【正文】 高 頻信 息容易丟 失。因?yàn)樵趫D像的采集過程中，圖像的清晰度、緩和效應(yīng)的一些因素會(huì)導(dǎo)致問題，如噪聲、圖像模糊、對(duì)比度不強(qiáng)等，使邊緣的提取或強(qiáng)化受到影響。所謂邊緣[3]，是指圖像之中的灰 度值有明顯突變，例如階躍性的突變使得灰度值由增高到減低，這些變化點(diǎn)像 素的集合就被稱之為邊 緣。根據(jù)查閱的文獻(xiàn)，圖 像技 術(shù)在圖像處 理、圖像分 析和圖像理 解這三 個(gè)層 次中的分 。這些數(shù) 字圖 像處 理技術(shù)，總共可分 為三個(gè)層 次：圖像處 理、圖像分 析和圖像理 解，被共同稱 為圖像工 程。目前它已經(jīng)成為21世紀(jì)信息時(shí)代的一門關(guān)鍵的學(xué)科技術(shù)。因此，人們?cè)谏罨蛘吖ぷ髦?，都不能離開圖像處理?；谙伻核?法的圖像邊緣檢測(cè)，是利用生命體信息激素作為螞蟻路線選擇的基礎(chǔ)，在螞 蟻和食 物之 間找到一條最優(yōu)最 短的路 徑。邊緣信 息包含了圖 像中許多有用信 息，它的算法優(yōu)劣直接影響圖 像分析和圖像處理的效果，以及圖 像分割的準(zhǔn)確性。因此，數(shù) 字圖像處 理技 術(shù)如今已然進(jìn)入到人 們的生 活中。關(guān)鍵詞：圖像處理，邊緣檢測(cè)，蟻群算法Image Edge Detection based on Ant Colony AlgorithmABSTRACTEdge is one of the most fundamental and important features of digital image, including useful information for image recognition. Therefore, edge detection and extraction plays an important role in image processing and puter vision applications, with very high practical value. Over the years, many scholars at home and abroad are studying how to improve the accuracy of edge detection algorithm.Ant colony algorithm is a probabilistic search algorithm developed in recent years. It is a kind of new bionic optimization algorithm using intelligent artificial ants to search the global optimum. This algorithm has strong robustness, positive feedback, parallelism, enlightening and distributed processing and etc. In this paper, an image edge detection method based on ant colony algorithm has been proposed by analyzing the basic principle of ant colony algorithm. And make a deep discussion on the performance and test results of this method. Then, adjusting and improving the method by concentrating on the defect and disadvantage, and move on to the simulation, in order to detect the image edges well. At last, a conclusion that the ant colony algorithm can detect the image edges better has been drawn by paring with other traditional edge detection operators. The experiment show that the research on ant colony algorithm has a strong theoretical and practical value on image edge detection.Key words: image processing, image edge detection, ant colony algorithm基于蟻群算法的圖像邊緣檢測(cè)1 緒論作為對(duì)于客 觀對(duì)象的一 種真實(shí)性描 述或?qū)?真，圖 像常常被用作信息載體在我們的社會(huì)活動(dòng)中。最后通過與傳統(tǒng)邊緣 檢測(cè)算 子相對(duì)比，已表明了該算 法能 夠更好地檢測(cè) 圖像邊 緣。本文通過分析基 本原 理和蟻群算法的特 征點(diǎn)，提 出了一種基 于蟻 群算法的圖 像邊緣檢 測(cè)方法，并對(duì)該方 法的性能和檢 測(cè)結(jié)果進(jìn)行了深入探討。長期以來，如何提高邊 緣檢 測(cè)算法的精度一直都是國內(nèi)外許多學(xué) 者的研 究課題。上海工程技術(shù)大學(xué)畢業(yè)設(shè)計(jì)（論文） 基于蟻群算法的圖像邊緣檢測(cè)基于蟻群算法的圖像邊緣檢測(cè)附代碼畢業(yè)論文目 錄摘 要 1ABSTRACT 21 緒論 3 研究背景 3 研究現(xiàn)狀和發(fā)展方向 4 研究目的和意義 62 圖像邊緣檢測(cè)概述 7 邊緣的定義及類型 9 常用的邊緣檢測(cè)方法 11 其他邊緣檢測(cè)方法 16 基于小波變換的邊緣檢測(cè) 16 基于數(shù)學(xué)形態(tài)學(xué)的邊緣檢測(cè) 17 傳統(tǒng)邊緣檢測(cè)的不足 183 蟻群算法 19 蟻群算法的基本原理 19 基于蟻群算法的圖像邊緣檢測(cè) 224 實(shí)驗(yàn)結(jié)果及分析 23 基于蟻群算法的圖像邊緣檢測(cè)流程 23 實(shí)驗(yàn)結(jié)果與性能分析 26 參數(shù)對(duì)邊緣檢測(cè)的影響 27 與傳統(tǒng)方法的比較 335 總結(jié)與展望 35參考文獻(xiàn) 36附 錄 371摘 要邊緣是最基本和重要的特征，其包括用于圖像識(shí)別的所有主要信息中的一個(gè)的數(shù)字圖像。因此，圖像的檢測(cè)和邊緣提取在圖 像處理、計(jì) 算機(jī)視 覺等應(yīng) 用中有著不容小覷的作用，具有非常高的實(shí)際應(yīng) 用價(jià)值。蟻 群算法是最近開發(fā)出來的一種概 率搜索算法，是一 種利用人工螞蟻?zhàn)约赫业阶顑?yōu)路徑的新 型仿 生優(yōu)化算 法，該算法具有強(qiáng)魯 棒性、正反 饋性、并 行性、啟 發(fā)性和分 布式處 理功能。隨后，針對(duì)該方法的缺陷和不足，進(jìn)行調(diào)測(cè)和改進(jìn)，并進(jìn)行仿真，使其能夠更好的檢測(cè)出圖像邊緣。實(shí)驗(yàn)證明，蟻 群算 法的研究對(duì)于圖 像邊緣檢 測(cè)具有很強(qiáng)的理論意義和現(xiàn)實(shí)價(jià)值。數(shù)字圖像起源于上世紀(jì)20年代，用有限數(shù)字?jǐn)?shù)值像素來表示二維圖像，它是由連續(xù)圖像經(jīng)過數(shù)字化處理而形成的。在數(shù) 字圖 像處理領(lǐng) 域中最基本的問題，就是圖 像邊緣檢 測(cè)（image edge detection），它也是數(shù) 字圖 像中最重要的特征之一。蟻 群算 法（Ant Colony Algorithm, ACA）[1]是某種概 率搜索算 法，相對(duì)來說是一 種比較新型的仿 生學(xué)算法，并且在近一年成長迅速。 研究背景圖像是人們獲得信息的第一來源。從上世 紀(jì)五、六十年代以來，隨著現(xiàn)代計(jì) 算機(jī)技 術(shù)的不斷發(fā)展和進(jìn)步，圖 像處理和識(shí) 別技術(shù)越來越發(fā)達(dá)，人們打開了計(jì) 算機(jī)世界的新大門，圖像處 理步入了一個(gè)新的臺(tái)階。數(shù) 字圖 像處理技 術(shù)在計(jì) 算機(jī)科學(xué)、信 息科 學(xué)、數(shù)字、物理學(xué)以及生 物學(xué)等學(xué) 科中都有所涉獵，其研究領(lǐng)域也涵蓋了生物醫(yī)學(xué)圖像、遙 感圖像分 析、人工智能、X射線圖像、地 質(zhì)勘 探、粒子物理和光 學(xué)顯 微圖像分 析等。圖像處 理重點(diǎn)是看圖像之間的變化；圖像分析是檢測(cè)和測(cè) 量，獲取目標(biāo)信息，建 立了描述的圖 像；圖像理解則強(qiáng)調(diào)目標(biāo)圖像中各個(gè)研究點(diǎn)的性能以及他們之間的關(guān)聯(lián)，從而能夠更好的理解圖像內(nèi)容。 圖像處理、圖像分析和圖像理解三個(gè)層次技術(shù)分類[2]綜上所述，數(shù) 字圖 像處 理包含這幾 項(xiàng)內(nèi) 容：（1）圖像增強(qiáng)；（2）圖像復(fù)原與重建；（3）圖像識(shí)別；（4）圖像編碼；（5）算術(shù)和幾何處理。如何快速、精準(zhǔn)的將圖像邊緣信息提取出來一直是數(shù)字圖像處理領(lǐng)域的研究熱點(diǎn)和焦點(diǎn)問題，它在諸多應(yīng)用中都發(fā)揮著關(guān)鍵的作用，特別是在圖像處理、計(jì)算機(jī)視覺等應(yīng)用中。這些原因使得一些典型的邊 緣檢 測(cè)算法有如下缺點(diǎn)[4]：（1）大部分邊 緣檢測(cè)算 子都是節(jié)約邊 緣，而圖 像中大多 數(shù)都是傾斜的邊 緣。（3）圖 像的邊 緣通常發(fā)生在不 同的規(guī) 模,來檢 測(cè)所有的右邊 緣,你需要使用多個(gè)不 同范圍上有效的邊 緣檢測(cè)算 子檢 測(cè)。研究和解決這些問題所造成的傳統(tǒng)邊 緣檢測(cè)一直是人們所關(guān)注的重點(diǎn)。 研究現(xiàn)狀和發(fā)展方向 在視 覺處 理中，圖 像邊緣檢 測(cè)一 直是國內(nèi)外的熱點(diǎn)話題，也是工程應(yīng)用領(lǐng) 域永恒的探討話題之 一。迄今為止，已有無數(shù)種關(guān)于邊緣檢測(cè)的算法和研究成果被提出來。自從邊 緣檢 測(cè)方 法問世以來，就有大多數(shù)人對(duì)此進(jìn) 行研 究和探索，于是就出現(xiàn)了各種各樣的邊 緣檢測(cè)算法，例如羅伯特邊 緣算 子、索貝爾邊 緣算 子、普瑞維特邊 緣算子、Kirsch邊 緣算 子、Canny邊 緣算 子、LOG邊 緣算 子、高斯拉普拉斯邊 緣算 子等，這些典型的邊 緣檢 測(cè)方 法都是通過一 階微 分運(yùn) 算來計(jì) 算出圖 像的梯 度幅值信 息，并依照設(shè) 定的閾 值來推斷是 否是邊 緣。因?yàn)檫@些算法都非常容易被噪聲所影響，若是圖像邊緣的灰度變化不夠劇烈，閾值設(shè)定不夠精準(zhǔn)，會(huì)丟失許多關(guān)鍵的細(xì)節(jié)，從而導(dǎo)致圖像的邊緣檢測(cè)不清晰的情況，甚至?xí)z測(cè)不出來。蟻群算法是基于群體通過仿真螞蟻的尋找食物行為來尋找困難優(yōu) 化問 題的近似解的元啟發(fā)式算 法，螞蟻依照生物激素的強(qiáng)度來選 擇即將要走的路徑，通 過團(tuán)結(jié)協(xié)作搜索最優(yōu)值。 關(guān)于蟻群算法的特點(diǎn)可以概括為以下幾個(gè)：（1）具有自組織性。（2）不采用中心控制，而是使用分 布式控制。（4）每只螞蟻都只能在自己周圍的路徑上感知信息，無法得到整體信息。（6）算法中能涵蓋很多個(gè)主體，并且通過合作主體來適應(yīng)大環(huán)境。這種分布式的智能協(xié)作過程不是同步進(jìn)行的，在同一時(shí)間每個(gè)螞蟻都在各自的路線上行走，這從很大程度上提高了蟻群算法的速度和效率。近幾年，國內(nèi)外的許多專家和學(xué)者，例如苗京、曹占輝、朱玲、韓艷芳、張景虎等人應(yīng)用蟻群算法在圖像特征提取、影像紋理分類、圖像匹配等領(lǐng)域取得了極其豐碩的研究成果。二者緊密吻合之后便可達(dá)到具有最優(yōu)的聚類且具有全局分布特性，經(jīng)過多方研究與具體實(shí)踐得到給算法在模糊邊緣和微細(xì)邊緣檢測(cè)能力上有較強(qiáng)的能力。該方法可以從噪聲圖像中將噪聲平滑掉的同時(shí)保留更多的細(xì)節(jié)，最后將真實(shí)邊緣從中提取出來。將蟻群算法改進(jìn)成能夠適應(yīng)于CT圖像的新算法，改變傳輸策略和信息素更新規(guī)則，使得蟻群算法能夠應(yīng)用于CT圖像邊緣檢測(cè)。盧雪夫[10]等參考了Canny算子提取邊緣的先驗(yàn)知識(shí)，將它添加到蟻群算法中，通過計(jì)算圖像中不同比例的圖像像素灰度來實(shí)現(xiàn)對(duì)圖像邊緣的提取。 從上述內(nèi)容來看，邊緣檢測(cè)的研 究存在幾個(gè)顯著的發(fā)展可能[4]：（1）不斷改進(jìn)原有傳統(tǒng)算法。（3）一些邊緣檢測(cè)技術(shù)僅能識(shí)別普通圖像，對(duì)于特殊圖像的邊緣檢測(cè)技術(shù)也應(yīng)當(dāng)引起人們的關(guān)注。 研究目的和意義蟻 群算法[1]，又名螞 蟻算 法，它是由意 大利科 出的一 種新 型概率搜 索算法。隨著蟻群算 法不斷改進(jìn)和發(fā)展，目前可以將它大范圍運(yùn)用到到群體智能、模式識(shí)別、數(shù)據(jù)分類、信號(hào)處理、聚類分析、數(shù)據(jù)挖掘、圖像處理以及仿真和系統(tǒng)辨識(shí)等方面[13]。隨著蟻群算法越來越廣泛的應(yīng)用，不斷有新思路和新方法提出，本文所主要研究的領(lǐng)域就是其在圖像處理中的應(yīng)用。隨后，針對(duì)該方法的缺陷和不足，進(jìn)行調(diào)測(cè)和改進(jìn)，并進(jìn)行仿真，使其能夠更好的檢測(cè)出圖像邊緣。2 圖像邊緣檢測(cè)概述對(duì) 于人 類視 覺而言，圖 像邊緣具有非常重 要的意 義。在數(shù)字圖像中提取邊 緣的過程可稱為圖 像邊 緣檢 測(cè)。這個(gè)過程在理解圖像內(nèi)容上至關(guān)重要，并且將其應(yīng)用在圖像分析和計(jì)算機(jī)視覺中，通常應(yīng)用于初始階段的計(jì)算機(jī)視覺應(yīng)用程序。（2）圖形增強(qiáng)利 用圖像增 強(qiáng)可以指示顯示圖 像中存在明顯變 化的點(diǎn)，以確 定圖像中每個(gè)領(lǐng) 域強(qiáng)度的變 化。通過研究發(fā)現(xiàn)，采用設(shè)定閾值的方法能夠簡單有效的確定出圖像的邊緣點(diǎn)。由于各人對(duì)圖像邊 緣檢測(cè)的要 求和判斷都各不相 同，因此檢 測(cè)出的結(jié) 果也是迥然各 異的。（2）能準(zhǔn)確定位圖像邊緣。（3）檢測(cè)的響應(yīng)最好是單像素的。（5）可以很好的應(yīng)對(duì)不同尺 度的邊緣并盡 量減少漏 檢。這些要 求通 常都模棱兩可，很難在一個(gè)邊緣檢測(cè)器中同時(shí)滿足。所謂主 觀評(píng) 價(jià)，顧名思義，它是依賴于觀 察者的主 觀判 斷：處理前的原始圖像和處理后的圖像在同一時(shí)間出現(xiàn)在前面的觀察者,讓觀察者做出相應(yīng)的判斷。為了保 證統(tǒng)計(jì)上有意義的主觀評(píng)價(jià),至少20人參與觀察者的主 觀評(píng)價(jià)、測(cè)試,為了減少硬 件的錯(cuò)誤,盡量使條件符合的條件使用。 通常，沿著邊緣方向灰度變化相對(duì)穩(wěn)定，戲劇性的變化在正常的方向發(fā)展。順序跳邊坡度角約為90176。其次是屋頂邊緣的形狀，顧名思義，它就像屋頂?shù)膬A斜角度，慢慢地慢慢地增加然后減少，（b）所示。(a)(b)(c) 圖像邊緣的類型 每個(gè)圖像中邊緣點(diǎn)代表一個(gè)不同的物理意義。類似于A點(diǎn)，這一類的邊緣交于兩個(gè)不同的平面或曲面之間，該點(diǎn)處的法向量在兩邊并不連續(xù)，灰度值也有很大的差別。就如圖中B的邊緣線，它的邊界點(diǎn)位于物體和背景的焦點(diǎn)，這種B類的邊緣線通常被稱為外輪廓線。（3） 不同材料組成的邊緣線。由于圖中的兩種不同的材料引起的光反射系數(shù)不同，引起了C處兩邊灰度的躍變。圖中長方體的表面被圓柱體所擋住，產(chǎn)生了D點(diǎn)的陰影，引起了D類邊緣點(diǎn)兩邊的灰度值明顯不同。并且需要特別關(guān)注的是，兩種不同的邊緣其實(shí)并不完全相同。邊緣幅度圖像具有的大小和兩者的兩種類型的屬性的方向，改變?cè)谒鲞吘壪袼氐倪吘壪?