7.根据权利要求1所述的基于蚁群算法的图像边缘检测方法,其特征在于算法步骤(6)中,K只蚂蚁访问结束,根据所有蚂蚁访问过的路经,按照更新方程修改轨迹上的全局信息素强度,其中更新方程定义如下:
8.根据权利要求1所述的基于蚁群算法的图像边缘检测方法,其特征在于算法步骤(8)中检测图像边缘信息的方法定义如下:设定一个阈值T,n次迭代结束后,根据每个像素点的信息素强度和阈值T的比较,若小于阈值,则定义为像素点,否则定义为非边缘像素点。公式如下:
其中E表示描述图像边缘信息的二值图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110111440 CN102184556A (zh) | 2011-04-29 | 2011-04-29 | 一种基于蚁群算法的图像边缘检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110111440 CN102184556A (zh) | 2011-04-29 | 2011-04-29 | 一种基于蚁群算法的图像边缘检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102184556A true CN102184556A (zh) | 2011-09-14 |
Family
ID=44570725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110111440 Pending CN102184556A (zh) | 2011-04-29 | 2011-04-29 | 一种基于蚁群算法的图像边缘检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102184556A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268617A (zh) * | 2013-05-22 | 2013-08-28 | 常熟理工学院 | 一种基于蚁群系统的多细胞多参数的联合估计与精确跟踪系统 |
CN104683235A (zh) * | 2015-02-07 | 2015-06-03 | 江西科技学院 | 一种基于蚁群算法的qos路由优化方法 |
CN103955946B (zh) * | 2013-08-16 | 2016-12-07 | 常熟理工学院 | 一种基于协作与竞争模式的蚁群近邻细胞跟踪系统及其应用 |
CN107871156A (zh) * | 2017-11-02 | 2018-04-03 | 常熟理工学院 | 基于信息素预测的蚁群多细胞跟踪系统 |
CN109191478A (zh) * | 2018-07-19 | 2019-01-11 | 广东工业大学 | 一种基于区域生长与蚁群优化算法相结合的边缘检测方法 |
CN109919963A (zh) * | 2019-03-14 | 2019-06-21 | 吉林大学 | 一种车漆缺陷位置检测方法 |
CN117372462A (zh) * | 2023-12-04 | 2024-01-09 | 中国海洋大学 | 一种高精度的水下低光目标边缘检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916444A (zh) * | 2010-08-23 | 2010-12-15 | 南京信息工程大学 | 基于形态学和蚁群算法的医学细胞边缘检测方法 |
-
2011
- 2011-04-29 CN CN 201110111440 patent/CN102184556A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916444A (zh) * | 2010-08-23 | 2010-12-15 | 南京信息工程大学 | 基于形态学和蚁群算法的医学细胞边缘检测方法 |
Non-Patent Citations (1)
Title |
---|
《IEEE Congress on Evolutionary Computation》 20080606 Jing Tian, Weiyu Yu and Shengli Xie An Ant Colony Optimization Algorithm For Image Edge Detection 第751-756页 1-8 , * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268617A (zh) * | 2013-05-22 | 2013-08-28 | 常熟理工学院 | 一种基于蚁群系统的多细胞多参数的联合估计与精确跟踪系统 |
CN103268617B (zh) * | 2013-05-22 | 2016-02-17 | 常熟理工学院 | 一种基于蚁群系统的多细胞多参数的联合估计与精确跟踪系统 |
CN103955946B (zh) * | 2013-08-16 | 2016-12-07 | 常熟理工学院 | 一种基于协作与竞争模式的蚁群近邻细胞跟踪系统及其应用 |
CN104683235A (zh) * | 2015-02-07 | 2015-06-03 | 江西科技学院 | 一种基于蚁群算法的qos路由优化方法 |
CN107871156A (zh) * | 2017-11-02 | 2018-04-03 | 常熟理工学院 | 基于信息素预测的蚁群多细胞跟踪系统 |
CN107871156B (zh) * | 2017-11-02 | 2020-08-11 | 常熟理工学院 | 基于信息素预测的蚁群多细胞跟踪系统 |
CN109191478A (zh) * | 2018-07-19 | 2019-01-11 | 广东工业大学 | 一种基于区域生长与蚁群优化算法相结合的边缘检测方法 |
CN109919963A (zh) * | 2019-03-14 | 2019-06-21 | 吉林大学 | 一种车漆缺陷位置检测方法 |
CN117372462A (zh) * | 2023-12-04 | 2024-01-09 | 中国海洋大学 | 一种高精度的水下低光目标边缘检测方法 |
CN117372462B (zh) * | 2023-12-04 | 2024-03-29 | 中国海洋大学 | 一种高精度的水下低光目标边缘检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108509978B (zh) | 基于cnn的多级特征融合的多类目标检测方法及模型 | |
CN102184556A (zh) | 一种基于蚁群算法的图像边缘检测方法 | |
CN108399362B (zh) | 一种快速行人检测方法及装置 | |
Islam et al. | Solid waste bin detection and classification using Dynamic Time Warping and MLP classifier | |
Sultana et al. | Unsupervised deep context prediction for background estimation and foreground segmentation | |
CN101311964B (zh) | 在监视系统中实时分割运动区域以检测运动的方法和装置 | |
Chaki et al. | A comprehensive survey on image binarization techniques | |
Shi et al. | Fast and robust vanishing point detection for unstructured road following | |
Lin et al. | Learning a scene background model via classification | |
CN107689052A (zh) | 基于多模型融合和结构化深度特征的视觉目标跟踪方法 | |
CN111507226B (zh) | 道路图像识别模型建模方法、图像识别方法及电子设备 | |
CN110263920A (zh) | 卷积神经网络模型及其训练方法和装置、巡检方法和装置 | |
CN113792606A (zh) | 基于多目标追踪的低成本自监督行人重识别模型构建方法 | |
CN110706256A (zh) | 一种基于多核异构平台的检测跟踪算法优化方法 | |
Kolluri et al. | Intelligent multimodal pedestrian detection using hybrid metaheuristic optimization with deep learning model | |
CN102722578A (zh) | 一种基于拉普拉斯正则化无监督的聚类特征选取方法 | |
Hamzeh et al. | A review of detection and removal of raindrops in automotive vision systems | |
Nguyen et al. | UnfairGAN: An enhanced generative adversarial network for raindrop removal from a single image | |
Shirke et al. | Hybrid optimisation dependent deep belief network for lane detection | |
Bae et al. | Slide: Self-supervised lidar de-snowing through reconstruction difficulty | |
Ren et al. | Research on infrared small target segmentation algorithm based on improved mask R-CNN | |
Yang et al. | Robust visual tracking using adaptive local appearance model for smart transportation | |
Ghosh et al. | Different edge detection techniques: A review | |
Kiran et al. | Edge preserving noise robust deep learning networks for vehicle classification | |
Zhong et al. | Detecting ground control points via convolutional neural network for stereo matching |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20110914 |