毕业设计论文-基于蚁群算法的图像边缘检测-附代码.doc
《毕业设计论文-基于蚁群算法的图像边缘检测-附代码.doc》由会员分享，可在线阅读，更多相关《毕业设计论文-基于蚁群算法的图像边缘检测-附代码.doc（48页珍藏版）》请在冰点文库上搜索。
上海工程技术大学毕业设计（论文）基于蚁群算法的图像边缘检测
目录
摘要 1
ABSTRACT 2
1绪论 3
1.1研究背景 3
1.2研究现状和发展方向 4
1.3研究目的和意义 6
2图像边缘检测概述 7
2.1边缘的定义及类型 9
2.2常用的边缘检测方法 11
2.3其他边缘检测方法 16
2.3.1基于小波变换的边缘检测 16
2.3.2基于数学形态学的边缘检测 17
2.4传统边缘检测的不足 18
3蚁群算法 19
3.1蚁群算法的基本原理 19
3.2基于蚁群算法的图像边缘检测 22
4实验结果及分析 23
4.1基于蚁群算法的图像边缘检测流程 23
4.2实验结果与性能分析 26
4.2.1参数对边缘检测的影响 27
4.2.2与传统方法的比较 33
5总结与展望 35
参考文献 36
附录 37
1
摘要
边缘是最基本和重要的特征，其包括用于图像识别的所有主要信息中的一个的数字图像。
因此，图像的检测和边缘提取在图像处理、计算机视觉等应用中有着不容小觑的作用，具有非常高的实际应用价值。
长期以来，如何提高边缘检测算法的精度一直都是国内外许多学者的研究课题。
蚁群算法是最近开发出来的一种概率搜索算法，是一种利用人工蚂蚁自己找到最优路径的新型仿生优化算法，该算法具有强鲁棒性、正反馈性、并行性、启发性和分布式处理功能。
本文通过分析基本原理和蚁群算法的特征点，提出了一种基于蚁群算法的图像边缘检测方法，并对该方法的性能和检测结果进行了深入探讨。
随后，针对该方法的缺陷和不足，进行调测和改进，并进行仿真，使其能够更好的检测出图像边缘。
最后通过与传统边缘检测算子相对比，已表明了该算法能够更好地检测图像边缘。
实验证明，蚁群算法的研究对于图像边缘检测具有很强的理论意义和现实价值。
关键词：
图像处理，边缘检测，蚁群算法
ImageEdgeDetectionbasedonAntColonyAlgorithm
ABSTRACT
Edgeisoneofthemostfundamentalandimportantfeaturesofdigitalimage,includingusefulinformationforimagerecognition.Therefore,edgedetectionandextractionplaysanimportantroleinimageprocessingandcomputervisionapplications,withveryhighpracticalvalue.Overtheyears,manyscholarsathomeandabroadarestudyinghowtoimprovetheaccuracyofedgedetectionalgorithm.
Antcolonyalgorithmisaprobabilisticsearchalgorithmdevelopedinrecentyears.Itisakindofnewbionicoptimizationalgorithmusingintelligentartificialantstosearchtheglobaloptimum.Thisalgorithmhasstrongrobustness,positivefeedback,parallelism,enlighteninganddistributedprocessingandetc.Inthispaper,animageedgedetectionmethodbasedonantcolonyalgorithmhasbeenproposedbyanalyzingthebasicprincipleofantcolonyalgorithm.Andmakeadeepdiscussionontheperformanceandtestresultsofthismethod.Then,adjustingandimprovingthemethodbyconcentratingonthedefectanddisadvantage,andmoveontothesimulation,inordertodetecttheimageedgeswell.Atlast,aconclusionthattheantcolonyalgorithmcandetecttheimageedgesbetterhasbeendrawnbycomparingwithothertraditionaledgedetectionoperators.Theexperimentshowthattheresearchonantcolonyalgorithmhasastrongtheoreticalandpracticalvalueonimageedgedetection.
Keywords:
imageprocessing,imageedgedetection,antcolonyalgorithm
基于蚁群算法的图像边缘检测
1绪论
作为对于客观对象的一种真实性描述或写真，图像常常被用作信息载体在我们的社会活动中。
数字图像起源于上世纪20年代，用有限数字数值像素来表示二维图像，它是由连续图像经过数字化处理而形成的。
因此，数字图像处理技术如今已然进入到人们的生活中。
在数字图像处理领域中最基本的问题，就是图像边缘检测（imageedgedetection），它也是数字图像中最重要的特征之一。
边缘信息包含了图像中许多有用信息，它的算法优劣直接影响图像分析和图像处理的效果，以及图像分割的准确性。
蚁群算法（AntColonyAlgorithm,ACA）[1]是某种概率搜索算法，相对来说是一种比较新型的仿生学算法，并且在近一年成长迅速。
基于蚁群算法的图像边缘检测，是利用生命体信息激素作为蚂蚁路线选择的基础，在蚂蚁和食物之间找到一条最优最短的路径。
1.1研究背景
图像是人们获得信息的第一来源。
因此，人们在生活或者工作中，都不能离开图像处理。
从上世纪五、六十年代以来，随着现代计算机技术的不断发展和进步，图像处理和识别技术越来越发达，人们打开了计算机世界的新大门，图像处理步入了一个新的台阶。
目前它已经成为21世纪信息时代的一门关键的学科技术。
数字图像处理技术在计算机科学、信息科学、数字、物理学以及生物学等学科中都有所涉猎，其研究领域也涵盖了生物医学图像、遥感图像分析、人工智能、X射线图像、地质勘探、粒子物理和光学显微图像分析等。
这些数字图像处理技术，总共可分为三个层次：
图像处理、图像分析和图像理解，被共同称为图像工程。
图像处理重点是看图像之间的变化；图像分析是检测和测量，获取目标信息，建立了描述的图像；图像理解则强调目标图像中各个研究点的性能以及他们之间的关联，从而能够更好的理解图像内容。
根据查阅的文献，图像技术在图像处理、图像分析和图像理解这三个层次中的分类情况如表1.1所示。
表1.1图像处理、图像分析和图像理解三个层次技术分类[2]
综上所述，数字图像处理包含这几项内容：
（1）图像增强；
（2）图像复原与重建；（3）图像识别；（4）图像编码；（5）算术和几何处理。
所谓边缘[3]，是指图像之中的灰度值有明显突变，例如阶跃性的突变使得灰度值由增高到减低，这些变化点像素的集合就被称之为边缘。
如何快速、精准的将图像边缘信息提取出来一直是数字图像处理领域的研究热点和焦点问题，它在诸多应用中都发挥着关键的作用，特别是在图像处理、计算机视觉等应用中。
因为在图像的采集过程中，图像的清晰度、缓和效应的一些因素会导致问题，如噪声、图像模糊、对比度不强等，使边缘的提取或强化受到影响。
这些原因使得一些典型的边缘检测算法有如下缺点[4]：
（1）大部分边缘检测算子都是节约边缘，而图像中大多数都是倾斜的边缘。
（2）在平滑噪声图像中，去噪图像的高频信息容易丢失。
（3）图像的边缘通常发生在不同的规模,来检测所有的右边缘,你需要使用多个不同范围上有效的边缘检测算子检测。
（4）经典的边缘检测定位精度不高。
研究和解决这些问题所造成的传统边缘检测一直是人们所关注的重点。
在边缘检测问世以后，就有大量专家和学者付出辛勤的努力对它进行探讨，将边缘检测成功的应用于科技发展中，发挥了它极大的利用价值。
1.2研究现状和发展方向
在视觉处理中，图像边缘检测一直是国内外的热点话题，也是工程应用领域永恒的探讨话题之一。
边缘检测的问世要追溯到1959年，由B.Julez[5]在他的研究中提出。
迄今为止，已有无数种关于边缘检测的算法和研究成果被提出来。
有人还将这些技术结合起来提出新的算法，其应用能够拓展至多个学科，使得边缘检测拥有了更强大的生命力。
自从边缘检测方法问世以来，就有大多数人对此进行研究和探索，于是就出现了各种各样的边缘检测算法，例如罗伯特边缘算子、索贝尔边缘算子、普瑞维特边缘算子、Kirsch边缘算子、Canny边缘算子、LOG边缘算子、高斯-拉普拉斯边缘算子等，这些典型的边缘检测方法都是通过一阶微分运算来计算出图像的梯度幅值信息，并依照设定的阈值来推断是否是边缘。
然而，虽然已经有无数个边缘检测算法被相继提出，却仍然没有一个算法能够适用于所有的数字图像的边缘检测。
因为这些算法都非常容易被噪声所影响，若是图像边缘的灰度变化不够剧烈，阈值设定不够精准，会丢失许多关键的细节，从而导致图像的边缘检测不清晰的情况，甚至会检测不出来。
在1991年欧洲法国巴黎举行的一届人工生命会议上[6]，DorigoM著名的意大利学者以及一些其他学者共同发布了蚁群算法最初的，也是最基本模型。
蚁群算法是基于群体通过仿真蚂蚁的寻找食物行为来寻找困难优化问题的近似解的元启发式算法，蚂蚁依照生物激素的强度来选择即将要走的路径，通过团结协作搜索最优值。
蚂蚁找东西吃的时候表现出的寻找最佳方案的能力在离散系统优化解决了许多难题，如分配问题、旅行商问题、调度问题等。
关于蚁群算法的特点可以概括为以下几个：
（1）具有自组织性。
即群体的复杂行为需要反映在每一个蚂蚁身上。
（2）不采用中心控制，而是使用分布式控制。
（3）概率型的。
（4）每只蚂蚁都只能在自己周围的路径上感知信息，无法得到整体信息。
（5）个体可以在改变环境的同时在环境中进行间接通讯。
（6）算法中能涵盖很多个主体，并且通过合作主体来适应大环境。
（7）具有潜在的并行性，其搜索过程在同一时间同时从多个点进行。
这种分布式的智能协作过程不是同步进行的，在同一时间每个蚂蚁都在各自的路线上行走，这从很大程度上提高了蚁群算法的速度和效率。
蚁群算法的优点体现在很多方面，并且解决了很多组合优化问题，它可以智能搜索、全局优化，同时拥有强鲁棒性的特性、正反馈性、离散性和并行分布式计算等特点，这些特点使其能够在数字图像处理得到很好的应用。
近几年，国内外的许多专家和学者，例如苗京、曹占辉、朱玲、韩艳芳、张景虎等人应用蚁群算法在图像特征提取、影像纹理分类、图像匹配等领域取得了极其丰硕的研究成果。
早在2005年，基于蚁群动态模糊聚类算法的图像边缘检测[7]已由苗京等人提出，为了克服FCM算法对初始化的敏感，该算法利用蚁群算法的处理局部极值的较强能力，以较为动态的方法确定了FCM算法聚类数目和中心，并利用FCM聚类处理蚁群聚类得到的之后结果，再进行FCM聚类以完善蚁群算法的缺点。
二者紧密吻合之后便可达到具有最优的聚类且具有全局分布特性，经过多方研究与具体实践得到给算法在模糊边缘和微细边缘检测能力上有较强的能力。
于勇[8]等人通过蚁群算法原理，首先将一些可能边缘点定位出来，然后利用这些可能边缘信息促使蚁群迭代来实现对每个部分的边缘的搜索，而后更新遗留在路径上的信息素分布，使得可能边缘点渐渐向真实的边缘点靠近。
该方法可以从噪声图像中将噪声平滑掉的同时保留更多的细节，最后将真实边缘从中提取出来。
在CT图像边缘检测中，张景虎[1]等提出了结合蚁群算法的CT图像边缘检测新方法。
将蚁群算法改进成能够适应于CT图像的新算法，改变传输策略和信息素更新规则，使得蚁群算法能够应用于CT图像边缘检测。
朱玲[9]等人从甲状腺结节边沿出发，结合超声图像的特点来设置信息素和食物来源，提出了基于蚁群算法的甲状腺结节边沿检测，实验结果显示，该算法比传统的Canny算法和索贝尔算法检测出的边缘更清晰。
卢雪夫[10]等参考了Canny算子提取边缘的先验知识，将它添加到蚁群算法中，通过计算图像中不同比例的图像像素灰度来实现对图像边缘的提取。
高德威[11]等利用了边缘的启发信息——梯度灰度值变化，改变运动因子从而激发蚂蚁向边缘方向运动。
从上述内容来看，边缘检测的研究存在几个显著的发展可能[4]：
（1）不断改进原有传统算法。
（2）引入新的改进算法，并且将多种方法结合运用。
（3）一些边缘检测技术仅能识别普通图像，对于特殊图像的边缘检测技术也应当引起人们的关注。
（4）在实际项目实施当中使用该算法来解决问题。
1.3研究目的和意义
蚁群算法[1]，又名蚂蚁算法，它是由意大利科学家M.Dorigo和他的同事根据蚂蚁寻找食物这一日常现象而提出的一种新型概率搜索算法。
它已经应用于诸多领域，主要是在图像处理、旅行商问题、群体智能、模糊建模、数据挖掘、物流配送车辆调度等[12]。
随着蚁群算法不断改进和发展，目前可以将它大范围运用到到群体智能、模式识别、数据分类、信号处理、聚类分析、数据挖掘、图像处理以及仿真和系统辨识等方面[13]。
综上所述，蚁群算法的提出帮助解决了很多领域之前无法解决的问题。
随着蚁群算法越来越广泛的应用，不断有新思路和新方法提出，本文所主要研究的领域就是其在图像处理中的应用。
在图像边缘检测基于原理和蚁群算法的研究，结合其特点，例如鲁棒性和适应性强等，将蚁群算法应用于边缘检测领域，提出了一种新的基于蚁群算法的边缘检测方法，并对该方法的性能和检测结果进行了深入探讨。
随后，针对该方法的缺陷和不足，进行调测和改进，并进行仿真，使其能够更好的检测出图像边缘。
该方法对于图像边缘检测的研究具有很强的理论意义和实用价值。
2图像边缘检测概述
对于人类视觉而言，图像边缘具有非常重要的意义。
Poggio[14]等指出“边缘或许对应着图像中物体（的边界），或许并没有对应着图像中物体（的边界），但是边缘具有十分令人满意的性质，它能大大减少所要处理的信息，而且又保留了图像中物体的形状信息”。
在数字图像中提取边缘的过程可称为图像边缘检测。
它的目的是识别不连续或者发生急剧变化的图像中的点。
这个过程在理解图像内容上至关重要，并且将其应用在图像分析和计算机视觉中，通常应用于初始阶段的计算机视觉应用程序。
它是针对图像局部区域上像素点的一种运算，在图像处理及其相关领域中占据着关键的地位，通常情况下边缘检测包含如图2.1所示四个步骤：
原始图像
平滑图像
梯度图像
边缘点
边缘图像
滤波
增强
检测
定位
图2.1图像边缘检测流程
（1）图像滤波[15]
点边缘特征图像可以由第一和第二导数图像的灰度值来表示，但不能计算噪声抑制的衍生物，它们需要使用滤波器去噪，图像平滑来提高边缘检测。
（2）图形增强
利用图像增强可以指示显示图像中存在明显变化的点，以确定图像中每个领域强度的变化。
（3）图像检测
图像中的很多梯度幅度有较大变化的点都可能会被误认为是边缘点，因此应寻找到一种方法来进行筛选和检测。
通过研究发现，采用设定阈值的方法能够简单有效的确定出图像的边缘点。
（4）图像定位
在亚像素级分辨率上确定边缘的位置，与此同时估算出边缘的位置。
由于各人对图像边缘检测的要求和判断都各不相同，因此检测出的结果也是迥然各异的。
话虽如此，但是好的边缘检测算法，都应该满足下列的需求[16]：
（1）能对图像边缘检测精确。
（2）能准确定位图像边缘。
换而言之，就是该算法能够在保证不出现劣质边缘的同时不漏检优质边缘，该算法有较高的信噪比。
（3）检测的响应最好是单像素的。
（4）图像的边缘不间断，使用连续边缘有效完成目标图像的描述。
（5）可以很好的应对不同尺度的边缘并尽量减少漏检。
（6）检测的敏感性应该不受边缘方向影响。
这些要求通常都模棱两可，很难在一个边缘检测器中同时满足。
边缘检测的结果评价有两种，一种是主观评价方法，另一种客观评价方法。
所谓主观评价，顾名思义，它是依赖于观察者的主观判断：
处理前的原始图像和处理后的图像在同一时间出现在前面的观察者,让观察者做出相应的判断。
没有客观评价主观评价方法的基础上,它完全依赖于个体主观意识的主人,因此,评价结果往往会被观察者的图片类型,个人偏好等主观因素的影响。
为了保证统计上有意义的主观评价,至少20人参与观察者的主观评价、测试,为了减少硬件的错误,尽量使条件符合的条件使用。
下表2.1是对图像边缘检测的主观评价标准。
表2.1对图像边缘检测的主观评价标准
图像检测边缘
得分
评价
边缘清晰可见
5
非常好
边缘基本可见
4
好
边缘依稀可见
3
一般
边缘存在模糊
2
差
边缘完全模糊
1
非常差
2.1边缘的定义及类型
尽管边缘在计算机视觉应用程序和数字图像处理分析中扮演着十分重要的角色，但是由于图像的内容的复杂性以及人类对感知目标边缘的不确定性这两个原因，是的边缘到目前为止还没有被准确的定义。
通常，沿着边缘方向灰度变化相对稳定，戏剧性的变化在正常的方向发展。
根据灰度值的变化，图像的边缘通常可分为三种类型：
第一种是一步跳边缘，边缘像素灰度值两边的区别是显而易见的，它位于灰度值变化明显不同的位置，也就是说，从一个灰度到另一个灰度比这高得多。
顺序跳边坡度角约为90°，如图2.2（a）所示。
其次是屋顶边缘的形状，顾名思义，它就像屋顶的倾斜角度，慢慢地慢慢地增加然后减少，看到如图2.2（b）所示。
第三种是线性边缘，它的灰度从一个灰度级别到另一个灰度回来后，如图2.2（c）所示。
（a）
（b）
（c）
图2.2图像边缘的类型
每个图像中边缘点代表一个不同的物理意义。
它的几种情况可以由图2.3看出来。
（1）空间曲面上的不连续点。
类似于A点，这一类的边缘交于两个不同的平面或曲面之间，该点处的法向量在两边并不连续，灰度值也有很大的差别。
（2）物体与背景的分界线。
就如图中B的边缘线，它的边界点位于物体和背景的焦点，这种B类的边缘线通常被称为外轮廓线。
在它的边缘表面，法向量也不连续，两侧的灰度值也有明显的变化。
（3）不同材料组成的边缘线。
众所周知，不同的材料可以产生不同的边缘线，图中C点所代表的正是这种边缘线。
由于图中的两种不同的材料引起的光反射系数不同，引起了C处两边灰度的跃变。
（4）阴影引起的边缘。
图中长方体的表面被圆柱体所挡住，产生了D点的阴影，引起了D类边缘点两边的灰度值明显不同。
图2.3图像中的各类边缘
2.2常用的边缘检测方法
如果出现表征为图像像素灰度的陡然改变是图像像素灰度的断续常常会引起一般的边缘而产生的。
并且需要特别关注的是，两种不同的边缘其实并不完全相同。
众所周知的是，当三维的实物投影到二维平面时一定会产生一些数据的损失，其次图像成型的过程中的曝光不均匀和噪声的影响，产生有时间边缘与成像的边缘并不匹配的情况，其一般表现为有边缘的地方无法甄别，而没有边缘的地方会被错识。
边缘幅度图像具有的大小和两者的两种类型的属性的方向，改变在所述边缘像素的边缘像素的方向改变方向，以稳定化，但是在90°至边缘像素的方向显著变化。
在对象变化的边缘，例如设施该边缘变化可以是在第一或第二导数甄识别边缘。
所以我们一般使用微分算子来实现边缘检测的目的，一阶导数的极值点可以识别阶跃边缘，并且与二阶导数的过零点相呼应。
现实使用各种微分算子一般通常用模板来实现，通过（Roberts算子）或模板与图像中的每1个像素点的图像进行卷积操作，稍后选择适合的阈值来得到边缘。
此类算子对杂乱的干扰会有明显反应，只适合于干扰不大也简易的成像。
因为边缘和噪声都是灰色的不连续点，从频域分析的概念是高频分量，不采用其他方式只用微分可能轻易受噪声干扰的影响。
采取微分算子甄别边缘前需要对图像实行平滑滤波，以便达到降低干扰的影响的目的。
边缘检测效果不错的有LoG算子和Canny算子，它们是有一个光滑函数的二阶和一阶微分算子。
在这些里面LoG算子是应用拉普拉斯算子来应用于高斯函数的二阶导数，Canny算子是高斯函数的一阶导数，它在边缘的甄别和减少干扰影响之间得到了不错的的稳定。
（1）Roberts算子[2]
罗伯特是一种边缘检测算子作为识别边缘算子的偏微分模式,罗伯特梯度算子采用对角线方向的两个相邻像素的差别,，算子形式如下：
………………………………………………（2.1）
以上操作对应的两个模版如2.1所示。
实际应用中，图像中的每个像素
点与这两个模板进行卷积操作，以避免产生负值，通常取其绝对值。
………………………………………………………………（2.2）
根据和可以导出罗伯特梯度的值，和提前假设的梯度门限相互比较从而看出图像的边缘。
罗伯特算子使用像素与像素之间的梯度幅值的对角方向差分逼近边缘检测。
0°、90°倾斜检测边缘，边缘效应比定位准确度较高，不过受干扰能力差。
（2）Kirsch算子[2]
Kirsch边缘检测算子需要求出八个方向的平均差异MAX值，使用8个模板来定位梯度的大小和方向。
设定像素（x,y）的邻域为：
………………………………………………………………（2.3）
则梯度大小为：
……………………………（2.4）
其中：
………………………………………………………（2.5）
公式中的下标如果大于七就用八去除取余数。
其8模板为：
…………………（2.6）
这个操作用于识别出方向边缘数据，而且能不错地抗边缘检测的干扰。
（3）Sobel算子[2]
索贝尔（Sobel）边缘算子的计算方法如下：
…………（2.7）
升级会员 