基于蚁群算法的图像分割方法解析.doc

基于蚁群算法的图像分割方法 引言 由于背景的复杂性，目标特征的多样性以及噪声等影响，使图像分割成为图像处理技术的难点。传统图像分割方法如阈值法、边缘检测法、数学形态学法、基于区域处理方法等针对不同图像都取得了很好的效果，因而也成为目前应用比较广泛的方法。但是对于不同应用目的以及不同图像特性，传统方法又表现出很大局限性。例如阈值法，这种方法具有较高的计算效率，但是对噪声很敏感，会误将噪声作为目标来处理；边缘检测算子存在边界不连续或边界不准确的问题；数学形态学方法在一定程度上降低了噪声对图像的影响，但是开、闭、腐蚀、膨胀等运算会导致图像的过度平滑，从而导致图像变形及细节丢失。 蚁群算法是一种仿生进化算法，是具有离散性、并行性、鲁棒性、正反馈性等特点的一种随机搜索方法。已成功应用于组合优化问题，如旅行商问题、车间任务调度、图着色、管线敷设等，J.Casillas等人提出用蚂蚁算法进行模糊规则的自动学习。蚁群算法的离散性和并行性特点对于离散的数字图像非常适用，基于概率的路径选择方法，在模糊聚类问题中有广阔的应用前景。该文首先介绍蚁群算法的原理，然后，将图像分割看作对具有不同特征的像素进行聚类的过程，给出蚁群算法的数学描述，根据图像特点，设置初始聚类中心，对该算法进行改进。对每个像素，综合考虑灰度、梯度和邻域等特征，利用改进算法的模糊聚类能力，求出像素分别对目标、边界、背景和噪声的隶属度。详细阐述特征提取和模糊聚类过程。最后，给出实验结果，并与sobel算子、canny算子以及原始蚁群算法分割结果进行比较。证明该方法可以快速准确地分割出目标，是一种有效的图像分割方法。 蚁群算法及其描述 蚁群算法又称蚂蚁算法，是1992年意大利学者M.Dorigo等人受蚂蚁觅食过程中路径选择行为的启发而提出的一种仿生进化算法。经观察发现，蚂蚁在搜索食物过程中总能够找出到食物源的最优路径，当该路径被阻断后，能很快绕开障碍并再次找到最优路径。蚂蚁的这种能力是由蚁群之间的信息交换和相互协作行为产生的。每只蚂蚁在随机行走过程中会释放出一种信息激素，该激素随着时间延续不断挥发，如果有较多的蚂蚁选择这条路径，则该路径上的激素得到增强，而每只蚂蚁具有感知这种信息激素强度的能力，会以较大概率选择信息激素较强的路径，从而导致选择这条路径的蚂蚁增多，这样形成了一个正反馈过程。该算法用于图像分割的数学描述如下。 图像分割特征提取 一幅图像中包括目标、背景、边界和噪声等内容，特征提取的目的是要找出体现这些内容之间区别的特征量，对于后继的分类过程至关重要。区别目标和背景的一个重要的特征是像素灰度，因此选用像素的灰度值作为聚类的一个特征。另外，边界点或噪声点往往是灰度发生突变的地方，而该点处的梯度体现出这种变化，是反映边界点与背景或目标区域内点区别的重要特征。最后，对于梯度值较高的边界点和噪声点，可以利用像素的3X3邻域进行区分。在一幅图像中，与区域内点灰度值相近的3X3邻域的像素个数一般为8，与边界点灰度值相近的3X3邻域像素个数一般大于或等于6，而对于噪声点，该数值一般小于4。邻域特征的提取方法为：将当前像素和邻域像素的灰度差与灰度差阈值T作比较，小于该阈值的邻域像素个数即所要提取的邻域特征。T的设置根据图像的特点而变化，对于细节较多的图像取值较大，平滑图像取值较小，一般取值范围为50~90。上述三个特征反映了目标、背景、边界和噪声的特点，这样每只蚂蚁成为一个以灰度、梯度和邻域为特征的三维向量。 蚁群算法的描述 给定原始图像X，将每个像素看作一只蚂蚁，则根据上述进行特征提取，每只蚂蚁是以灰度、梯度和邻域为特征的三维向量，图像分割就是这些具有不同特征的蚂蚁搜索食物源的过程。任意像素到的距离为，采用欧氏距离计算： 其中m为蚂蚁的维数，这里m为3，p为加权因子，根据像素各分量对聚类的影响程度设定。设r为聚类半径，为信息量，则： 其中，是启发式引导函数，α、β分别为像素聚类过程中所积累的信息以及启发式引导函数对路径选择的影响因子。为可行路径集合。随着蚂蚁的移动，各路径上信息量发生变化，经过一次循环，各路径上信息量根据下式进行调整：其中，为信息量随时间的衰减程度，为本次循环中路径信息量的增量。 表示第K只蚂蚁在本次循环中留在路径中的信息量。 改进的蚁群算法 通过上述蚁群算法描述可以看出，蚂蚁行走是随机和盲目的，将图像每个像素看作一只蚂蚁，假设图像大小为，在循环搜索过程中，每个像素要和其余个像素进行距离和路径选择概率计算，而且系统必须经过多次循环才能完成聚类过程，导致搜索时间长，整体计算量大。针对这一问题，该文根据图像分割特点给出初始聚类中心加以引导，以减少蚂蚁行走的盲目性，并将蚂蚁与聚类中心的相似度作为引导函数，这样可以降低计算量和加快聚类进程。初始聚类中