CN113888577A - 一种基于鲸鱼优化算法的图像边缘检测方法、装置及介质 - Google Patents
一种基于鲸鱼优化算法的图像边缘检测方法、装置及介质 Download PDFInfo
- Publication number
- CN113888577A CN113888577A CN202111473820.9A CN202111473820A CN113888577A CN 113888577 A CN113888577 A CN 113888577A CN 202111473820 A CN202111473820 A CN 202111473820A CN 113888577 A CN113888577 A CN 113888577A
- Authority
- CN
- China
- Prior art keywords
- edge
- population
- image
- pixel
- target
- 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.)
- Granted
Links
- 238000003708 edge detection Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 52
- 241000283153 Cetacea Species 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 8
- 241001270131 Agaricus moelleri Species 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000002431 foraging effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000271566 Aves Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 244000144980 herd Species 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于鲸鱼优化算法的图像边缘检测方法、装置及介质,方法包括:将待检测图像转换为灰度图像;分别定义目标像素沿四个目标方向的边缘强度;将所述四个目标方向的最大边缘强度作为所述目标像素的边缘强度;初始化种群规模和问题维度,然后随机产生初始样本矩阵;根据所述目标像素的边缘强度确定适应度函数,并确定循环次数;根据所述种群规模、所述问题维度、所述初始样本矩阵、所述适应度函数和所述循环次数,采用鲸鱼优化算法确定边缘像素点;根据所述边缘像素点,输出边缘检测结果。本发明的通用性好且适应性好,可广泛应用于图像处理技术领域。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种基于鲸鱼优化算法的图像边缘检测方法、装置及介质。
背景技术
图像边缘是图像最基本最重要的特征之一,边缘检测一直是计算机视觉和图像处理领域的经典研究课题之一,是图像分析和理解的第一步,其目的在于发现图像中关于形状和反射或透射比的信息,是进一步图像处理、图像分析、模式识别、计算机视觉以及人类视觉的基本步骤之一,边缘检测结果直接关乎到机器视觉对客观世界理解的正确性和可靠性。
传统的图像边缘检测方法主要基于微分算子,包括Roberts算子、Sobel算子及Canny算子等,这些方法易于实现,但容易受到噪声的影响。为了降低噪声对边缘检测结果的影响,现代的边缘检测方法逐步引入了分析数学、形态学数学和模糊数学等经典数学方法,却带来计算量大、检测精度低等缺点。图像生成过程中很难避免产生的投影、混合、畸变和噪声,导致图像会呈现出一定的模糊和变形,边缘检测变得比较困难,这些方法在应对这些问题特别是抗噪性能方面效果仍然不够理想。近年来,新的理论工具在图像边缘检测上得到进一步的研究和应用,例如基于神经网络的检测技术、基于遗传算法的检测技术、基于分形特征的边缘检测技术等。
群智能优化算法模拟了昆虫、兽群、鸟群和鱼群等的群体行为,这些群体按照某种合作方式寻找食物,群体中的成员在学习自身经验和其他成员的经验不断地改变搜索食物的方向,受这种群体社会行为机制而启发设计出的算法均属于群智能。群智能优化不依赖于函数导数,可以用来近似求解一些难以直接求解的优化问题,在产品或系统的优化设计中得到越来越广泛的应用。其中,鲸鱼优化群智能优化算法,模仿鲸鱼特殊的泡泡网觅食法机制,通过猎物环绕、泡泡网攻击(包括收缩包围和螺旋更新的策略)和搜寻猎物三个阶段,达到寻找最优解的目的,具有收敛速度快等特点。
因此,将鲸鱼群智能优化算法应用于图像边缘检测,定义合理的确定边缘像素点的优化目标,构建一套新的具备良好抗噪性能的边缘检测方法并且能很好地适应复杂边缘具有重要意义。
发明内容
有鉴于此,本发明实施例提供一种通用性好且适应性好的,基于鲸鱼优化算法的图像边缘检测方法、装置及介质。
本发明的第一方面提供了一种基于鲸鱼优化算法的图像边缘检测方法,包括:
将待检测图像转换为灰度图像;
分别定义目标像素沿四个目标方向的边缘强度;
将所述四个目标方向的最大边缘强度作为所述目标像素的边缘强度;
初始化种群规模和问题维度,然后随机产生初始样本矩阵;
根据所述目标像素的边缘强度确定适应度函数,并确定循环次数;
根据所述种群规模、所述问题维度、所述初始样本矩阵、所述适应度函数和所述循环次数,采用鲸鱼优化算法确定边缘像素点;
根据所述边缘像素点,输出边缘检测结果。
可选地,所述分别定义目标像素沿四个目标方向的边缘强度,包括:
定义所述目标像素对应的候选边缘方向;
在所述目标像素的预设像素宽范围内,以边缘像素为界,将所有像素划分成两个像素集合;
根据所述像素集合确定边缘强度计算参数,所述边缘强度计算参数包括两个像素集合灰度的平均差异、每个集合内灰度的平均差异、两个像素集合中的元素以及差异修正系数;
根据所述边缘强度计算参数,确定所述目标像素沿各个候选边缘方向的边缘强度。
可选地,所述方法还包括:
根据所述适应度函数计算种群矩阵的适应度值;
获取所述适应度值的最优解。
可选地,所述采用鲸鱼优化算法确定边缘像素点,包括:
模拟鲸鱼围猎和搜索猎物的过程,以收缩包围和螺旋更新位置的机制对种群进行更新,具体地:
计算种群更新参数,所述种群更新参数包括第一参数、第二参数和第三参数;
当所述第二参数以及随机数的大小满足第一预设条件,对所述种群进行第一更新;
当所述第二参数以及所述随机数的大小满足第二预设条件,对所述种群进行第二更新;
当所述随机数的大小满足第三预设条件,对所述种群进行第三更新;
根据更新后的种群确定边缘像素点。
可选地,所述根据更新后的种群确定边缘像素点,包括:
对于种群中任一样本,当所述样本的边缘强度值大于预设的边缘强度阈值时,将所述样本对应位置的像素标记为边界点;
在所述边界点的预设宽度范围内随机选取一个新的候选样本替换所述样本。
本发明实施例的另一方面还提供了一种基于鲸鱼优化算法的图像边缘检测装置,包括:
第一模块,用于将待检测图像转换为灰度图像;
第二模块,用于分别定义目标像素沿四个目标方向的边缘强度;
第三模块,用于将所述四个目标方向的最大边缘强度作为所述目标像素的边缘强度;
第四模块,用于初始化种群规模和问题维度,然后随机产生初始样本矩阵;
第五模块,用于根据所述目标像素的边缘强度确定适应度函数,并确定循环次数;
第六模块,用于根据所述种群规模、所述问题维度、所述初始样本矩阵、所述适应度函数和所述循环次数,采用鲸鱼优化算法确定边缘像素点;
第七模块,用于根据所述边缘像素点,输出边缘检测结果。
本发明实施例的另一方面还提供了一种电子设备,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质所述存储介质存储有程序,所述程序被处理器执行实现如前面所述的方法。
本发明的实施例将待检测图像转换为灰度图像;分别定义目标像素沿四个目标方向的边缘强度;将所述四个目标方向的最大边缘强度作为所述目标像素的边缘强度;初始化种群规模和问题维度,然后随机产生初始样本矩阵;根据所述目标像素的边缘强度确定适应度函数,并确定循环次数;根据所述种群规模、所述问题维度、所述初始样本矩阵、所述适应度函数和所述循环次数,采用鲸鱼优化算法确定边缘像素点;根据所述边缘像素点,输出边缘检测结果。本发明的通用性好且适应性好。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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他的附图。
图1为本发明实施例提供的整体步骤流程图;
图2(a)为本发明实施例提供的NW-SE方向像素集合划分的示意图;
图2(b)为本发明实施例提供的W-E方向像素集合划分的示意图;
图2(c)为本发明实施例提供的以像素(i,j)为中心定义的方位示意图;
图3(a)为本发明实施例提供的原始图像;
图3(b)为本发明实施例中使用基于鲸鱼群智能优化算法的边缘检测结果示意图;
图4为本发明实施例提供使用传统经典边缘检测方法得到的结果示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
针对现有技术存在的问题,本发明实施例提供一种基于鲸鱼群智能优化算法的图像边缘检测方法,该方法有较好的适应性,能提供良好的边缘检测结果。基于8个方向的灰度导数,建立图像边缘强度矩阵。鲸鱼特殊的泡泡网觅食法机制,通过猎物环绕、泡泡网攻击(包括收缩包围和螺旋更新的策略)和搜寻猎物三个阶段,达到寻找最优解的目的,具有收敛速度快等特点,提供了一条图像边缘检测的新思路,是现有图像边缘检测方法的扩展。
本发明的第一方面提供了一种基于鲸鱼优化算法的图像边缘检测方法,包括:
将待检测图像转换为灰度图像;
分别定义目标像素沿四个目标方向的边缘强度;
将所述四个目标方向的最大边缘强度作为所述目标像素的边缘强度;
初始化种群规模和问题维度,然后随机产生初始样本矩阵;
根据所述目标像素的边缘强度确定适应度函数,并确定循环次数;
根据所述种群规模、所述问题维度、所述初始样本矩阵、所述适应度函数和所述循环次数,采用鲸鱼优化算法确定边缘像素点;
根据所述边缘像素点,输出边缘检测结果。
可选地,所述分别定义目标像素沿四个目标方向的边缘强度,包括:
定义所述目标像素对应的候选边缘方向;
在所述目标像素的预设像素宽范围内,以边缘像素为界,将所有像素划分成两个像素集合;
根据所述像素集合确定边缘强度计算参数,所述边缘强度计算参数包括两个像素集合灰度的平均差异、每个集合内灰度的平均差异、两个像素集合中的元素以及差异修正系数;
根据所述边缘强度计算参数,确定所述目标像素沿各个候选边缘方向的边缘强度。
可选地,所述方法还包括:
根据所述适应度函数计算种群矩阵的适应度值;
获取所述适应度值的最优解。
可选地,所述采用鲸鱼优化算法确定边缘像素点,包括:
模拟鲸鱼围猎和搜索猎物的过程,以收缩包围和螺旋更新位置的机制对种群进行更新,具体地:
计算种群更新参数,所述种群更新参数包括第一参数、第二参数和第三参数;
当所述第二参数以及随机数的大小满足第一预设条件,对所述种群进行第一更新;
当所述第二参数以及所述随机数的大小满足第二预设条件,对所述种群进行第二更新;
当所述随机数的大小满足第三预设条件,对所述种群进行第三更新;
根据更新后的种群确定边缘像素点。
可选地,所述根据更新后的种群确定边缘像素点,包括:
对于种群中任一样本,当所述样本的边缘强度值大于预设的边缘强度阈值时,将所述样本对应位置的像素标记为边界点;
在所述边界点的预设宽度范围内随机选取一个新的候选样本替换所述样本。
本发明实施例的另一方面还提供了一种基于鲸鱼优化算法的图像边缘检测装置,包括:
第一模块,用于将待检测图像转换为灰度图像;
第二模块,用于分别定义目标像素沿四个目标方向的边缘强度;
第三模块,用于将所述四个目标方向的最大边缘强度作为所述目标像素的边缘强度;
第四模块,用于初始化种群规模和问题维度,然后随机产生初始样本矩阵;
第五模块,用于根据所述目标像素的边缘强度确定适应度函数,并确定循环次数;
第六模块,用于根据所述种群规模、所述问题维度、所述初始样本矩阵、所述适应度函数和所述循环次数,采用鲸鱼优化算法确定边缘像素点;
第七模块,用于根据所述边缘像素点,输出边缘检测结果。
本发明实施例的另一方面还提供了一种电子设备,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质所述存储介质存储有程序,所述程序被处理器执行实现如前面所述的方法。
具体地,下面结合说明书附图,对本发明实施例的具体实现原理进行详细说明:
图1是本实施例提供的一种基于鲸鱼优化算法的图像边缘检测方法流程图,具体如下:
按照同样的方法对其它三个方向分别划分集合,例如NW-SE方向,如图2(a)所示:
S5、鲸鱼优化算法确定像素边缘点;
S6、输出边缘检测结果。
该步骤S5中鲸鱼优化算法确定边缘像素点,包括以下6个步骤:
下面以一张树叶图像(如图3(a)所示)的边缘检测应用实例对本发明进行进一步阐述。该基于鲸鱼优化算法的图像边缘检测方法包括以下步骤:
按照同样的方法对其它三个方向分别划分集合,划分结果如图2(a)和图2(b)所示:
S5、鲸鱼优化算法确定像素边缘点;
S6、输出边缘检测结果。
其中,步骤S5中鲸鱼优化算法确定边缘像素点,包括以下6个步骤:
本实施例中所公开的基于鲸鱼优化算法的边缘检测方法与其它各经典边缘检测方法得到的结果见附图3(b)和附图4,从附图3(b)和附图4可以看出,所公开的基于鲸鱼优化算法的边缘检测方法,在未使非极大值抑制等措施的情况下,边缘检测效果比canny略差,达到甚至超过了其它Sobol、Roberts、Prewitt等方法的边缘检测效果,提供了一条图像边缘检测的新途径。
综上所述,本发明相对于现有技术具有如下的优点及效果:
(1)本发明建立了鲸鱼群智能优化算法基础上,边缘像素点的搜索算法实现简单。
(2)本发明基于4个方向的灰度导数,建立图像边缘强度矩阵,将边缘点附近的小规模局部搜索和大量的全局搜索相结合,保证了该边缘检测方法不会陷入局部边缘点,找到最重要的图像全局边缘特征。
(3)本发明将鲸鱼群智能优化算法应用于图像边缘检测,扩展了群智能算法在图像分析与处理问题中的有效性和通用性,对图像分析与处理领域有重要的意义。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种基于鲸鱼优化算法的图像边缘检测方法,其特征在于,包括:
将待检测图像转换为灰度图像;
分别定义目标像素沿四个目标方向的边缘强度;
将所述四个目标方向的最大边缘强度作为所述目标像素的边缘强度;
初始化种群规模和问题维度,然后随机产生初始样本矩阵;
根据所述目标像素的边缘强度确定适应度函数,并确定循环次数;
根据所述种群规模、所述问题维度、所述初始样本矩阵、所述适应度函数和所述循环次数,采用鲸鱼优化算法确定边缘像素点;
根据所述边缘像素点,输出边缘检测结果。
2.根据权利要求1所述的基于鲸鱼优化算法的图像边缘检测方法,其特征在于,所述分别定义目标像素沿四个目标方向的边缘强度,包括:
定义所述目标像素对应的候选边缘方向;
在所述目标像素的预设像素宽范围内,以边缘像素为界,将所有像素划分成两个像素集合;
根据所述像素集合确定边缘强度计算参数,所述边缘强度计算参数包括两个像素集合灰度的平均差异、每个集合内灰度的平均差异、两个像素集合中的元素以及差异修正系数;
根据所述边缘强度计算参数,确定所述目标像素沿各个候选边缘方向的边缘强度。
3.根据权利要求1所述的基于鲸鱼优化算法的图像边缘检测方法,其特征在于,所述方法还包括:
根据所述适应度函数计算种群矩阵的适应度值;
获取所述适应度值的最优解。
4.根据权利要求3所述的基于鲸鱼优化算法的图像边缘检测方法,其特征在于,所述采用鲸鱼优化算法确定边缘像素点,包括:
模拟鲸鱼围猎和搜索猎物的过程,以收缩包围和螺旋更新位置的机制对种群进行更新,具体地:
计算种群更新参数,所述种群更新参数包括第一参数、第二参数和第三参数;
当所述第二参数以及随机数的大小满足第一预设条件,对所述种群进行第一更新;
当所述第二参数以及所述随机数的大小满足第二预设条件,对所述种群进行第二更新;
当所述随机数的大小满足第三预设条件,对所述种群进行第三更新;
根据更新后的种群确定边缘像素点。
5.根据权利要求1所述的基于鲸鱼优化算法的图像边缘检测方法,其特征在于,所述根据更新后的种群确定边缘像素点,包括:
对于种群中任一样本,当所述样本的边缘强度值大于预设的边缘强度阈值时,将所述样本对应位置的像素标记为边界点;
在所述边界点的预设宽度范围内随机选取一个新的候选样本替换所述样本。
6.一种基于鲸鱼优化算法的图像边缘检测装置,其特征在于,包括:第一模块,用于将待检测图像转换为灰度图像;
第二模块,用于分别定义目标像素沿四个目标方向的边缘强度;
第三模块,用于将所述四个目标方向的最大边缘强度作为所述目标像素的边缘强度;
第四模块,用于初始化种群规模和问题维度,然后随机产生初始样本矩阵;
第五模块,用于根据所述目标像素的边缘强度确定适应度函数,并确定循环次数;
第六模块,用于根据所述种群规模、所述问题维度、所述初始样本矩阵、所述适应度函数和所述循环次数,采用鲸鱼优化算法确定边缘像素点;
第七模块,用于根据所述边缘像素点,输出边缘检测结果。
7.一种电子设备,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如权利要求1至6中任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111473820.9A CN113888577B (zh) | 2021-12-01 | 2021-12-01 | 一种基于鲸鱼优化算法的图像边缘检测方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111473820.9A CN113888577B (zh) | 2021-12-01 | 2021-12-01 | 一种基于鲸鱼优化算法的图像边缘检测方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113888577A true CN113888577A (zh) | 2022-01-04 |
CN113888577B CN113888577B (zh) | 2022-03-15 |
Family
ID=79016364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111473820.9A Active CN113888577B (zh) | 2021-12-01 | 2021-12-01 | 一种基于鲸鱼优化算法的图像边缘检测方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113888577B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416789A (zh) * | 2018-06-04 | 2018-08-17 | 武汉斑马快跑科技有限公司 | 图像边缘检测方法及系统 |
CN109741356A (zh) * | 2019-01-10 | 2019-05-10 | 哈尔滨工业大学(深圳) | 一种亚像素边缘检测方法及系统 |
TW202001797A (zh) * | 2018-06-28 | 2020-01-01 | 國立高雄科技大學 | 醫學影像之體內邊緣偵測處理系統及其方法 |
CN112435208A (zh) * | 2019-08-07 | 2021-03-02 | 河海大学常州校区 | 显著性边缘引导的绝缘子区域检测方法 |
-
2021
- 2021-12-01 CN CN202111473820.9A patent/CN113888577B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416789A (zh) * | 2018-06-04 | 2018-08-17 | 武汉斑马快跑科技有限公司 | 图像边缘检测方法及系统 |
TW202001797A (zh) * | 2018-06-28 | 2020-01-01 | 國立高雄科技大學 | 醫學影像之體內邊緣偵測處理系統及其方法 |
CN109741356A (zh) * | 2019-01-10 | 2019-05-10 | 哈尔滨工业大学(深圳) | 一种亚像素边缘检测方法及系统 |
CN112435208A (zh) * | 2019-08-07 | 2021-03-02 | 河海大学常州校区 | 显著性边缘引导的绝缘子区域检测方法 |
Non-Patent Citations (1)
Title |
---|
ADITYA GAUTAM ET AL.: "Whale Optimization Algorithm based Edge Detection for Noisy Image", 《PROCEEDINGS OF THE SECOND INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING AND CONTROL SYSTEMS (ICICCS 2018)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113888577B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pare et al. | An efficient method for multilevel color image thresholding using cuckoo search algorithm based on minimum cross entropy | |
Gao et al. | A multi-level thresholding image segmentation based on an improved artificial bee colony algorithm | |
Rosin | Image processing using 3-state cellular automata | |
Hassan et al. | Retinal fundus vasculature multilevel segmentation using whale optimization algorithm | |
Chen et al. | An efficient multilevel thresholding image segmentation method based on the slime mould algorithm with bee foraging mechanism: A real case with lupus nephritis images | |
CN113205537B (zh) | 基于深度学习的血管图像分割方法、装置、设备及介质 | |
Djemame et al. | Solving reverse emergence with quantum PSO application to image processing | |
CN108364297B (zh) | 血管图像分割方法、终端、存储介质 | |
WO2005008569A1 (en) | Method and arrangement for determining an object contour | |
Shahamatnia et al. | Application of particle swarm optimization and snake model hybrid on medical imaging | |
Zhao et al. | Emds-6: Environmental microorganism image dataset sixth version for image denoising, segmentation, feature extraction, classification, and detection method evaluation | |
CN109658378B (zh) | 基于土壤ct图像的孔隙辨识方法及系统 | |
Mei et al. | A curve evolution approach for unsupervised segmentation of images with low depth of field | |
CN110555820A (zh) | 基于卷积神经网络和动态引导滤波的图像融合方法 | |
Akbaş et al. | Condensed U-Net (Cu-Net): an improved U-Net architecture for cell segmentation powered by 4x4 Max-Pooling layers | |
Zhang et al. | Multi-population biogeography-based optimization algorithm and its application to image segmentation | |
Shah et al. | Colorectal cancer segmentation using atrous convolution and residual enhanced unet | |
Draa et al. | An opposition-based firefly algorithm for medical image contrast enhancement | |
CN113888577B (zh) | 一种基于鲸鱼优化算法的图像边缘检测方法、装置及介质 | |
CN113870296B (zh) | 基于刚体碰撞优化算法的图像边缘检测方法、装置及介质 | |
CN108596926A (zh) | 基于交叉型粒子群算法的灰度阈值获取、图像边缘检测方法 | |
Pattnaik et al. | GMM based adaptive thresholding for uneven lighting image binarization | |
CN113850830B (zh) | 基于布谷鸟优化算法的图像边缘检测方法、装置及介质 | |
Okawa et al. | Detection of abnormal fish by image recognition using fine-tuning | |
Aghaei | A cellular Automata approach for noisy images edge detection under null boundary conditions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |