CN114581470B - 一种基于植物群落行为的图像边缘检测方法 - Google Patents

一种基于植物群落行为的图像边缘检测方法 Download PDF

Info

Publication number
CN114581470B
CN114581470B CN202210142919.9A CN202210142919A CN114581470B CN 114581470 B CN114581470 B CN 114581470B CN 202210142919 A CN202210142919 A CN 202210142919A CN 114581470 B CN114581470 B CN 114581470B
Authority
CN
China
Prior art keywords
plant
edge detection
image
community
individuals
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
CN202210142919.9A
Other languages
English (en)
Other versions
CN114581470A (zh
Inventor
蔡政英
马喆
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.)
Shenzhen Hengyuan Zhida Information Technology Co ltd
Original Assignee
China Three Gorges University CTGU
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 China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202210142919.9A priority Critical patent/CN114581470B/zh
Publication of CN114581470A publication Critical patent/CN114581470A/zh
Application granted granted Critical
Publication of CN114581470B publication Critical patent/CN114581470B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

一种基于植物群落行为的图像边缘检测方法，通过模拟植物群落的播种、生长、开花、结果的行为来优化边缘检测图像，其包括以下步骤：步骤1，植物群落对待检测图像进行初始化；步骤2，植物群落在待检测图像中进行播种操作，并计算植物植株个体的边缘检测效果评价函数；步骤3，植物群落在待检测图像中进行生长操作并对图像边缘进行随机搜索；步骤4，植物群落在待检测图像中进行开花操作，并随机选择邻居植物植株个体的边缘检测图像进行组合；步骤5，植物群落在待检测图像中进行结果操作并互相学习边缘检测图像信息；步骤6，植物群落输出最优边缘检测图像并结束算法。本算法效率高、图像边缘检测精度高、扩展性好。

Description

一种基于植物群落行为的图像边缘检测方法
技术领域
本发明属于计算机图像和人工智能领域，具体涉及基于植物群落行为的图像边缘检测方法。
背景技术
边缘检测是一门重要的图像处理技术。图像的边缘检测指发现图像中灰度变化率最大的地方，灰度骤变的位置即是图像边缘，通常也意味着图像中对象语义的变化。图像边缘特征能够描述图像中不同语义变化的底层特征，并丢弃多余细节，从而大大简化图像。边缘检测是图像信息提取的关键步骤，往往用于图像预处理或指导图像检测的辅助性方法，也是模式识别、图像分割和图像压缩等技术的基础。现在，图像边缘检测技术广泛用于各类工业、农业、生产、生活、服务业领域，包括车牌识别、车道检测、疾病诊断、细胞检测等，对各行各业和未来社会发展都有重要意义。
图像缘检测作为图像处理中的基础问题，但其并非易事，而是一个经典的难题。在检测图像中边缘点时，图像中包含的各种噪声很容易导致边缘检测图像模糊，从而难以区分边缘点和非边缘点，边缘点的定义在不同图像中也千差万别。近年来，国内外很多学者一直试图寻求更高效和高精度的边缘检测算法，反映了边缘检测技术的重要性、困难性。通常，对图像区域像素值计算灰度梯度可以发现灰度的突变特征。基于梯度的方法一般使用滤波器对图像进行卷积操作，从而获取灰度变化信息。根据不同的灰度梯度计算原理，图像分割可分为一阶算子和二阶算子。
Prewitt算子是典型的一阶算子，其计算附近像素点的灰度差异来识别图像边缘点，可去除一些虚假边缘并抑制图像噪声。Prewitt算子使用了两个方向模板，分别在水平和竖直方向对图像实话卷积滤波操作，通过计算得到灰度梯度信息，再选取合适的阈值区分边缘。Prewitt算子适合检测灰度渐变和噪点较多的图像。
Sobel算子属于离散型差分算子，使用局部平均方法来平滑噪声影响，可以推算图像灰度函数的近似梯度。Sobel算子也使用两个方向模板，但与Prewitt算子不同。Sobel算子根据像素位置的影响进行加权，在提升图像边缘的清晰度上效果更佳。
在一阶微分算子中，像素灰度值有明显变化的位置可能是局部极值点，如果将其标记为边缘带点，有可能造成检测出过多的图像边缘点。二阶微分算子更关注像素灰度突变位置，并不强调灰度变化缓慢的区域，从而更符合图像边缘检测要求，使用二阶导数找到更合适的图像边缘点。
常用的基于二阶微分算子有Canny算子，其使用高斯滤波器抑制噪声，再基于四个不同的角度计算灰度梯度向量，再使用非极大值抑制(NMS)保留最大梯度值。Canny算子通常使用双阈值区分像素点，能够消除两个阈值之间的孤立的弱边缘点，从而获得更准确的图像边缘。Canny算子检测效果比一阶算子更好，难以受噪声影响，但其编程困难，运算较复杂。
近年来，又出现了基于人工特征抽取的边缘检测算法，使用统计学的检测框架，通过对多个低级图像特征重新组合，再输入到模型中进行学习和训练。在国内外学者的努力下，各种基于人工智能的边缘检测算法不断出现，包括如遗传算法、小波变换、模糊数学、数学形态学、神经网络、深度学习等都已逐步应用到边缘检测中。特别是基于深度学习的算法，近些年来吸引了国内外大批学者研究。受益于人工智能算法的学习特性，将人工智能应用在图像边缘检测中优势尤为突出，例如计算速度快，精度高，可学习性强。
但是，现有的图像边缘检测算法，具有以下缺点：
1、检测精度有限。传统的图像边缘检测算法主要依赖图像本身的像素信息进行边缘检测的，但图像本身提供的像素信息往往不够准确的，从而导致检测精度不高。图像受到噪声的干扰时，或图像采样不准确，或其他因素干扰时，图像像素信息很容易发生变化，导致无法检测到实际的边缘点，却把一些非边缘点检测为边缘点。
2、算法效率低。人工智能算法在设计过程中往往需要设计循环嵌套，多重循环嵌套会导致算法的时间性能和空间性能变差。如果参数设计不好的话，很容易影响检测算法的效率。另外，图像边缘检测方法一般以灰度梯度特征作为识别边缘的依据，注重图像灰度的阶跃性变化，一般不考虑图像亮度，纹理，颜色等特征，也会丢失图像中一些有用信息，降低算法的计算效率。
3、抗干扰能力低。传统的边缘检测算法基于梯度的边缘检测算子，其模板都比较简单，虽然操作方便，但是容易受到噪声干扰，得到的边缘较粗，而且传统算子对噪声敏感。拉普拉斯算子对噪声干扰更加敏感，甚至会放大噪声对图像的不良影响，很多时候都无法直接用于图像边缘检测。
4、扩展性差。图像边缘检测算法是针对复杂图像的，里面包含了大量的像素点。如何保证检测效果的同时，提高检测速度，是难以平衡的矛盾。改进的Canny算子能够提高边缘检测性能和抗噪性能，从而得到更细和更完整的图像边缘，提高边缘检测结果。但是，Canny算子采用高斯函数的一次微分作为卷积核，大大提高了算法计算量大，且随着图像大小的增加，计算量急剧增加，而且无法确定边缘类型。
发明内容
针对现有技术中存在的上述问题，本发明提出了基于植物群落行为的图像边缘检测方法，设计合理，解决了现有技术的不足，使用概率式启发算法，通过经验学习的方式，在提高算法效率的同时，也提高了检测精度。
一种基于植物群落行为的图像边缘检测方法，它包括以下步骤：
步骤1，植物群落对待检测图像进行初始化；采集待检测图像的像素点灰度值、图像平均噪声、区域相异性作为植物群落算法的输入数据，根据图像边缘检测任务要求对植物群落算法的参数进行初始化，并选择边缘检测效果评价函数评估植物群落算法的输出；
子步骤1-1，初始化待检测图像相关参数和边缘检测效果评价函数，包括待检测图像的像素数量，像素点灰度值，图像灰度平均值，图像平均噪声，噪声阈值，像素点的邻居信息，边缘厚度，边缘连续性，区域相异性和边缘检测效果评价函数；
子步骤1-2，初始化植物群落参数，包括植物群落中植株种群的大小，植物植株个体的数值类型和数值大小，植物植株的边缘检测效果评价函数，植物群落的生长变异概率，开花概率，结果概率；
使用植物植株个体来编码待求解的边缘检测图像可行解所述植物群落种群大小，即植物群落中植物植株个体的数量；所述植株个体的数值类型，包括数值的整型，浮点型，布尔型，有符号数或无符号数，数据结构类型；所述植株个体的数值大小，即数值的表示范围，正数或负数；所述植物植株的边缘检测效果评价函数，用于对待检测图像的边缘检测效果进行评估，包括待检测图像的图像平均噪声水平，边缘检测效果评价函数误差水平；所述植物群落的生长变异概率，指植物植株在生长操作过程中数值有一定概率发生突变；所述植物群落的开花概率，指植物植株在开花操作过程中数值有一定概率被选择进行开花操作；所述植物群落的结果概率，指植物植株在结果过程中数值有一定概率互相学习进行结果操作；
子步骤1-3，清空数据集合，包括清空植物植株个体的像素点集合，植物植株播种集合，植物群落开花集合，植物群落结果邻居对集合，具有最高排序优先级的植物植株；
所述植物植株播种集合，表示进行播种操作的植物植株个体集合；所述植物群落开花集合，表示进行开花操作的植物植株个体集合；所述植物群落结果邻居对集合，表示进行结果操作的多个植物植株个体配对的集合；所述具有最高排序优先级的植物植株，表示对应的植物植株个体具有最高的边缘检测效果评价函数值；
子步骤1-4，初始化植物群落算法起始条件和终止条件，包括计算开始时间，计算结束时间或迭代计算次数限制，结束误差判断阈值；
步骤2，植物群落在待检测图像中进行播种操作，并计算植物植株个体的边缘检测效果评价函数；植物群落随机产生一组边缘像素点集合编码成若干个植物群落个体，代表若干个图像边缘检测问题可行解，每个植物群落个体使用二进制位串表示对应边缘像素点的选择情况；
子步骤2-1，随机生成植物群落中植株个体的初始值；按植物群落种群大小，随机生成一个植物植株播种集合，播种集合元素的个数即为植物群落种群大小，集合中每个元素即为植物植株个体；植物群落中植株个体的数值表示一种可行的边缘像素点集合，即为一种边缘检测图像可行解，表示待检测图像中若干边缘像素点的拓扑连接方式；
子步骤2-2，计算植物群落中植物植株个体的边缘检测效果评价函数；
子步骤2-3，不断循环，直至植物群落中所有植物植株的边缘检测效果评价函数计算完成；
子步骤2-4，对植物群落中所有植物植株的边缘检测效果评价函数进行排序；优选地，边缘检测效果评价函数计算数值较高的，具有较高的排序优先级；反之，边缘检测效果评价函数计算数值较低的，具有较低的排序优先级；
子步骤2-5，选出具有最高排序优先级的植物植株，并根据其数值更新整个待检测图像边缘信息；
步骤3，植物群落在待检测图像中进行生长操作并对图像边缘进行随机搜索；植物群落个体分别随机搜索新的像素点代替步骤2中选择的边缘像素点，即修改边缘像素点集合的一部分二进制位，对待检测图像的植物群落个体进行重新编码；
子步骤3-1，单个植物植株按植物群落生长变异概率在待检测图像中随机搜索一个像素点；
子步骤3-2，单个植物植株个体搜索能够连通该像素点的新边缘，并将该像素点和新边缘上的所有像素点添加到该植物植株个体的像素点集合中；
子步骤3-3，不断循环子步骤3-1和子步骤3-2，直至植物群落中所有植株完成一次随机搜索，每个植物植株均添加新边缘和对应像素点到各自的植物植株个体的像素点集合中；
子步骤3-4，计算单个植物植株个体的边缘检测效果评价函数；
子步骤3-5，不断循环子步骤3-4，直至植物群落中所有植株个体的边缘检测效果评价函数计算完成；
步骤4，植物群落在待检测图像中进行开花操作，并随机选择邻居植物植株个体的边缘检测图像进行组合；对重新编码的植物植株个体使用边缘检测效果评价函数进行计算，根据边缘检测效果评价函数的计算结果对植物植株个体进行排序，并选择排序较优的植物植株个体；
子步骤4-1，对植物群落中所有植物植株个体的边缘检测效果评价函数按数值高低进行排序；优选地，边缘检测效果评价函数计算数值较高的，具有较高的排序优先级；反之，边缘检测效果评价函数计算数值较低的，具有较低的排序优先级；
子步骤4-2，按照开花概率选择单个植物植株；优选地，较高的排序优先级具有较高的开花概率，更容易被选择；反之，较低的排序优先级具有较低的开花概率，更不容易被选择；
子步骤4-3，所有被选择的单个植物植株添加进植物群落开花集合，开花集合中的每一个植物植株均可以进入步骤5，进行植物群落结果计算；反之，未选择到开花集合的植物植株被放弃，不进行步骤5，不进行植物群落结果计算；
步骤5，植物群落在待检测图像中进行结果操作并互相学习边缘检测图像信息；植物植株个体互相学习和交换一部分边缘像素点集合，即互相交换植物植株个体的一部分二进制位，选择滤波函数降低植物植株个体的平均噪声水平，并重新编码边缘像素点集合；
子步骤5-1，植物群落开花集合中的单个植物植株个体随机选择一个邻居植物植株个体，按照植物群落结果概率学习邻居植物植株个体的一部分边缘，这两个植物植株个体组成邻居对，以成对方式添加进植物群落结果邻居对集合中；
子步骤5-2，不断循环子步骤5-1，直至植物群落开花集合中的所有植物植株个体均被选入植物群落结果邻居对集合中，即植物群落开花集合中每一个植物植株个体均出现在植物群落结果邻居对集合的邻居对中；
子步骤5-3，植物群落结果邻居对集合中每一对植物植株个体按照植物群落结果概率互相交换一部分边缘信息；优选地，植物群落开花集合中的单个植物植株个体允许多次被邻居植物植株个体选中，允许同时出现在多个邻居对中；
子步骤5-4，植物群落结果邻居对集合中每个邻居对中的植物植株个体，根据互相交换的一部分边缘信息调整植物植株个体，重新构建新边缘，并将新边缘中的像素点添加进单个植物植株个体中；
子步骤5-5，使用滤波函数计算植物植株个体的平均噪声水平，并判断平均噪声水平是否符合预定的噪声阈值，对于超过预定噪声阈值的像素点进行滤波，以减少噪声的影响；
子步骤5-6，计算植物群落结果邻居对集合中每个植物植株个体的边缘检测效果评价函数值；
子步骤5-7，依次不断循环子步骤5-1，5-2，5-3，5-4，5-5，5-6，直至植物群落结果邻居对集合中的全部植物植株个体的边缘检测效果评价函数计算完成；
步骤6，植物群落输出最优边缘检测图像并结束算法；经过步骤2至步骤6的植物群落算法迭代计算，选择边缘检测效果评价函数最优的植物植株个体作为待检测图像的最优边缘检测图像；
子步骤6-1，对植物群落结果邻居对集合中全部植物植株个体的边缘检测效果评价函数进行排序；优选地，边缘检测效果评价函数计算数值较高的，具有较高的排序优先级；反之，边缘检测效果评价函数计算数值较低的，具有较低的排序优先级；
子步骤6-2，选出具有最高排序优先级的植物植株个体的边缘检测效果评价函数；
子步骤6-3，比较子步骤6-2所得出的具有最高优先级的植物植株个体的边缘检测效果评价函数，与子步骤2-5计算出播种操作步骤中具有最高优先级的植物植株个体的边缘检测效果评价函数，两者进行数值大小的比较，并选出具有最高优先级的植物植株个体，及对应的边缘检测效果评价函数；
子步骤6-4，判断迭代计算次数是否符合预定的迭代计算次数限制，如果符合，则结束计算，将子步骤6-3中得到的最高优先级的植物植株个体的边缘检测效果评价函数输出，并输出对应植物植株个体的数值，作为待检测图像的最优边缘检测图像；反之，如果不符合预定的迭代计算次数限制，则进行子步骤6-5；
子步骤6-5，如果子步骤6-2所得出的边缘检测效果评价函数值更高，且高于结束误差判断阈值error_thd，则按植物群落种群数量的一半来选择子步骤6-1中排序优先级最高的那些植物植株个体，添加进子步骤2-1中植物植株播种集合；进一步地，按植物群落种群数量的一半来选择子步骤2-4中排序优先级最高的那些植物植株个体，也添加进子步骤2-1中植物植株播种集合；两部分植物植株个体重新组成新的植物群落种群，重新进行播种操作，返回子步骤2-4，重新开始下一次计算，并记录迭代计算次数；反之，如果子步骤6-2所得出的边缘检测效果评价函数值更低，或与子步骤2-5中排序优先级最高的边缘检测效果评价函数值的差值不高于结束误差判断阈值error_thd，则不再进行播种操作，结束计算，将子步骤6-3中得到的最高优先级的植物植株的边缘检测效果评价函数输出，并输出对应植物植株个体的数值，作为待检测图像的最优边缘检测图像。
与现有技术相比，本发明具有如下技术效果：
1、检测精度高。本算法中植物群落个体可以互相学习，利用一些先验知识判断某一点是否可能成为边缘点，如互相学习图像边缘的局部结构信息等，进一步利用图像本身提供的像素信息来进行边缘检测，从而提高边缘检测效果，对噪声等因素的抑制作用将会大大改善。
2、算法效率高。本算法没有使用复杂的循环嵌套，而是通过植物群落的播种、生长操作、开花操作、结果操作，依次完成计算任务。本算法在设计时有意避开了参数的嵌套和传递，大大降低了算法的时间复杂性和空间复杂性。本边缘检测算法在设计、运行、优化过程中允许用户根据使用场景自行设计边缘检测效果评价函数，综合考虑所需的因素和指标，包括灰度值、局部拓扑信息、灰度动态变化、图像可扩展性、图像复杂度、植物群落学习和更新策略，从而进一步提高算法的效率和不同场景下的适用性。
3、抗干扰能力强。本算法通过植物群落自主学习梯度经验，并提高了噪声学习功能，使用概率式的启发搜索方法，通过植物群落的植物植株个体的概率搜索，分布式搜索最优图像边缘。本算法可在有噪声的图像上进行边缘检测计算，运算量低，自主发现噪声，提高抗噪声能力。
4、扩展性好。本算法在设计考虑了算法的效率和扩展性，植物群落个体互相学习，共同完成复杂的边缘检测计算任务。当图像大小变化或噪声增加时，植物群落依然能够通过概率学习保持良好的计算性能，而每个植物群落个体只需保留局部拓扑信息，更适合大规模的图像边缘检测计算任务。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为本发明的工作方法流程图。
具体实施方式
如图1所示，基于植物群落行为的图像边缘检测方法，通过模拟植物群落的播种、生长、开花、结果的行为来优化待检测图像边缘。
所述植物群落，用于模拟待检测图像边缘检测问题的解空间；
所述植物植株个体，用于模拟待检测图像边缘检测问题的某一个可行解；使用植物植株个体来编码待求解的边缘检测图像可行解；
所述植物群落种群大小，即植物群落中植物植株个体的数量，用于模拟待检测图像边缘检测问题的可行解的数量；
所述植物植株的边缘检测效果评价函数，用于模拟对待检测图像的边缘检测效果进行评估，用户可以根据使用需要和不同的应用场景选择不同的边缘检测效果函数，包括待检测图像的深度变化、灰度梯度变化、表面方向变化、物质属性变化、表面纹理变化、物体形状变化、遮挡物变化、和场景照明变化；
所述滤波函数，用于测试待检测图像的平均噪声水平，评估待检测图像的噪声水平，对于超过预定的噪声阈值的像素点进行滤波，减少噪声对待检测图像的影响，提高图像边缘检测质量和检测效率；
所述植物群落，包括播种操作，生长操作，开花操作，和结果操作；通过四个操作的不断循环和不断迭代，寻找待检测图像边缘检测问题的最优解。
所述植物群落的播种操作，用于模拟自然界植物群落的种子播种过程，播种既具有随机性，同时也局限于某一植物植株附近；播种操作用于产生每一步计算所需的初始可行解数值；
所述植物群落的生长操作，用于模拟自然界植物群落中多个植物植株个体生长过程，植物植株的种子播种虽然是随机的，但只有在有水源附近的种子才可以生长，在植物植株长期的生长过程中，有可能受环境的影响而发生变异，成为新的植物植株个体；生长操作用于产生可行解的变异解，用于单个可行解变化并扩大搜索范围，模拟植物群落的变异功能；所述植物群落的生长变异概率，模拟植物植株在生长操作过程中数值有一定概率发生突变，即可行解以一定的生长变异概率发生小范围变化；较大的生长变异概率便于扩大搜索空间，但也容易降低收敛速度；较小的变异概率容易过早收敛于局部最优解，但也容易提高收敛速度；
所述植物群落的开花操作，用于模拟自然界植物群落中多个植物植株个体的开花过程，植物植株个体并非所有的分枝都可以开花，只有生长旺盛且营养丰富的分枝才可以开花；开花操作用于产生可行解的较优的解，用于保留较优解的数值；所述植物群落的开花概率，指植物植株在开花操作过程中数值有一定概率被选择进行开花操作，从而进行结果操作，即较优的解以一定开花概率被保留下来，模拟植物群落的个体自我学习功能；较小的开花概率保留更少的较优解，便于扩大搜索空间，但也容易降低收敛速度；较大的开花概率容易保留更多的较优解，易过早收敛于局部最优解，但也容易提高收敛速度；
所述植物群落的结果操作，用于模拟自然界植物群落中多个植物植株通过花粉交换遗传物质，进行结果操作的过程；结果用于不同的可行解交换数据，产生新的可行解；所述植物群落的结果概率，指不同植物植株个体在结果过程中其数值有一定概率互相学习进行结果操作，模拟植物群落的社会学习功能；较小的结果概率使较优解保留的部分更少，便于扩大搜索空间，但也容易降低收敛速度；较大的结果概率使较优解保留的部分更多，易过早收敛于局部最优解，但也容易提高收敛速度；
所述待检测图像，包括大量像素点组成，每个像素点都有唯一的坐标标识，不同像素点通常具有不同的灰度值；
所述边缘，指待检测图像中具有明显灰度差异变化的像素点集合，即边缘像素点集合；
所述边缘检测图像，指由若干边缘组成的图像，是待检测图像的一个子集合，仅剩下灰度差异较大的像素点集合，去除了噪声影响和灰度差异较少的像素点；
一种基于植物群落行为的图像边缘检测方法，它包括以下步骤：
所述步骤1，植物群落对待检测图像进行初始化；采集待检测图像的像素点灰度值、图像平均噪声、区域相异性作为植物群落算法的输入数据，根据图像边缘检测任务要求对植物群落算法的参数进行初始化，并选择边缘检测效果评价函数评估植物群落算法的输出；包括以下子步骤：
子步骤1-1，初始化待检测图像相关参数和边缘检测效果评价函数，待检测图像的像素数量，像素点灰度值，图像灰度平均值，图像平均噪声，噪声阈值，像素点的邻居信息，边缘厚度，边缘连续性，区域相异性和边缘检测效果评价函数；
优选地，对于一幅待检测图像，水平方向像素点个数为M，垂直方向像素点个数为N，即分别代表图像的长和宽；优选地，待检测图像中的每个像素点的水平坐标为x,且x∈(0,M]，垂直坐标为y，且y∈(0,N]；进一步地，待检测图像中的每个像素点可根据其坐标独一无地标记为一个坐标对(x,y)；
优选地，待检测图像的噪声阈值设置为noise_thd，为大于0的浮点数值；
子步骤1-2，初始化植物群落参数，包括植物群落中植株种群的大小，植物植株个体的数值类型和数值大小，植物植株的边缘检测效果评价函数，植物群落的生长变异概率，开花概率，结果概率；
使用植物植株个体来编码待求解的边缘检测图像可行解；所述植物群落种群大小，即植物群落中植物植株个体的数量；所述植株个体的数值类型，包括数值的整型，浮点型，布尔型，有符号数或无符号数，数据结构类型；所述植株个体的数值大小，即数值的表示范围，正数或负数；所述植物植株的边缘检测效果评价函数，用于对待检测图像的边缘检测效果进行评估，包括待检测图像的图像平均噪声水平，边缘检测效果评价函数误差水平；所述植物群落的生长变异概率，指植物植株在生长操作过程中数值有一定概率发生突变；所述植物群落的开花概率，指植物植株在开花操作过程中数值有一定概率被选择进行开花操作；所述植物群落的结果概率，指植物植株在结果过程中数值有一定概率互相学习进行结果操作；
优选地，植物群落种群大小为Population_size，为大于0的正整数；
优选地，待检测图像的图像平均噪声水平为noise_avg，为大于0的浮点数值；
优选地，边缘检测效果评价函数误差水平为error_avg，为大于0的浮点数值；
优选地，设置植物群落的概率参数，包括生长变异概率probability1，开花概率probability2，结果概率probability3，且有0<生长变异概率probability1<结果概率probability3<开花概率probability2<1；
优选地，植物群落种群中的每一个植物植株体对应一种边缘检测图像可行解，即一幅边缘检测图像像素点集体；对于大小为M×N的待检测图像，每个植物植株个体用长度为M×N的二维布尔矩阵来表示，这样每个植物植株个体作为一个二维布尔矩阵，与边缘检测图像中的每个像素点位置一一对应；
子步骤1-3，清空数据集合，包括清空植物植株个体的像素点集合，植物植株播种集合，植物群落开花集合，植物群落结果邻居对集合，具有最高排序优先级的植物植株；
所述植物植株播种集合，表示进行播种操作的植物植株个体集合；所述植物群落开花集合，表示进行开花操作的植物植株个体集合；所述植物群落结果邻居对集合，表示进行结果操作的多个植物植株个体配对的集合；所述具有最高排序优先级的植物植株，表示对应的植物植株个体具有最高的边缘检测效果评价函数值；
优选地，第i个植株个体pi的边缘编码为θi，其中，i＝1,2,3,…,Population_size；则植物群落中所有植物植株个体的边缘检测图像均初始为0，即θΣ＝{θ1,θ2,…,θPopulation_size}＝{0}
植物植株播种集合A＝{}，植物群落开花集合B＝{}，植物群落结果邻居对集合C＝{}，具有最高排序优先级的植物植株D＝{}；
子步骤1-4，初始化植物群落算法起始条件和终止条件，包括计算开始时间，计算结束时间或迭代计算次数限制，结束误差判断阈值；
优选地，设置最大迭代计算次数Tmax＝200，迭代起始时间t＝0，最大迭代结束时间不大于10min或迭代计算次数不大于200次；结束误差判断阈值error_thd可由用户根据计算任务和计算要求设定，如按相对值计算，通常不小于0.01％；如按绝对值计算，通常不小于0.01％*边缘检测效果评价函数最大值。
所述步骤2，植物群落在待检测图像中进行播种操作，并计算植物植株个体的边缘检测效果评价函数；植物群落随机产生一组边缘像素点集合编码成若干个植物群落个体，代表若干个图像边缘检测问题可行解，每个植物群落个体使用二进制位串表示对应边缘像素点的选择情况；包括以下子步骤：
子步骤2-1，随机生成植物群落中植株个体的初始值；按植物群落种群大小，随机生成一个植物植株播种集合，播种集合元素的个数即为植物群落种群大小，集合中每个元素即为植物植株个体；植物群落中植株个体的数值表示一种可行的边缘像素点集合，即为一种边缘检测图像可行解，表示待检测图像中若干边缘像素点的拓扑连接方式；
植物群落第一次计算置迭代计算次数iteration＝1；植物群落每完成一次计算，迭代计算次数加1；若iteration≤Tmax，转下一步骤，否则结束计算；
优选地，播种集合为A＝{θi|i＝1,2,3,…,Population_size}
设第一个植株个体p1的边缘θ1，初始化对应的θ1边缘长度和边缘检测效果评价函数f(θ1)；依此类推，其余植物植株个体的边缘θi，初始化对应的θi边缘长度和边缘检测效果评价函数f(θi)，其中，i＝1,2,3,…,Population_size；
对于植物种群大小Population_size，依次更新植物群落中所有植物植株个体的边缘检测图像θΣ＝{θ1,θ2,…,θPopulation_size}；
更新植物群落中所有植物植株个体的边缘检测效果评价函数f(θi)，其中，i＝1,2,3,…,Population_size；
子步骤2-2，计算植物群落中植物植株个体的边缘检测效果评价函数；
计算个体的边缘检测效果评价函数f()作为适应度值；
对于一个像素点(x,y)，有二维高斯函数如下：
其中，σ为待检测图像的灰度值分布方差；G'(x,y)为G(x,y)在二维方向上的导数；
优选地，使用带宽为W的滤波器，滤波器在像素点(x,y)对应的脉冲响应函数为h(x,y)；进一步地，对滤波器脉冲响应函数h(x,y)求导数，为h’(x,y)；
优选地，计算植物植株个体i的边缘检测效果评价函数f(θi)；
其中，G(θi)为待检测图像边缘可行解θi的二维高斯函数，即包括了可行解θi上所有像素点(x,y)∈θi的二维高斯函数；进一步地，G'(-θi)为待检测图像边缘可行解θi在二维方向上的导数，并取负值操作；进一步地，滤波器在边缘可行解θi上对应的脉冲响应函数为h(θi)，即包括了可行解θi上所有像素点(x,y)∈θi对应的脉冲响应函数；进一步地，h(θi)对应的导数为h'(θi)；σ为待检测图像的灰度值分布方差；
子步骤2-3，不断循环，直至植物群落中所有植物植株的边缘检测效果评价函数计算完成；
优选地,计算植物群落中所有植物植株个体的边缘检测效果评价函数Σf(θi)，其中，i＝1,2,3,…,Population_size；
子步骤2-4，对植物群落中所有植物植株的边缘检测效果评价函数进行排序；优选地，边缘检测效果评价函数计算数值较高的，具有较高的排序优先级；反之，边缘检测效果评价函数计算数值较低的，具有较低的排序优先级；
优选地，计算排序函数rank{f(θi)}，其中，i＝1,2,3,…,Population_size；
子步骤2-5，选出具有最高排序优先级的植物植株，并根据其数值更新整个待检测图像边缘信息；
优选地，计算最优解Optimal＝min{rank{f(θi)}|i＝1,2,3,…,Population_size}，求出所有边缘检测图像中边缘检测效果评价函数f值最优的植株个体边缘集合；
最高排序优先级的植物植株D＝{θi)|i＝1,2,3,…,Population_size}
所述步骤3，植物群落在待检测图像中进行生长操作并对图像边缘进行随机搜索；植物群落个体分别随机搜索新的像素点代替步骤2中选择的边缘像素点，即修改边缘像素点集合的一部分二进制位，对待检测图像的植物群落个体进行重新编码；包括以下子步骤：
子步骤3-1，单个植物植株按植物群落生长变异概率在待检测图像中随机搜索一个像素点；
优选地，节点k被选入植物植株i的边缘集合,即k∈θi，且0<probability1<1；
子步骤3-2，单个植物植株个体搜索能够连通该像素点的新边缘，并将该像素点和新边缘上的所有像素点添加到该植物植株个体的像素点集合中；
子步骤3-3，不断循环子步骤3-1和子步骤3-2，直至植物群落中所有植株完成一次随机搜索，每个植物植株均添加新边缘和对应像素点到各自的植物植株个体的像素点集合中；
子步骤3-4，计算单个植物植株个体的边缘检测效果评价函数；
子步骤3-5，不断循环子步骤3-4，直至植物群落中所有植株个体的边缘检测效果评价函数计算完成；
优选地,计算植物群落中所有植物植株个体的边缘检测效果评价函数Σf(θi)，其中，i＝1,2,3,…,Population_size；
所述步骤4，植物群落在待检测图像中进行开花操作，并随机选择邻居植物植株个体的边缘检测图像进行组合；对重新编码的植物植株个体使用边缘检测效果评价函数进行计算，根据边缘检测效果评价函数的计算结果对植物植株个体进行排序，并选择排序较优的植物植株个体；包括以下步骤：
子步骤4-1，对植物群落中所有植物植株个体的边缘检测效果评价函数按数值高低进行排序；优选地，边缘检测效果评价函数计算数值较高的，具有较高的排序优先级；反之，边缘检测效果评价函数计算数值较低的，具有较低的排序优先级；
优选地，计算排序函数rank{f(θi)}，其中，i＝1,2,3,…,Population_size；
子步骤4-2，按照开花概率选择单个植物植株；优选地，较高的排序优先级具有较高的开花概率，更容易被选择；反之，较低的排序优先级具有较低的开花概率，更不容易被选择；
优选地，开花集合为B＝{θi|i＝1,2,3,…,Population_size}，且0<probability2<1；
子步骤4-3，所有被选择的单个植物植株添加进植物群落开花集合，开花集合中的每一个植物植株均可以进入步骤5，进行植物群落结果计算；反之，未选择到开花集合的植物植株被放弃，不进行步骤5，不进行植物群落结果计算；
所述步骤5，植物群落在待检测图像中进行结果操作并互相学习边缘检测图像信息；植物植株个体互相学习和交换一部分边缘像素点集合，即互相交换植物植株个体的一部分二进制位，选择滤波函数降低植物植株个体的平均噪声水平，并重新编码边缘像素点集合；包括以下步骤：
子步骤5-1，植物群落开花集合中的单个植物植株个体随机选择一个邻居植物植株个体，按照植物群落结果概率学习邻居植物植株个体的一部分边缘，这两个植物植株个体组成邻居对，以成对方式添加进植物群落结果邻居对集合中；
优选地,对于结果集合为C和邻居对{θi,θj}，有{θi,θj}∈C；且0<probability3<1；
子步骤5-2，不断循环子步骤5-1，直至植物群落开花集合中的所有植物植株个体均被选入植物群落结果邻居对集合中，即植物群落开花集合中每一个植物植株个体均出现在植物群落结果邻居对集合的邻居对中；
子步骤5-3，植物群落结果邻居对集合中每一对植物植株个体按照植物群落结果概率互相交换一部分边缘信息；优选地，植物群落开花集合中的单个植物植株个体允许多次被邻居植物植株个体选中，允许同时出现在多个邻居对中；
优选地，结果集合为C＝{{θi,θj}|i,j＝1,2,3,…,Population_size}，且0<probability3<1；
子步骤5-4，植物群落结果邻居对集合中每个邻居对中的植物植株个体，根据互相交换的一部分边缘信息调整植物植株个体，重新构建新边缘，并将新边缘中的像素点添加进单个植物植株个体中；
子步骤5-5，使用滤波函数计算植物植株个体的平均噪声水平，并判断平均噪声水平是否符合预定的噪声阈值，对于超过预定噪声阈值的像素点进行滤波，以减少噪声的影响；
对于一个像素点(x,y)，有二维高斯函数如下：
其中，σ为待检测图像的灰度值分布方差；
优选地,计算植物植株个体i的滤波函数g(θi)；
进一步地，计算整个图像平均噪声水平为
其中，i＝1,2,3,…,Population_size；
优选地，待检测图像的图像平均噪声水平为noise_avg<噪声阈值noise_thd，滤波结束；否则，重复子步骤5-5调用滤波函数进一步进行滤波，减少图像平均噪声水平；优选地，滤波函数包括均值滤波，中值滤波，高斯滤波，用户可以根据图像处理任务的需要自行选择，或自行设计图像滤波函数减少图像噪声干扰；
子步骤5-6，计算植物群落结果邻居对集合中每个植物植株个体的边缘检测效果评价函数值；
对于一个像素点(x,y)，有二维高斯函数如下：
其中，σ为待检测图像的灰度值分布方差；G'(x,y)为G(x,y)在二维方向上的导数；
优选地，使用带宽为W的滤波器，像素点(x,y)对应的脉冲响应函数为h(x,y)；进一步地，对滤波器脉冲响应函数h(x,y)求导数，为h’(x,y)；
优选地，计算植物植株个体i的边缘检测效果评价函数f’(θi)；
其中，G(θi)为待检测图像边缘可行解θi的二维高斯函数，即包括了可行解θi上所有像素点(x,y)∈θi的二维高斯函数；进一步地，G'(-θi)为待检测图像边缘可行解θi在二维方向上的导数，并取负值操作；进一步地，滤波器在边缘可行解θi上对应的脉冲响应函数为h(θi)，即包括了可行解θi上所有像素点(x,y)∈θi对应的脉冲响应函数；进一步地，h(θi)对应的导数为h'(θi)；σ为待检测图像的灰度值分布方差；
进一步地，根据子步骤2-2计算出的边缘检测效果评价函数f(θi)，以及子步骤5-6计算出的边缘检测效果评价函数f’(θi)，计算θi边缘检测效果评价函数误差水平为error_avgi＝|f’(θi)-f(θi)|；
子步骤5-7，依次不断循环子步骤5-1，5-2，5-3，5-4，5-5，5-6，直至植物群落结果邻居对集合中的全部植物植株个体的边缘检测效果评价函数计算完成；
优选地,计算植物群落中所有植物植株个体的边缘检测效果评价函数Σf’(θi)，其中，i＝1,2,3,…,Population_size；
进一步地，根据子步骤2-3计算出的植物群落边缘检测效果评价函数Σf(θi)，以及子步骤5-7计算出的植物群落边缘检测效果评价函数Σf’(θi)，计算图像总体的边缘检测效果评价函数误差水平为error_avg＝|Σf’(θi)-Σf(θi)|；
所述步骤6，植物群落输出最优边缘检测图像并结束算法；经过步骤2至步骤6的植物群落算法迭代计算，选择边缘检测效果评价函数最优的植物植株个体作为待检测图像的最优边缘检测图像；包括以下步骤：
子步骤6-1，对植物群落结果邻居对集合中全部植物植株个体的边缘检测效果评价函数进行排序；优选地，边缘检测效果评价函数计算数值较高的，具有较高的排序优先级；反之，边缘检测效果评价函数计算数值较低的，具有较低的排序优先级；
优选地，求解排序函数rank{f(θi)}，其中，i＝1,2,3,…,Population_size；
子步骤6-2，选出具有最高排序优先级的植物植株个体的边缘检测效果评价函数；
优选地，计算最优解Optimal’＝min{rank{f(θi)}|i＝1,2,3,…,Population_size}，求出所有边缘检测图像中边缘检测效果评价函数f值最优的植株个体边缘集合；
最高排序优先级的植物植株D＝{θi)|i＝1,2,3,…,Population_size}；
子步骤6-3，比较子步骤6-2所得出的具有最高优先级的植物植株个体的边缘检测效果评价函数，与子步骤2-5计算出播种操作步骤中具有最高优先级的植物植株个体的边缘检测效果评价函数，两者进行数值大小的比较，并选出具有最高优先级的植物植株个体，及对应的边缘检测效果评价函数；
优选地,计算排序函数rank{Optimal,Optimal’}；
子步骤6-4，判断迭代计算次数是否符合预定的迭代计算次数限制，如果符合，则结束计算，将子步骤6-3中得到的最高优先级的植物植株个体的边缘检测效果评价函数输出，并输出对应植物植株个体的数值，作为待检测图像的最优边缘检测图像；反之，如果不符合预定的迭代计算次数限制，则进行子步骤6-5；
子步骤6-5，如果子步骤6-2所得出的边缘检测效果评价函数值更高，且高于结束误差判断阈值error_thd，
优选地，error_avg＝|Σf’(θi)-Σf(θi)|>error_thd
则按植物群落种群数量的一半来选择子步骤6-1中排序优先级最高的那些植物植株个体，添加进子步骤2-1中植物植株播种集合；进一步地，按植物群落种群数量的一半来选择子步骤2-4中排序优先级最高的那些植物植株个体，也添加进子步骤2-1中植物植株播种集合；两部分植物植株个体重新组成新的植物群落种群，重新进行播种操作，返回子步骤2-4，重新开始下一次计算，并记录迭代计算次数；
优选地，下一次计算的播种集合为A＝{θi∈D|i＝1,2,3,…,Population_size}，迭代计算次数iteration＝iteration+1；
反之，如果子步骤6-2所得出的边缘检测效果评价函数值更低，或者图像总体的边缘检测效果评价函数误差水平error_avg＝|Σf’(θi)-Σf(θi)|不高于结束误差判断阈值error_thd，则不再进行播种操作，结束计算，将子步骤6-3中得到的最高优先级的植物植株的边缘检测效果评价函数输出，并输出对应植物植株个体的数值，作为待检测图像的最优边缘检测图像。
优选地，最优解的边缘检测效果评价函数为f(θi)＝min{rank{Optimal,Optimal’}}，将该函数对应边缘检测图像θi输出，作为图像边缘检测的最终结果。

Claims (8)

1.一种基于植物群落行为的图像边缘检测方法，其特征在于，它包括以下步骤：
步骤1，由植物群落对待检测图像进行初始化；采集待检测图像的像素点灰度值、图像平均噪声、区域相异性作为植物群落算法的输入数据，根据图像边缘检测任务要求对植物群落算法的参数进行初始化，并选择边缘检测效果评价函数评估植物群落算法的输出；
步骤2，由植物群落在待检测图像中进行播种操作，并计算植物植株个体的边缘检测效果评价函数；植物群落随机产生一组边缘像素点集合编码成若干个植物群落个体，代表若干个图像边缘检测问题可行解，每个植物群落个体使用二进制位串表示对应边缘像素点的选择情况；
步骤3，由植物群落在待检测图像中进行生长操作并对图像边缘进行随机搜索；植物群落个体分别随机搜索新的像素点代替步骤2中选择的边缘像素点，即修改边缘像素点集合的一部分二进制位，对待检测图像的植物群落个体进行重新编码；
步骤4，由植物群落在待检测图像中进行开花操作，并随机选择邻居植物植株个体的边缘检测图像进行组合；对重新编码的植物植株个体使用边缘检测效果评价函数进行计算，根据边缘检测效果评价函数的计算结果对植物植株个体进行排序，并选择排序较优的植物植株个体；
步骤5，由植物群落在待检测图像中进行结果操作并互相学习边缘检测图像信息；植物植株个体互相学习和交换一部分边缘像素点集合，即互相交换植物植株个体的一部分二进制位，选择滤波函数降低植物植株个体的平均噪声水平，并重新编码边缘像素点集合；
步骤6，由植物群落输出最优边缘检测图像并结束算法；经过步骤2至步骤6的植物群落算法迭代计算，选择边缘检测效果评价函数最优的植物植株个体作为待检测图像的最优边缘检测图像。
2.根据权利要求1所述的方法，其特征在于，它包括以下子步骤：
子步骤1-1，初始化待检测图像相关参数和边缘检测效果评价函数，包括待检测图像的像素数量，像素点灰度值，图像灰度平均值，图像平均噪声，噪声阈值，像素点的邻居信息，边缘厚度，边缘连续性，区域相异性和边缘检测效果评价函数；
子步骤1-2，初始化植物群落参数，包括植物群落中植株种群的大小，植物植株个体的数值类型和数值大小，植物植株的边缘检测效果评价函数，植物群落的生长变异概率，开花概率，结果概率；
子步骤1-3，清空数据集合，包括清空植物植株个体的像素点集合，植物植株播种集合，植物群落开花集合，植物群落结果邻居对集合，具有最高排序优先级的植物植株；子步骤1-4，初始化植物群落算法起始条件和终止条件，包括计算开始时间，计算结束时间或迭代计算次数限制，结束误差判断阈值。
3.根据权利要求2所述的方法，其特征在于，所述植物群落种群大小，即植物群落中植物植株个体的数量；所述植株个体的数值类型，包括数值的整型，浮点型，布尔型，有符号数或无符号数，数据结构类型；所述植株个体的数值大小，即数值的表示范围，正数或负数；所述植物植株的边缘检测效果评价函数，用于对待检测图像的边缘检测效果进行评估，包括待检测图像的图像平均噪声水平，边缘检测效果评价函数误差水平；所述植物群落的生长变异概率，指植物植株在生长操作过程中数值有一定概率发生突变；所述植物群落的开花概率，指植物植株在开花操作过程中数值有一定概率被选择进行开花操作；所述植物群落的结果概率，指植物植株在结果过程中数值有一定概率互相学习进行结果操作；
所述植物植株播种集合，表示进行播种操作的植物植株个体集合；所述植物群落开花集合，表示进行开花操作的植物植株个体集合；所述植物群落结果邻居对集合，表示进行结果操作的多个植物植株个体配对的集合；所述具有最高排序优先级的植物植株，表示对应的植物植株个体具有最高的边缘检测效果评价函数值。
4.根据权利要求1所述的方法，其特征在于，在步骤2中，包括以下子步骤：
子步骤2-1，随机生成植物群落中植株个体的初始值；按植物群落种群大小，随机生成一个植物植株播种集合，播种集合元素的个数即为植物群落种群大小，集合中每个元素即为植物植株个体；植物群落中植株个体的数值表示一种可行的边缘像素点集合，即为一种边缘检测图像可行解，表示待检测图像中若干边缘像素点的拓扑连接方式；
子步骤2-2，计算植物群落中植物植株个体的边缘检测效果评价函数；
子步骤2-3，不断循环，直至植物群落中所有植物植株的边缘检测效果评价函数计算完成；子步骤2-4，对植物群落中所有植物植株的边缘检测效果评价函数进行排序；边缘检测效果评价函数计算数值较高的，具有较高的排序优先级；反之，边缘检测效果评价函数计算数值较低的，具有较低的排序优先级；
子步骤2-5，选出具有最高排序优先级的植物植株，并根据其数值更新整个待检测图像边缘信息。
5.根据权利要求1所述的方法，其特征在于，在步骤3中，包括以下子步骤：
子步骤3-1，单个植物植株按植物群落生长变异概率在待检测图像中随机搜索一个像素点；子步骤3-2，单个植物植株个体搜索能够连通该像素点的新边缘，并将该像素点和新边缘上的所有像素点添加到该植物植株个体的像素点集合中；
子步骤3-3，不断循环子步骤3-1和子步骤3-2，直至植物群落中所有植株完成一次随机搜索，每个植物植株均添加新边缘和对应像素点到各自的植物植株个体的像素点集合中；
子步骤3-4，计算单个植物植株个体的边缘检测效果评价函数；
子步骤3-5，不断循环子步骤3-4，直至植物群落中所有植株个体的边缘检测效果评价函数计算完成。
6.根据权利要求1所述的方法，其特征在于，在步骤4中，包括以下步骤：
子步骤4-1，对植物群落中所有植物植株个体的边缘检测效果评价函数按数值高低进行排序；边缘检测效果评价函数计算数值较高的，具有较高的排序优先级；反之，边缘检测效果评价函数计算数值较低的，具有较低的排序优先级；
子步骤4-2，按照开花概率选择单个植物植株；较高的排序优先级具有较高的开花概率，更容易被选择；反之，较低的排序优先级具有较低的开花概率，更不容易被选择；
子步骤4-3，所有被选择的单个植物植株添加进植物群落开花集合，开花集合中的每一个植物植株均进入步骤5，进行植物群落结果计算；反之，未选择到开花集合的植物植株被放弃，不进行步骤5，不进行植物群落结果计算。
7.根据权利要求1所述的方法，其特征在于，在步骤5中，包括以下步骤：
子步骤5-1，植物群落开花集合中的单个植物植株个体随机选择一个邻居植物植株个体，按照植物群落结果概率学习邻居植物植株个体的一部分边缘，这两个植物植株个体组成邻居对，以成对方式添加进植物群落结果邻居对集合中；
子步骤5-2，不断循环子步骤5-1，直至植物群落开花集合中的所有植物植株个体均被选入植物群落结果邻居对集合中，即植物群落开花集合中每一个植物植株个体均出现在植物群落结果邻居对集合的邻居对中；
子步骤5-3，植物群落结果邻居对集合中每一对植物植株个体按照植物群落结果概率互相交换一部分边缘信息；植物群落开花集合中的单个植物植株个体允许多次被邻居植物植株个体选中，允许同时出现在多个邻居对中；
子步骤5-4，植物群落结果邻居对集合中每个邻居对中的植物植株个体，根据互相交换的一部分边缘信息调整植物植株个体，重新构建新边缘，并将新边缘中的像素点添加进单个植物植株个体中；
子步骤5-5，使用滤波函数计算植物植株个体的平均噪声水平，并判断平均噪声水平是否符合预定的噪声阈值，对于超过预定噪声阈值的像素点进行滤波，以减少噪声的影响；
子步骤5-6，计算植物群落结果邻居对集合中每个植物植株个体的边缘检测效果评价函数值；
子步骤5-7，依次不断循环子步骤5-1，子步骤5-2，子步骤5-3，子步骤5-4，子步骤5-5，子步骤5-6，直至植物群落结果邻居对集合中的全部植物植株个体的边缘检测效果评价函数计算完成。
8.根据权利要求1所述的方法，其特征在于，包括以下步骤：
子步骤6-1，对植物群落结果邻居对集合中全部植物植株个体的边缘检测效果评价函数进行排序；边缘检测效果评价函数计算数值较高的，具有较高的排序优先级；反之，边缘检测效果评价函数计算数值较低的，具有较低的排序优先级；
子步骤6-2，选出具有最高排序优先级的植物植株个体的边缘检测效果评价函数；
子步骤6-3，比较子步骤6-2所得出的具有最高优先级的植物植株个体的边缘检测效果评价函数，与步骤2-5计算出播种操作步骤中具有最高优先级的植物植株个体的边缘检测效果评价函数，两者进行数值大小的比较，并选出具有最高优先级的植物植株个体，及对应的边缘检测效果评价函数；
子步骤6-4，判断迭代计算次数是否符合预定的迭代计算次数限制，如果符合，则结束计算，将步骤6-3中得到的最高优先级的植物植株个体的边缘检测效果评价函数输出，并输出对应植物植株个体的数值，作为待检测图像的最优边缘检测图像；反之，如果不符合预定的迭代计算次数限制，则进行步骤6-5；
子步骤6-5，如果子步骤6-2所得出的边缘检测效果评价函数值更高，且高于结束误差判断阈值，则按植物群落种群数量的一半来选择子步骤6-1中排序优先级最高的那些植物植株个体，添加进子步骤2-1中植物植株播种集合；进一步地，按植物群落种群数量的一半来选择子步骤2-4中排序优先级最高的那些植物植株个体，也添加进步骤2-1中植物植株播种集合；两部分植物植株个体重新组成新的植物群落种群，重新进行播种操作，返回子步骤2-4，重新开始下一次计算，并记录迭代计算次数；反之，如果子步骤6-2所得出的边缘检测效果评价函数值更低，或与子步骤2-5中排序优先级最高的边缘检测效果评价函数值的差值不高于结束误差判断阈值，则不再进行播种操作，结束计算，将子步骤6-3中得到的最高优先级的植物植株的边缘检测效果评价函数输出，并输出对应植物植株个体的数值，作为待检测图像的最优边缘检测图像。
CN202210142919.9A 2022-02-16 2022-02-16 一种基于植物群落行为的图像边缘检测方法 Active CN114581470B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210142919.9A CN114581470B (zh) 2022-02-16 2022-02-16 一种基于植物群落行为的图像边缘检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210142919.9A CN114581470B (zh) 2022-02-16 2022-02-16 一种基于植物群落行为的图像边缘检测方法

Publications (2)

Publication Number Publication Date
CN114581470A CN114581470A (zh) 2022-06-03
CN114581470B true CN114581470B (zh) 2024-04-30

Family

ID=81770448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210142919.9A Active CN114581470B (zh) 2022-02-16 2022-02-16 一种基于植物群落行为的图像边缘检测方法

Country Status (1)

Country Link
CN (1) CN114581470B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342656B (zh) * 2023-03-29 2024-04-26 华北电力大学 一种基于自适应边缘检测的时空图像测速方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760813A (zh) * 2016-01-19 2016-07-13 北京航空航天大学 一种基于植物枝根演化行为的无人机目标检测方法
CN106991147A (zh) * 2017-03-27 2017-07-28 重庆大学 一种植物识别系统及识别方法
KR101822410B1 (ko) * 2016-07-22 2018-01-29 아인정보기술 주식회사 작물 영상을 사용한 작물 생육 진단 장치
CN113744296A (zh) * 2021-08-24 2021-12-03 三峡大学 一种基于人工黏菌群体智能的图像边缘检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760813A (zh) * 2016-01-19 2016-07-13 北京航空航天大学 一种基于植物枝根演化行为的无人机目标检测方法
KR101822410B1 (ko) * 2016-07-22 2018-01-29 아인정보기술 주식회사 작물 영상을 사용한 작물 생육 진단 장치
CN106991147A (zh) * 2017-03-27 2017-07-28 重庆大学 一种植物识别系统及识别方法
CN113744296A (zh) * 2021-08-24 2021-12-03 三峡大学 一种基于人工黏菌群体智能的图像边缘检测方法

Also Published As

Publication number Publication date
CN114581470A (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN106228185B (zh) 一种基于神经网络的通用图像分类识别系统及方法
CN107392919B (zh) 基于自适应遗传算法的灰度阈值获取方法、图像分割方法
CN112347970B (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN112115967B (zh) 一种基于数据保护的图像增量学习方法
CN106446942A (zh) 基于增量学习的农作物病害识别方法
CN103942571B (zh) 一种基于遗传规划算法的图形图像分类方法
Barman et al. Transfer learning for small dataset
CN110310345A (zh) 一种基于自动分工隐聚类生成对抗网络的图像生成方法
CN113963165B (zh) 一种基于自监督学习的小样本图像分类方法及系统
CN111611972B (zh) 基于多视图多任务集成学习的作物叶片种类识别方法
CN110853070A (zh) 基于显著性与Grabcut的水下海参图像分割方法
CN112509017B (zh) 一种基于可学习差分算法的遥感影像变化检测方法
CN107194415A (zh) 一种基于拉普拉斯中心性的峰值聚类方法
CN114581470B (zh) 一种基于植物群落行为的图像边缘检测方法
CN115376008A (zh) 病虫害识别方法、装置、电子设备和存储介质
CN118447297A (zh) 一种基于知识蒸馏的轻量化农作物病害识别方法
CN110287990A (zh) 微型藻类图像分类方法、系统、设备及存储介质
CN112907503B (zh) 基于自适应卷积神经网络的南美白对虾品质检测方法
Rizvi et al. Revolutionizing agriculture: Machine and deep learning solutions for enhanced crop quality and weed control
CN110047088B (zh) 一种基于改进教与学优化算法的ht-29图像分割方法
Hammouch et al. A two-stage deep convolutional generative adversarial network-based data augmentation scheme for agriculture image regression tasks
CN111723864A (zh) 基于主动学习使用互联网图片进行对抗训练的方法及装置
CN111353525A (zh) 一种不均衡不完整数据集的建模及缺失值填补方法
CN104021563B (zh) 基于多目标模糊聚类和反对学习的噪声图像分割方法
CN114663312A (zh) 一种针对图像降噪的网络自动搜索方法及图像降噪方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240814

Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Patentee after: Shenzhen Hengyuan Zhida Information Technology Co.,Ltd.

Country or region after: China

Address before: 443002 No. 8, University Road, Xiling District, Yichang, Hubei

Patentee before: CHINA THREE GORGES University

Country or region before: China