CN117372462A - 一种高精度的水下低光目标边缘检测方法 - Google Patents
一种高精度的水下低光目标边缘检测方法 Download PDFInfo
- Publication number
- CN117372462A CN117372462A CN202311639180.3A CN202311639180A CN117372462A CN 117372462 A CN117372462 A CN 117372462A CN 202311639180 A CN202311639180 A CN 202311639180A CN 117372462 A CN117372462 A CN 117372462A
- Authority
- CN
- China
- Prior art keywords
- edge
- pheromone
- ant
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003708 edge detection Methods 0.000 title claims abstract description 27
- 239000003016 pheromone Substances 0.000 claims abstract description 74
- 241000257303 Hymenoptera Species 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000007704 transition Effects 0.000 claims abstract description 13
- 230000008447 perception Effects 0.000 claims abstract description 12
- 230000002787 reinforcement Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 241000894007 species Species 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 101150064138 MAP1 gene Proteins 0.000 claims description 2
- 101150077939 mapA gene Proteins 0.000 claims description 2
- 241000251468 Actinopterygii Species 0.000 abstract description 16
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 14
- 238000012634 optical imaging Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000002592 echocardiography Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 241001518384 Ichthyococcus ovatus Species 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种高精度的水下低光目标边缘检测方法，属于水下低光图像数据处理分析技术领域，过程包括：采集水下低光鱼类图像数据并进行预处理；初始化蚁群优化算法ACO相关参数；利用双种群策略将ACO算法分为两个种群，分别专注于全局搜索与局部搜索；基于强化学习的Q函数设计蚁群信息的更新策略，并迭代得到信息素矩阵的强度阈值；通过将信息素矩阵中的元素与强度阈值进行比较，若信息素矩阵中元素的值大于阈值，则对应像素点具有更显著边缘特征，以此实现目标边缘检测。本发明创新性将强化学习思想应用于人工蚂蚁的移动过程中，通过调整感知半径的策略来计算每个像素的转移概率，避免在水下低光环境下图像边缘的未检测或误检测问题。
Description
技术领域
本发明属于水下低光图像数据处理分析技术领域，尤其涉及一种高精度的水下低光目标边缘检测方法。
背景技术
近年来，随着科技的飞速发展，水下光学成像设备经历了不断的进步和创新，为水下领域的研究和应用提供了前所未有的机会。这一领域的技术不断演进，取得了显著的进展，推动了水下目标检测技术的不断完善和广泛应用。水下光学成像产生高分辨率和丰富信息的图像，因此在短距离水下目标检测任务中具有出色的优势。然而，由于水中光线的吸收和散射等影响，水下光学成像系统所捕获的图像往往会面临诸如噪声干扰增加、纹理特征模糊、对比度降低以及颜色失真等问题。
现存的水下目标检测技术主要涵盖以下三种：光学成像技术、声纳成像技术以及水下激光雷达（LIDAR）技术。
光学成像技术：光学成像技术使用可见光或红外光在水下环境中拍摄图像，然后通过图像处理和计算机视觉算法来检测和识别水下目标。然而，这一技术在深水或水质差的情况下，光线吸收和散射会导致图像质量下降，限制了成像深度。
声纳成像技术：声纳成像技术使用声波在水下传播，测量声波的回波来创建水下图像，通过分析回波来检测目标。然而，声纳图像通常分辨率较低，难以捕捉细节，并且受到背景噪声和多路径干扰的影响，使得目标检测和跟踪更加复杂。
水下激光雷达（LIDAR）技术：LIDAR使用激光束在水下环境中扫描并测量目标的距离，通过激光的回波来创建高分辨率的水下地形图或目标图像。然而，这一技术对于透明或散射性很高的目标，激光雷达性能可能受到限制，并且成本较高，通常只用于专业水下任务。
因此，光学成像技术在深水和水质较差的情况下会导致图像质量下降，声纳成像技术具有较低的分辨率，容易受到噪声和多路径干扰的干扰，而水下激光雷达技术在处理透明或高散射性目标时性能受限，同时成本也较高。这些因素在一定程度上引发了水下低光目标检测的不稳定性和精度不佳的问题。
发明内容
针对上述问题，本发明提出了一种高精度的水下低光目标边缘检测方法，包括以下步骤：
S1，获取水下低光图像数据，对图像数据进行预处理，并将预处理后的图像映射为像素的二维网格，每个像素对应网格中的一个单元格；
S2，构建目标边缘检测的初始化模型，模型以蚁群优化ACO算法为核心检测算法，对ACO算法相关参数初始化；
S3，利用双种群策略将ACO算法分为两个种群，分别专注于全局搜索与局部搜索，用于寻找最优解迭代方向，即寻找待检测目标边缘的方向信息；
基于强化学习的Q函数设计蚁群信息的更新策略；
S4，将预处理后的图像输入到模型当中；结合得到的搜索结果迭代更新蚁群位置，以逼近被检测目标的边缘特征；
S5，完成迭代更新，对迭代优化结果进行分析处理得到目标边缘的检测结果。
优选的，所述S1中对图像数据进行预处理，通过高斯滤波和白平衡对初始数据进行预处理，利用高斯滤波降低初始数据/>中的噪声，计算如式（1）所示：
(1)
其中，为滤波后的图像，/>为原始图像，/>为高斯核的权重；
然后利用白平衡进行颜色校正，以消除水下颜色偏差，计算如式2所示：
(2)
其中，为平衡后的图像，/>为白平衡系数。
优选的，所述S2中构建目标边缘检测的初始化模型并对ACO算法相关参数初始化具体为：
在ACO算法中，定义数量为的蚁群群体，并且蚁群个体在水下低光图像的像素空间中随机分布；每只人工蚂蚁被视为一个搜索空间中的个体，通过持续地更新蚁群的位置或路径探索潜在解空间，并寻找最优解决方案；将信息素的初始值设置为一个随机值，人工蚂蚁不断在图像网格中移动像素以释放信息素，当达到收敛时间的阈值或给定的次数时，拥有更高信息素数值的像素将有更高概率被判定为图像的边缘。
优选的，所述S3中利用双种群策略将ACO算法分为两个种群，种群一的蚂蚁以较高的概率朝着原始方向前进，在搜索的初始阶段执行全局搜索，以尽快找到最优解；种群二的蚂蚁则以较低的概率朝着与原方向相同的方向前进，更多地选择围绕当前位置移动，并进行局部搜索，以寻找取得最优解的迭代方向；计算如式3所示：
(3)
其中，是控制第i个种群蚂蚁运动方向的方位角因子，/>是方位角因子的影响因子；/>表示蚂蚁种群数量，/>表示蚂蚁当前像素坐标，表示蚂蚁的前一个像素坐标，/>表示蚂蚁的下一个像素坐标。
优选的，所述S3中蚁群信息的更新策略为变化的感知半径策略，其过程为：
感知半径定义为蚂蚁在解空间中搜索或感知邻域的距离，用于确定蚂蚁在搜索时与其他蚂蚁或问题空间中的元素之间的交互范围，考虑到每个像素周围的实际情况，对不同像素使用不同的感知半径；
蚁群中每个蚂蚁的信息更新主要取决于参数和/>，其中/>表示蚂蚁位置移动行为，/>表示感知半径；在蚂蚁的运动过程中，感知半径由/>决定，计算如式（4）所示：
(4)
其中，由强化学习中的奖励函数Q函数确定，计算如式5所示：
(5)。
优选的，根据所述感知半径的选择结果，所述Q函数的迭代过程为：
Q函数即是通过在状态/>中执行动作/>并选择感知半径/>获得的最大奖励；Q函数最初设置为随机正值，在每个人工蚂蚁移动后，Q函数迭代公式如式（6）所示：
(6)
其中，是应用/>动作后/>的下一个状态，/>表示衰变值，/>越接近于1代表它会着重考虑后续状态的价值，/>越接近0代表它会着重考虑当前利益的影响。
优选的，所述S4中结合得到的搜索结果迭代更新蚁群位置，具体为：
为更新蚁群的位置信息，蚂蚁的转移概率被界定为条件概率分布，规定在搜索问题解空间中蚂蚁选择下一个状态或路径的概率，从而促使其寻找最优路径；转移概率的计算基于信息素浓度与启发式信息，转移概率/>在方程式中定义如式7所示：
(7)
其中，表示信息素所在位置/>的浓度，/>表示像素/>的启发式信息，/>表示包含像素/>的邻域集合，/>表示/>的影响因子，/>表示/>的影响因子，/>表示/>的影响因子。
优选的，所述启发式信息的计算过程为：
启发式信息指导人工蚂蚁的运动趋势，基于图像的梯度信息计算，评估像素的边缘强度，启发式信息越大，表示该像素更可能是边缘像素，蚂蚁在搜索过程中更可能选择该像素作为下一步的移动目标，启发式函数定义如式（8）所示：
(8)
其中，表示图像中像素点/>处的梯度值，用来表示图像中的边缘信息；/>和/>定义如式（9）、式（10）所示：
(9)
(10)。
优选的，所述蚂蚁的转移概率的计算包括更新当前像素上的信息素浓度的过程，具体为：
基于人工蚂蚁的移动轨迹和搜索成果来更新信息素，通过增加或减少信息素浓度以映射路径的质量，当其他人工蚂蚁在搜索过程中遇到相同的路径时，会更倾向于选择具有更高信息素浓度的路径，从而增加寻找最优解的概率；
在每次人工蚂蚁完成一步移动后，访问像素上的信息素定义如公式（11）所示：
(11)
其中，表示蒸发系数，人工蚂蚁移动到像素/>后的奖励定义为该像素/>和其相邻像素之间的信息素差值，定义如公式（12）所示：
(12)
利用公式对Q函数进行迭代更新，信息素矩阵的迭代更新定义如公式（13）所示：
(13)
其中，表示信息素的衰减系数，防止在路径中积累过多的信息素，以避免陷入局部优化状态，/>是初始信息素矩阵。
优选的，所述S5具体为：
基于最终的信息素矩阵信息，首先进行如下强度阈值计算：
S51，选择信息素矩阵中的平均值，并将/>用作阈值的初始值；
S52，将信息素矩阵分成两组：第一组包括大于的元素，另一组包括小于/>的元素；
S53，计算这两组的平均值，即和/>，并令/>；
S54，重复上述三个步骤，直到不再改变，然后将/>作为阈值；
如果信息素矩阵中的元素值小于，那么该像素被分类为非边缘像素，因此这些区域被排除在目标边缘检测的考虑之外；反之，如果信息素矩阵中的元素值大于/>，则相应的像素被分类为目标边缘像素，表示信息素在该位置的积累已达到足够高的水平，暗示存在图像边缘或显著的特征，高信息素浓度位置对应于潜在的目标物体的边缘，以此实现目标边缘的检测。
与现有技术相比，本发明创新性地将强化学习的思想应用于人工蚂蚁的移动过程中，通过调整感知半径的策略来计算每个像素的转移概率，避免在水下低光环境下图像边缘的未检测或误检测问题。为水下低光目标检测领域带来了一种具有高度可行性和性能优越性的解决方案。并且这一技术成功地解决图像边缘检测中的模糊边缘像素和噪声问题，这使得该技术适用于实际复杂的水下低光目标检测环境。
附图说明
为了更清楚地说明本发明或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单的介绍，显而易见地，下面描述的仅仅是本发明的一个实施例，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附图。
图1为本发明水下低光目标边缘检测方法的逻辑框图。
图2为实施例中获取的水下低光鱼类图像数据示意图。
图3为实施例中预处理后水下低光鱼类图像数据示意图。
图4为实施例中迭代优化的目标边缘逼近过程图。
图5实施例中为目标边缘检测结果验证图。
具体实施方式
下面结合具体实施例对发明进行进一步说明。
为提高水下低光目标图像边缘检测的准确性和抗噪性能，本发明提出了一种基于双蚁群协同优化算法的水下低光目标边缘检测方法，本发明将强化学习和双蚁群优化结合在一起，通过引入新的算法和策略，旨在避免图像边缘中的未检测和误检测等问题，使其在复杂的水下低光环境中表现出更好的性能，从而满足水下任务和研究的需求。
本发明的整体逻辑如图1所示，并包括以下关键步骤：首先，采集水下低光图像数据，进行预处理。其次，初始化蚁群优化（ACO）算法相关参数。然后，利用双种群策略将ACO算法分为两个种群，分别专注于全局搜索与局部搜索。然后，基于强化学习的Q函数设计蚁群信息的更新策略，并迭代得到信息素矩阵的强度阈值。然后，通过将信息素矩阵中的元素与强度阈值进行比较。如果信息素矩阵中元素的值大于阈值，则对应的像素点具有更显著的边缘特征，以此实现目标边缘的检测。最后，结合原始图像和边缘图像可视化携带边缘结构信息的图像。
本实施例以水下低光鱼类图像为例，对本发明的方法展开进一步说明。
1.获取水下低光图像数据，对图像数据进行预处理，并将预处理后的图像映射为像素的二维网格，每个像素对应网格中的一个单元格。
水下低光鱼类目标边缘检测前需要进行数据采集，采用配备水下相机的水下载具，该相机具备适应水下低光条件的能力。数据采集的目标为获取水下鱼类图像。水下相机能够捕捉到水下鱼类的活动、形态和特征。相机的低光性能使其能够在水下低光环境下获得清晰的图像，所采集到的水下低光鱼类数据如图2所示。因此，使用水下相机得到初始水下低光鱼类图像数据/>，其中/>表示坐标。
为了减少噪声和颜色偏差，从而提高目标边缘检测模型的准确性和可靠性。本发明通过高斯滤波和白平衡对初始数据进行预处理，利用高斯滤波降低初始数据/>中的噪声，计算如式1所示。
（1）
其中，为滤波后的图像，/>为原始图像，/>为高斯核的权重。
利用白平衡进行颜色校正，以消除水下颜色偏差，计算如式2所示。
（2）
其中，为平衡后的图像，/>为白平衡系数。
经过高斯滤波和白平衡预处理后的数据如图3所示。
2.构建目标边缘检测的初始化模型，模型以蚁群优化ACO算法为核心检测算法，对ACO算法相关参数初始化。
本实施例致力于水下鱼类图像，实施鱼类轮廓特征的探测，旨在识别和提取鱼类的形状信息。预处理后的图像被映射为一个/>像素的二维网格，其中每个像素对应着网格中的一个单元格。
在ACO算法中，定义数量为的蚁群群体，并且蚁群个体在鱼类图像的像素空间中随机分布。每只人工蚂蚁被视为一个搜索空间中的个体，通过持续地更新蚁群的位置（或路径）探索潜在解空间，并寻找最优解决方案。将信息素的初始值设置为一个随机值，人工蚂蚁不断在图像网格中移动像素以释放信息素，当达到收敛时间的阈值或给定的次数时，拥有更高信息素数值的像素将更有可能被判定为图像的边缘。
3.利用双种群策略将ACO算法分为两个种群，分别专注于全局搜索与局部搜索，用于寻找最优解迭代方向，即寻找待检测目标边缘的方向信息；
基于强化学习的Q函数设计蚁群信息的更新策略。
为防止ACO算法造成局部优化的结果，本技术引入双种群策略，该策略初始化两个种群，种群一的蚂蚁以较高的概率朝着原始方向前进，在搜索的初始阶段执行全局搜索，以尽快找到最优解。种群二的蚂蚁则以较低的概率朝着与原方向相同的方向前进，更多地选择围绕当前位置移动，并进行局部搜索，以寻找取得最优解的迭代方向。计算如式3所示：
（3）
其中，是控制第i个种群蚂蚁运动方向的方位角因子，/>是方位角因子的影响因子。/>表示蚂蚁种群数量，/>表示蚂蚁当前像素坐标，/>表示蚂蚁的前一个像素坐标，/>表示蚂蚁的下一个像素坐标。
蚁群信息的更新策略为变化的感知半径策略，其过程为：
在ACO算法中，感知半径定义为蚂蚁在解空间中搜索或感知邻域的距离，用于确定蚂蚁在搜索时与其他蚂蚁或问题空间中的元素之间的交互范围。在计算人工蚂蚁的像素梯度信息时，感知半径的选择会影响人工蚂蚁的感知范围，从而影响目标边缘检测的效果，因此，考虑到每个像素周围的实际情况，对不同像素使用不同的感知半径。
蚁群中每个蚂蚁的信息更新主要取决于参数和/>，其中/>表示蚂蚁位置移动行为，/>表示感知半径。在蚂蚁的运动过程中，感知半径由/>决定，计算如式4所示：
（4）
其中，由强化学习中的奖励函数Q函数确定，计算如式5所示：
（5）。
根据感知半径的选择结果，Q函数的迭代过程包括：
Q函数，即是通过在状态/>中执行动作/>并选择感知半径/>获得的最大奖励。Q函数最初设置为随机正值。在每个人工蚂蚁移动后，Q函数迭代公式如式6所示：
（6）
其中，是应用/>动作后/>的下一个状态。/>表示衰变值，/>越接近于1代表它会着重考虑后续状态的价值，/>越接近0代表它会着重考虑当前利益的影响。
4.将预处理后的图像输入到模型当中；结合得到的搜索结果迭代更新蚁群位置，以逼近被检测目标的边缘特征。
结合得到的搜索结果迭代更新蚁群位置，具体为：
为了更新蚁群的位置信息，蚂蚁的转移概率被界定为条件概率分布，规定了在搜索问题解空间中蚂蚁选择下一个状态或路径的概率，从而促使其寻找最优路径。转移概率的计算主要基于信息素浓度与启发式信息。转移概率/>在方程式中定义如式7所示：
（7）
其中，表示信息素所在位置/>的浓度，/>表示像素/>的启发式信息。/>表示包含像素/>的邻域集合。/>表示/>的影响因子，/>表示/>的影响因子，/>表示/>的影响因子。
启发式信息的计算过程包括：
启发式信息指导人工蚂蚁的运动趋势，基于图像的梯度信息计算，用于评估像素的边缘强度。启发式信息越大，表示该像素更有可能是边缘像素，蚂蚁在搜索过程中更有可能选择该像素作为下一步的移动目标。启发式函数定义如式8所示：
（8）
其中，表示图像中像素点/>处的梯度值，用来表示图像中的边缘信息。/>和/>定义如式9、式10所示：
（9）
（10）
蚂蚁的转移概率的计算包括更新当前像素上的信息素浓度的过程，具体为：
基于人工蚂蚁的移动轨迹和搜索成果来更新信息素，通过增加或减少信息素浓度以映射路径的质量。当其他人工蚂蚁在搜索过程中遇到相同的路径时，它们会更有倾向于选择具有更高信息素浓度的路径，从而增加寻找最优解的概率。
在每次人工蚂蚁完成一步移动后，访问像素上的信息素定义如公式11所示：
（11）
其中，表示蒸发系数。人工蚂蚁移动到像素/>后的奖励定义为该像素/>和其相邻像素之间的信息素差值，定义如公式12所示：
（12）
利用公式（6）对Q函数进行迭代更新，信息素矩阵的迭代更新定义如公式13所示：
（13）
其中，表示信息素的衰减系数，其作用在于防止在路径中积累过多的信息素，以避免陷入局部优化状态。/>是初始信息素矩阵。
通过连续的迭代过程，蚁群算法逐渐逼近被检测目标的最佳边缘位置，该过程如图4所示。在这一过程中，蚁群基于信息素浓度的引导，并根据预设的更新策略逐渐调整位置，最终逼近和定位待检测鱼类的边缘位置信息。这个过程可被看作一种启发式搜索策略，通过模拟蚁群的行为，使算法逐渐搜索并接近最优的目标边缘。其中在边缘图像的可视化中，鱼类边缘信息以黑色点的形式呈现，这些黑点代表蚂蚁在搜索过程中的信息素浓度，信息素浓度越高，颜色越深。因此，随着蚁群算法的迭代更新优化，被检测目标的边缘检测结果逐渐准确清晰。当达到阈值迭代次数时，搜索终止，然后使用最终的信息素矩阵来检测图像中的边缘。
5.完成迭代更新，对迭代优化结果进行分析处理得到目标边缘的检测结果。
基于最终的信息素矩阵信息，首先进行如下强度阈值计算：
S1，选择信息素矩阵中的平均值，并将/>用作阈值的初始值；
S2，将信息素矩阵分成两组：第一组包括大于的元素，另一组包括小于/>的元素；
S3，计算这两组的平均值，即和/>，并令/>。
S4，重复上述三个步骤，直到不再改变，然后将/>作为阈值。
如果信息素矩阵中的元素值小于，那么该像素被分类为非边缘像素，因此这些区域被排除在目标边缘检测的考虑之外。反之，如果信息素矩阵中的元素值大于/>，则相应的像素被分类为目标边缘像素，这表示信息素在该位置的积累已达到足够高的水平，暗示存在图像边缘或显著的特征。高信息素浓度位置对应于潜在的目标物体的边缘，以此实现目标边缘的检测。
针对该过程进行了以下实例结果展示，其中红色像素（深色像素）即为高信息素浓度位置的可视化结果：
为了验证目标检测性能，针对目标检测结果的准确性进行了可视化展示。通过将可视化的鱼类边缘图像与原始鱼类图像叠加，以直观对比并分析两者之间的差异。该过程不仅有助于确定技术是否能够有效地捕捉鱼类的边缘特征，还能评估其对噪声和其他干扰因素的鲁棒性。可视化的边缘信息检测结果验证图像如图5所示，目标图像轮廓与优化算法得到的检测结果保持高度一致性，这表明本技术发明的低光目标检测方法的有效性和准确性。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述虽然对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种高精度的水下低光目标边缘检测方法，其特征在于，包括以下步骤：
S1，获取水下低光图像数据，对图像数据进行预处理，并将预处理后的图像映射为像素的二维网格，每个像素对应网格中的一个单元格；
S2，构建目标边缘检测的初始化模型，模型以蚁群优化ACO算法为核心检测算法，对ACO算法相关参数初始化；
S3，利用双种群策略将ACO算法分为两个种群，分别专注于全局搜索与局部搜索，用于寻找最优解迭代方向，即寻找待检测目标边缘的方向信息；
基于强化学习的Q函数设计蚁群信息的更新策略；
S4，将预处理后的图像输入到模型当中；结合得到的搜索结果迭代更新蚁群位置，以逼近被检测目标的边缘特征；
S5，完成迭代更新，对迭代优化结果进行分析处理得到目标边缘的检测结果。
2.如权利要求1所述的一种高精度的水下低光目标边缘检测方法，其特征在于：
所述S1中对图像数据进行预处理，通过高斯滤波和白平衡对初始数据进行预处理，利用高斯滤波降低初始数据/>中的噪声，计算如式（1）所示：
(1)
其中，为滤波后的图像，/>为原始图像，/>为高斯核的权重；
然后利用白平衡进行颜色校正，以消除水下颜色偏差，计算如式2所示：
(2)
其中，为平衡后的图像，/>为白平衡系数。
3.如权利要求1所述的一种高精度的水下低光目标边缘检测方法，其特征在于，所述S2中构建目标边缘检测的初始化模型并对ACO算法相关参数初始化具体为：
在ACO算法中，定义数量为的蚁群群体，并且蚁群个体在水下低光图像的像素空间中随机分布；每只人工蚂蚁被视为一个搜索空间中的个体，通过持续地更新蚁群的位置或路径探索潜在解空间，并寻找最优解决方案；将信息素的初始值设置为一个随机值，人工蚂蚁不断在图像网格中移动像素以释放信息素，当达到收敛时间的阈值或给定的次数时，拥有更高信息素数值的像素将有更高概率被判定为图像的边缘。
4.如权利要求1所述的一种高精度的水下低光目标边缘检测方法，其特征在于，所述S3中利用双种群策略将ACO算法分为两个种群，种群一的蚂蚁以较高的概率朝着原始方向前进，在搜索的初始阶段执行全局搜索，以尽快找到最优解；种群二的蚂蚁则以较低的概率朝着与原方向相同的方向前进，更多地选择围绕当前位置移动，并进行局部搜索，以寻找取得最优解的迭代方向；计算如式3所示：
(3)
其中，是控制第i个种群蚂蚁运动方向的方位角因子，/>是方位角因子/>的影响因子；/>表示蚂蚁种群数量，/>表示蚂蚁当前像素坐标，/>表示蚂蚁的前一个像素坐标，/>表示蚂蚁的下一个像素坐标。
5.如权利要求4所述的一种高精度的水下低光目标边缘检测方法，其特征在于，所述S3中蚁群信息的更新策略为变化的感知半径策略，其过程为：
感知半径定义为蚂蚁在解空间中搜索或感知邻域的距离，用于确定蚂蚁在搜索时与其他蚂蚁或问题空间中的元素之间的交互范围，考虑到每个像素周围的实际情况，对不同像素使用不同的感知半径；
蚁群中每个蚂蚁的信息更新主要取决于参数和/>，其中/>表示蚂蚁位置移动行为，/>表示感知半径；在蚂蚁的运动过程中，感知半径由/>决定，计算如式（4）所示：
(4)
其中，由强化学习中的奖励函数Q函数确定，计算如式5所示：
(5)。
6.如权利要求5所述的一种高精度的水下低光目标边缘检测方法，其特征在于，根据所述感知半径的选择结果，所述Q函数的迭代过程为：
Q函数即是通过在状态/>中执行动作/>并选择感知半径/>获得的最大奖励；Q函数最初设置为随机正值，在每个人工蚂蚁移动后，Q函数迭代公式如式（6）所示：
(6)
其中，是应用/>动作后/>的下一个状态，/>表示衰变值，/>越接近于1代表它会着重考虑后续状态的价值，/>越接近0代表它会着重考虑当前利益的影响。
7.如权利要求1所述的一种高精度的水下低光目标边缘检测方法，其特征在于，所述S4中结合得到的搜索结果迭代更新蚁群位置，具体为：
为更新蚁群的位置信息，蚂蚁的转移概率被界定为条件概率分布，规定在搜索问题解空间中蚂蚁选择下一个状态或路径的概率，从而促使其寻找最优路径；转移概率的计算基于信息素浓度与启发式信息，转移概率/>在方程式中定义如式7所示：
(7)
其中，表示信息素所在位置/>的浓度，/>表示像素/>的启发式信息，/>表示包含像素/>的邻域集合，/>表示/>的影响因子，/>表示/>的影响因子，表示/>的影响因子。
8.如权利要求7所述的一种高精度的水下低光目标边缘检测方法，其特征在于，所述启发式信息的计算过程为：
启发式信息指导人工蚂蚁的运动趋势，基于图像的梯度信息计算，评估像素的边缘强度，启发式信息越大，表示该像素更可能是边缘像素，蚂蚁在搜索过程中更可能选择该像素作为下一步的移动目标，启发式函数定义如式（8）所示：
(8)
其中，表示图像中像素点/>处的梯度值，用来表示图像中的边缘信息；和/>定义如式（9）、式（10）所示：
(9)
(10)。
9.如权利要求7所述的一种高精度的水下低光目标边缘检测方法，其特征在于，所述蚂蚁的转移概率的计算包括更新当前像素上的信息素浓度的过程，具体为：
基于人工蚂蚁的移动轨迹和搜索成果来更新信息素，通过增加或减少信息素浓度以映射路径的质量，当其他人工蚂蚁在搜索过程中遇到相同的路径时，会更倾向于选择具有更高信息素浓度的路径，从而增加寻找最优解的概率；
在每次人工蚂蚁完成一步移动后，访问像素上的信息素定义如公式（11）所示：
(11)
其中，表示蒸发系数，人工蚂蚁移动到像素/>后的奖励定义为该像素/>和其相邻像素之间的信息素差值，定义如公式（12）所示：
(12)
利用公式对Q函数进行迭代更新，信息素矩阵的迭代更新定义如公式（13）所示：
(13)
其中，表示信息素的衰减系数，防止在路径中积累过多的信息素，以避免陷入局部优化状态，/>是初始信息素矩阵。
10.如权利要求1所述的一种高精度的水下低光目标边缘检测方法，其特征在于，所述S5具体为：
基于最终的信息素矩阵信息，首先进行如下强度阈值计算：
S51，选择信息素矩阵中的平均值，并将/>用作阈值的初始值；
S52，将信息素矩阵分成两组：第一组包括大于的元素，另一组包括小于/>的元素；
S53，计算这两组的平均值，即和/>，并令/>；
S54，重复上述三个步骤，直到不再改变，然后将/>作为阈值；
如果信息素矩阵中的元素值小于，那么该像素被分类为非边缘像素，这些区域被排除在目标边缘检测的考虑之外；反之，如果信息素矩阵中的元素值大于/>，则相应的像素被分类为目标边缘像素，表示信息素在该位置的积累已达到足够高的水平，暗示存在图像边缘或显著的特征，高信息素浓度位置对应于潜在的目标物体的边缘，以此实现目标边缘的检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311639180.3A CN117372462B (zh) | 2023-12-04 | 2023-12-04 | 一种高精度的水下低光目标边缘检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311639180.3A CN117372462B (zh) | 2023-12-04 | 2023-12-04 | 一种高精度的水下低光目标边缘检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117372462A true CN117372462A (zh) | 2024-01-09 |
| CN117372462B CN117372462B (zh) | 2024-03-29 |
Family
ID=89398740
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311639180.3A Active CN117372462B (zh) | 2023-12-04 | 2023-12-04 | 一种高精度的水下低光目标边缘检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117372462B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184556A (zh) * | 2011-04-29 | 2011-09-14 | 中山大学 | 一种基于蚁群算法的图像边缘检测方法 |
| CN109993721A (zh) * | 2019-04-04 | 2019-07-09 | 电子科技大学成都学院 | 一种基于聚类算法和蚁群算法的图像增强方法 |
| CN116152282A (zh) * | 2023-01-05 | 2023-05-23 | 华北水利水电大学 | 一种基于改进蚁群算法的图像边缘检测方法 |
-
2023
- 2023-12-04 CN CN202311639180.3A patent/CN117372462B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184556A (zh) * | 2011-04-29 | 2011-09-14 | 中山大学 | 一种基于蚁群算法的图像边缘检测方法 |
| CN109993721A (zh) * | 2019-04-04 | 2019-07-09 | 电子科技大学成都学院 | 一种基于聚类算法和蚁群算法的图像增强方法 |
| CN116152282A (zh) * | 2023-01-05 | 2023-05-23 | 华北水利水电大学 | 一种基于改进蚁群算法的图像边缘检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| JUANG, CF 等: "Ant Colony Optimization Incorporated With Fuzzy Q-Learning for Reinforcement Fuzzy Control", IEEE TRANSACTIONS ON SYSTEMS MAN AND CYBERNETICS PART A-SYSTEMS AND HUMANS, 31 May 2009 (2009-05-31) * |
| 惠晓威;常正英;林森;曹益华;: "结合Predator-Prey-AACO的图像边缘检测算法", 激光与光电子学进展, no. 05, 10 May 2015 (2015-05-10) * |
| 殷小莉: "基于蚁群算法的图像边缘检测方法研究", 中国优秀硕士学位论文全文数据库信息科技辑, no. 10, 15 October 2012 (2012-10-15), pages 3 * |
| 陈丹凤 等: "基于强化蚁群算法的机器人路径规划研究", 兵器装备工程学报, vol. 44, no. 06, 30 June 2023 (2023-06-30), pages 241 - 243 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117372462B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112180375B (zh) | 一种基于改进的TrajGRU网络的气象雷达回波外推方法 | |
| CN108830225B (zh) | 太赫兹图像中目标物体的检测方法、装置、设备及介质 | |
| CN115761550A (zh) | 一种基于激光雷达点云和相机图像融合的水面目标检测方法 | |
| CN111505651B (zh) | 一种主动声呐回波图潜在运动目标的特征提取方法 | |
| CN108961307A (zh) | 基于核相关滤波跟踪的圆形目标尺度自适应跟踪方法 | |
| CN112508803B (zh) | 一种三维点云数据的去噪方法、装置及存储介质 | |
| Liu et al. | Image edge recognition of virtual reality scene based on multi-operator dynamic weight detection | |
| CN114373130A (zh) | 一种天基红外暗弱小运动目标检测方法 | |
| CN115690161A (zh) | 一种红外目标搜索检测和跟踪方法及装置 | |
| CN105678773A (zh) | 一种低对比度图像分割方法 | |
| Knöbelreiter et al. | Self-supervised learning for stereo reconstruction on aerial images | |
| Shi et al. | An adaptive grid search algorithm for fitting spherical target of terrestrial LiDAR | |
| CN117372462B (zh) | 一种高精度的水下低光目标边缘检测方法 | |
| CN117152016A (zh) | 基于改进暗通道先验的图像去雾方法及其系统 | |
| Li et al. | Object representation for multi-beam sonar image using local higher-order statistics | |
| Quintana et al. | Towards automatic recognition of mining targets using an autonomous robot | |
| CN113919398B (zh) | 一种基于深度学习的非视域目标信号辨识方法 | |
| CN115620121A (zh) | 一种基于数字孪生的光电目标高精度检测方法 | |
| CN207319290U (zh) | 一种干扰光束远场测试系统 | |
| CN115880572A (zh) | 一种基于异步学习因子的前视声呐目标识别方法 | |
| CN115345845A (zh) | 基于方向梯度直方图的特征融合烟幕干扰效能评估及处理方法及电子设备 | |
| CN111209877B (zh) | 一种复杂场景下基于深度图的红外小目标检测方法 | |
| CN114187195A (zh) | 一种2d前视声呐图像去噪方法 | |
| JP5773935B2 (ja) | シーンにおけるオブジェクトを分類する方法 | |
| Wang et al. | A novel segmentation algorithm for side-scan sonar imagery with multi-object |
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 |