CN113888577B - 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 PDF

Info

Publication number
CN113888577B
CN113888577B CN202111473820.9A CN202111473820A CN113888577B CN 113888577 B CN113888577 B CN 113888577B CN 202111473820 A CN202111473820 A CN 202111473820A CN 113888577 B CN113888577 B CN 113888577B
Authority
CN
China
Prior art keywords
edge
pixel
population
target
image
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.)
Active
Application number
CN202111473820.9A
Other languages
English (en)
Other versions
CN113888577A (zh
Inventor
赵卫
汪小平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinan University
Original Assignee
Jinan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jinan University filed Critical Jinan University
Priority to CN202111473820.9A priority Critical patent/CN113888577B/zh
Publication of CN113888577A publication Critical patent/CN113888577A/zh
Application granted granted Critical
Publication of CN113888577B publication Critical patent/CN113888577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

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

一种基于鲸鱼优化算法的图像边缘检测方法、装置及介质
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：
S1、导入待检测图像，将其转换为灰度图像，以
Figure 915654DEST_PATH_IMAGE001
表示该数字灰度图像，图像大小为
Figure 625990DEST_PATH_IMAGE002
，
Figure 993517DEST_PATH_IMAGE003
为
Figure 969564DEST_PATH_IMAGE004
处像素灰度值。
S2、定义
Figure 697217DEST_PATH_IMAGE005
处可能成为边缘的四个方向（如图2（c）所示），
Figure 278371DEST_PATH_IMAGE006
，将
Figure 613537DEST_PATH_IMAGE007
邻域1个像素宽范围内以边缘像素为界，划分成两 侧部分元素重叠的集合，例如W-E方向，如图2（b）所示：
Figure 529410DEST_PATH_IMAGE008
Figure 608224DEST_PATH_IMAGE009
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：
Figure 349610DEST_PATH_IMAGE010
Figure 855677DEST_PATH_IMAGE011
Figure 9578DEST_PATH_IMAGE012
Figure 79034DEST_PATH_IMAGE013
Figure 431518DEST_PATH_IMAGE014
Figure 311750DEST_PATH_IMAGE015
S3、定义目标沿d方向
Figure 936635DEST_PATH_IMAGE016
的边缘强度
Figure 357252DEST_PATH_IMAGE017
：
Figure 767505DEST_PATH_IMAGE018
Figure 802326DEST_PATH_IMAGE019
Figure 727556DEST_PATH_IMAGE020
Figure 889547DEST_PATH_IMAGE021
其中，
Figure 465891DEST_PATH_IMAGE022
为边缘垂直的两侧方向，
Figure 937193DEST_PATH_IMAGE023
为两个方向像素集合灰度的平均差异，
Figure 287402DEST_PATH_IMAGE024
为集合内灰度的平均差异，
Figure 242632DEST_PATH_IMAGE025
为以边缘为界划分的两侧像素集合，
Figure 424215DEST_PATH_IMAGE026
为
Figure 817150DEST_PATH_IMAGE027
集合中的元素，
Figure 716973DEST_PATH_IMAGE028
为差异修正系数。
S4、选择四个方向的最大边缘强度作为
Figure 470034DEST_PATH_IMAGE029
位置像素的边缘强度
Figure 443806DEST_PATH_IMAGE030
，即
Figure 69960DEST_PATH_IMAGE031
其中,
Figure 644029DEST_PATH_IMAGE032
分别为
Figure 748252DEST_PATH_IMAGE033
位置像素沿着
Figure 842110DEST_PATH_IMAGE034
四个方向的边缘强度。
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：
S5-1、初始化种群规模
Figure 826115DEST_PATH_IMAGE035
，问题的维度
Figure 434951DEST_PATH_IMAGE036
，随机产生
Figure 546126DEST_PATH_IMAGE037
初始种群样本矩 阵
Figure 743758DEST_PATH_IMAGE038
，其中每一行代表一个样本；
S5-2、选择边缘强度作为适应度函数
Figure 711714DEST_PATH_IMAGE039
，计算种群矩阵
Figure 745529DEST_PATH_IMAGE040
的适应度值
Figure 378505DEST_PATH_IMAGE041
， 选取当前最优解
Figure 509272DEST_PATH_IMAGE042
，设置循环次数
Figure 585812DEST_PATH_IMAGE043
；
S5-3、步骤S5-4~S5-6循环
Figure 356191DEST_PATH_IMAGE044
次；
S5-4、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泡泡网攻 击等机制对种群进行更新，首先计算参数
Figure 730541DEST_PATH_IMAGE045
(即第一参数、第二参数和第三参数)：
Figure 653497DEST_PATH_IMAGE046
其中
Figure 167785DEST_PATH_IMAGE047
为[0,1]之间的随机数向量，
Figure 238509DEST_PATH_IMAGE048
为随机数函数，
Figure 229599DEST_PATH_IMAGE049
产生[0, 1]之间的随机数，
Figure 69379DEST_PATH_IMAGE050
产生[-1,1]之间的随机数，
Figure 736989DEST_PATH_IMAGE051
为循环次数；
S5-5、若
Figure 967114DEST_PATH_IMAGE052
且
Figure 824211DEST_PATH_IMAGE053
，按如下方式更新种群：
Figure 705448DEST_PATH_IMAGE054
其中，
Figure 357010DEST_PATH_IMAGE055
为第
Figure 340009DEST_PATH_IMAGE056
个循环步的种群值，
Figure 922169DEST_PATH_IMAGE057
为第
Figure 408645DEST_PATH_IMAGE058
个循环步的最优种群 值。
若
Figure 496687DEST_PATH_IMAGE059
且
Figure 950671DEST_PATH_IMAGE060
，按如下方式更新种群：
Figure 821675DEST_PATH_IMAGE061
其中，
Figure 490554DEST_PATH_IMAGE062
为从种群
Figure 936447DEST_PATH_IMAGE063
中随机选择的一个个体。
若
Figure 362881DEST_PATH_IMAGE064
，按如下方式更新种群：
Figure 365472DEST_PATH_IMAGE065
其中
Figure 75808DEST_PATH_IMAGE066
为一个常数，
Figure 177756DEST_PATH_IMAGE067
S5-6、对于种群
Figure 419381DEST_PATH_IMAGE068
中的任一第
Figure 147035DEST_PATH_IMAGE069
个样本
Figure 524926DEST_PATH_IMAGE070
，若其边缘强度 值大于边缘强度阈值
Figure 63355DEST_PATH_IMAGE071
，则将
Figure 719508DEST_PATH_IMAGE072
对应位置的像素标记为边界点，并在其宽度为
Figure 63901DEST_PATH_IMAGE073
的范围 内随机选取一个新的候选样本替换种群中的
Figure 499562DEST_PATH_IMAGE074
。
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：
S1、导入待检测图像，将其转换为灰度图像，以
Figure 192580DEST_PATH_IMAGE075
表示该数字灰度图像，图像大小为
Figure 408798DEST_PATH_IMAGE076
，
Figure 228986DEST_PATH_IMAGE077
为
Figure 768421DEST_PATH_IMAGE078
处像素灰度值。
S2、定义
Figure 445390DEST_PATH_IMAGE079
处可能成为边缘的四个方向，
Figure 821008DEST_PATH_IMAGE080
（如图2(c)所示），将
Figure 694155DEST_PATH_IMAGE081
邻域1个像素宽范围内以边缘像素为界，划分成两侧部分元素重 叠的集合，例如W-E方向（如图2（b）所示）：
Figure 901145DEST_PATH_IMAGE082
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：
Figure 952278DEST_PATH_IMAGE083
Figure 64459DEST_PATH_IMAGE084
Figure 288767DEST_PATH_IMAGE085
Figure 553526DEST_PATH_IMAGE086
Figure 24828DEST_PATH_IMAGE087
Figure 171775DEST_PATH_IMAGE088
S3、定义目标沿
Figure 137457DEST_PATH_IMAGE089
方向
Figure 505990DEST_PATH_IMAGE090
的边缘强度
Figure 961243DEST_PATH_IMAGE091
：
Figure 798749DEST_PATH_IMAGE092
Figure 364859DEST_PATH_IMAGE093
Figure 587899DEST_PATH_IMAGE094
Figure 151735DEST_PATH_IMAGE095
其中，
Figure 273275DEST_PATH_IMAGE096
为边缘垂直的两侧方向，
Figure 824168DEST_PATH_IMAGE097
为两个方向像素集合灰度的平均差异，
Figure 918026DEST_PATH_IMAGE098
为集合内灰度的平均差异，
Figure 715081DEST_PATH_IMAGE099
为以边缘为界划分的两侧像素集合，
Figure 510867DEST_PATH_IMAGE100
为
Figure 418780DEST_PATH_IMAGE101
集合中的元素，
Figure 367145DEST_PATH_IMAGE102
为差异修正系数。
S4、选择四个方向的最大边缘强度作为
Figure 522051DEST_PATH_IMAGE103
位置像素的边缘强度
Figure 618183DEST_PATH_IMAGE104
，即
Figure 267471DEST_PATH_IMAGE105
其中，
Figure 585188DEST_PATH_IMAGE106
分别为
Figure 724046DEST_PATH_IMAGE107
位置像素沿着
Figure 979578DEST_PATH_IMAGE108
四个方向的边缘强度。
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：
S5-1、初始化种群规模
Figure 681823DEST_PATH_IMAGE109
，问题的维度
Figure 667097DEST_PATH_IMAGE110
，随机产生
Figure 914539DEST_PATH_IMAGE111
初始 种群样本矩阵
Figure 719683DEST_PATH_IMAGE112
，其中每一行代表一个样本；
S5-2、选择边缘强度作为适应度函数
Figure 960041DEST_PATH_IMAGE113
，计算种群矩阵
Figure 737504DEST_PATH_IMAGE114
的适应度值
Figure 218164DEST_PATH_IMAGE115
， 选取当前最优解
Figure 963135DEST_PATH_IMAGE116
，设置循环次数
Figure 492336DEST_PATH_IMAGE117
；
S5-3、步骤S5-4~S5-6循环
Figure 452202DEST_PATH_IMAGE118
次；
S5-4、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泡泡网攻 击等机制对种群进行更新，首先计算参数
Figure 290714DEST_PATH_IMAGE119
（即第一参数、第二参数和第三参数）：
Figure 8134DEST_PATH_IMAGE120
其中
Figure 596153DEST_PATH_IMAGE121
为[0,1]之间的随机数向量，
Figure 410526DEST_PATH_IMAGE122
为随机数函数，
Figure 170671DEST_PATH_IMAGE123
产生[0, 1]之间的随机数，
Figure 624655DEST_PATH_IMAGE124
产生[-1,1]之间的随机数，
Figure 823555DEST_PATH_IMAGE125
为循环次数；
S5-5、若
Figure 430117DEST_PATH_IMAGE126
且
Figure 610432DEST_PATH_IMAGE127
，按如下方式更新种群：
Figure 364761DEST_PATH_IMAGE128
其中，
Figure 305035DEST_PATH_IMAGE129
为第
Figure 828421DEST_PATH_IMAGE056
个循环步的种群值，
Figure 179636DEST_PATH_IMAGE130
为第
Figure 358945DEST_PATH_IMAGE131
个循环步的最优种 群值。
若
Figure 899648DEST_PATH_IMAGE132
且
Figure 464490DEST_PATH_IMAGE133
，按如下方式更新种群：
Figure 65236DEST_PATH_IMAGE134
其中，
Figure 466261DEST_PATH_IMAGE135
为从种群
Figure 997606DEST_PATH_IMAGE136
中随机选择的一个个体。
若
Figure 230004DEST_PATH_IMAGE137
，按如下方式更新种群：
Figure 939334DEST_PATH_IMAGE138
其中
Figure 76923DEST_PATH_IMAGE139
，
Figure 897111DEST_PATH_IMAGE140
S5-6、对于种群
Figure 436546DEST_PATH_IMAGE141
中的任一第
Figure 379094DEST_PATH_IMAGE142
个样本
Figure 754712DEST_PATH_IMAGE143
，若其边缘强度值大于边 缘强度阈值
Figure 440908DEST_PATH_IMAGE144
，则将
Figure 852427DEST_PATH_IMAGE145
对应位置的像素标记为边界点，并在其宽度为
Figure 903560DEST_PATH_IMAGE146
的范围 内随机选取一个新的候选样本替换种群中的
Figure 828791DEST_PATH_IMAGE147
。
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 (7)

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；
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。
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。
3.根据权利要求2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。
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。
5.一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；
所述第二模块，具体用于：
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。
6.一种电子设备，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4中任一项所述的方法。
7.一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4中任一项所述的方法。
CN202111473820.9A 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 Active CN113888577B (zh)

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 CN113888577A (zh) 2022-01-04
CN113888577B true 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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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)

* Cited by examiner, † Cited by third party
Title
Whale Optimization Algorithm based Edge Detection for Noisy Image;Aditya Gautam et al.;《Proceedings of the Second International Conference on Intelligent Computing and Control Systems (ICICCS 2018)》;20190311;第1878-1883页 *

Also Published As

Publication number Publication date
CN113888577A (zh) 2022-01-04

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
Rosin Image processing using 3-state cellular automata
Gao et al. A multi-level thresholding image segmentation based on an improved artificial bee colony 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
Hassan et al. Retinal fundus vasculature multilevel segmentation using whale optimization algorithm
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
WO2005008569A1 (en) Method and arrangement for determining an object contour
Mei et al. A curve evolution approach for unsupervised segmentation of images with low depth of field
Zhao et al. Emds-6: Environmental microorganism image dataset sixth version for image denoising, segmentation, feature extraction, classification, and detection method evaluation
Zheng et al. Refined local-imbalance-based weight for airway segmentation in CT
Shah et al. Colorectal cancer segmentation using atrous convolution and residual enhanced unet
Agrawal et al. Dominant color component and adaptive whale optimization algorithm for multilevel thresholding of color images
Zhang et al. Multi-population biogeography-based optimization algorithm and its application to image segmentation
Wen et al. Rethinking the transfer learning for FCN based polyp segmentation in colonoscopy
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
KR102429534B1 (ko) 대상 이미지에 대한 추론 작업을 수행하는 방법 및 시스템
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
Braik et al. Particle swarm optimisation enhancement approach for improving image quality
CN110223291B (zh) 一种基于损失函数的训练眼底病变点分割网络方法
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
Peng et al. Multi-threshold image segmentation of 2D OTSU inland ships based on improved genetic algorithm
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