蚁群算法应用实例详解

边缘检测存在于目标与背景、目标与目标、区域与区域之间。
Fra Baidu bibliotek
背景介绍
传统检测方法
Log边缘检测算子 Roberts边缘检测算子 Canny边缘检测算子
近年来，各种新的算 法和人工智能理论被引入 到数字图像处理领域。
小波变换和小波包的边缘检测法 遗传算法的边缘检测法
新型检测方法
基于数学形态学的边缘检测算法 模糊理论和神经网络的边缘检测法
基本步骤
• 步骤一
• 初始化阈值 。
其中，
为最终的信息素矩阵。
基本步骤
• 步骤二
• 根据阈值 的值可将信息素矩阵 划分为大 于 和小于 的两部分，分别计算这两部分的 平均值：
其中：
式中
基本步骤
• 步骤三
• 设置迭代系数 ，更新阈值 ：
• 步骤四
• 若 若 图片为： 返回步骤2 继续划分阈值 ； 则输出阈值 根据阈值划分
混沌蚁群算法？
问题分析
• 混沌蚁群算法是利用混沌算法的全排列性。
混沌变量
遍历性
随机性
规律性
改进蚁群算法存在的容易过早收敛、易陷于局
部最优、对边缘定位不准确等问题。
检测方法
• ① 在图片范围内随机投放M×N只蚂蚁，利用蚂蚁 随机搜索路径时，图像灰度值的变化情况不断更 新信息素矩阵；
• ② 利用蚁群算法的正反馈性，最终产生的信息素 矩阵计算图像的阈值； • ③ 确定图像的边缘位置。
背景介绍
蚁群算法是一种新 型的仿生学优化算法， 利用蚂蚁群体觅食所释 放出的信息素为媒介进 行间接的信息传递，后 面的蚂蚁利用信息素的 强度来对最近觅食或归 巢路线进行判断选择。
问题分析
• canny算子提取的边界较完整，细节清晰，但容易 把噪声点误判为边界。
• 蚁群算法具有较强的适应性、正反馈性和鲁棒性， 但也存在易陷入局部最优解。
The end!
Thank you!
检测方法
• 结合混沌蚁群算法
对图像进行边缘检
混沌算法
测，其流程图右图
所示。
蚁群算法
边缘的最终提 取
检测方法
• 开始迭代时，进行混沌初始化。选择典型的混沌 系统——Logistics映射作为混沌变量，按下式进行 迭代：
式中，μ为控制参数，当μ=4、 全处于混沌状态。 时，Logistics映射完
• 利用全排列理论，每一个混沌量对应一个像素点上的信 息素值，即每个像素点上的信息素初始值根据混沌量而 给出。
混沌蚁群算法在图像边缘检测中的应用
目录
1
背景介绍 问题分析
2
3
方法步骤 应用实例
4
5
结论
背景介绍
边缘检测：采用某种算法来提取出图 像图像中对象与背景间的交界线。
检测的目的
① 辨别图像中物体结构、纹 理、形态的重要信息， ② 为图像后期处理和分析提 供了重要的参数指标， ③ 对后续进一步的特征描述、 匹配和识别等有着重大的影响。
应用实例
• Matlab上进行仿真 以128×128 的灰度图为例，分别运用 Canny边缘检测算子、蚁群算法和混沌蚁群算法对图 像边缘进行提取。
应用实例
• 脑CT图
• Canny 算子：提取的边缘不够清 晰，而且很多干扰信息被误检； • 蚁群算法：边缘有部分丢失； • 混沌蚁群算法：提取的边缘相对 比较完整，细节处更加清晰。
• 混沌蚁群算法的边缘检测更加完整、无断点。 • 线条更加粗实、清晰。 • 细节部分能够较为准确地检测到。
• 但还是存在一定的问题，如肺叶中的超细小的部分无法 检测到，重叠部分区分不开等问题，有待于进一步的 研究。
混沌蚁群 算法
• 用改进的混沌蚁群 算法对图像进行边 缘检测能够快速、 清晰、准确地找到 图像边缘，证明了 其有效性。
应用实例
• 胸CT图
• Canny 算子：边缘比较完整，但肺 叶内部纹理几乎没有检测到； • 蚁群算法：边缘不连续、有部分丢 失，肺叶内部纹理几乎没有检测到。 • 混沌蚁群算法：提取的边缘相对完 整清晰，肺内部纹理部分检出，但 细小处也未能检测出。
应用实例
• 细胞显微图
• 细菌显微图
结论
应用实例表明：