[理学]基于蚁群算法的图像边缘检测.ppt

类设计 界面设计 运行结果 性能评价 与传统算法的比较 Lena 原图 Roberts 算法 Sobel 算法 Laplacian原图 Canny 算法 本文算法 与传统算法的比较 Peppers 原图 Roberts 算法 Sobel 算法 Laplacian原图 Canny 算法 本文算法 与传统算法的比较 Airplane 原图 Roberts 算法 Sobel 算法 Laplacian原图 Canny 算法 本文算法 总结和展望 总结 本文首先回顾了常用的边缘检测算法以及对蚁群算法的基本理论作了简单的介绍。其次，提出了一种基于蚁群算法的边缘检测模型，并对影响算法性能的各个参数作了详尽的分析。本文主要的研究成果如下： 采用8邻域结构，蚂蚁可向8个方向自由移动，概率计算函数分别由信息素量、图像灰度值、蚂蚁的惯性因子决定。 蚂蚁拥有短暂的记忆，记忆长度作为本文算法的参数之一。 提出了一种更智能的蚁群初始分布方式。 在撰写论文过程中，我们进行了大量的实验。最后，通过与传统方法的比较，从实验结果来看，本文算法在图像边缘检测中的表现令人满意。 展望 在研究过程中，我们也意识到了蚁群算法客观存在的缺陷。蚁群算法属于群智能算法的一种，而群智能算法是一种基于概率计算的随机搜索进化算法，在现阶段仍然存在着一些问题： 算法的数学理论基础相对薄弱，关于此类的研究发展相对缓慢；同时，关于参数的设置现阶段并没有确切的理论依据，对具体问题与应用环境存在着很大的依赖性； 时间性能差，算法的收敛速度较慢； 与其他算法的比较性研究不足，缺乏合适的性能评估标准和测试方法； 因为算法本身基于概率，因此不具备绝对可信性，应用时或多或少地存在着一些风险。 其中，时间性能在现阶段是蚁群算法最大的缺陷之一，如何改善算法的收敛速度，仍是未来的研究方向之一。不过，蚁群算法作为一种群智能算法，与并行计算的结合，会大大提高算法的性能和运行效率，随着并行计算和云计算的发展，蚁群算法的先天优势可以很好地适应于并行计算和云计算。因此，对蚁群算法的进一步研究，仍具有很大的理论意义和实践意义。 ？？？？ 谢谢观赏 * * 基于蚁群算法的图像边缘检测 作者：whypro E-mail: whypro@live.cn 章节安排 图像边缘检测概述 蚁群算法边缘检测模型 算法的实现 总结和展望 图像边缘检测概述 图像的边缘 边缘是指图像强度（灰度值）发生急剧变化的区域边界，是图像最基本的特征之一。图像边缘可分为阶跃型、屋顶型两种类型。如图所示。 阶跃型边缘 屋顶型边缘 常用边缘检测方法 基于微分算子的边缘检测（传统方法） Robert 算子 Sobel 算子 Laplacian 算子 Canny 算子 基于小波理论的多尺度图像边缘检测 基于数学形态学的图像边缘检测 基于模糊数学的图像边缘检测 基于神经网络的图像边缘检测 基于遗传算法的图像边缘检测 蚁群算法边缘检测模型 蚁群算法的基本原理 蚁群算法是一项基于蚁群特点的群智能技术，最早由Marco Dorigo等人于1992年提出，称之为蚂蚁系统(ant system，AS)，用于解决在图中寻找最优路径问题，即旅行商问题(TSP) 。 蚁群算法模拟了自然界蚂蚁的觅食过程，它们起初随机地移动，当找到食物后，在返回蚁群的途中分泌一种信息素(pheromone)，吸引其他蚂蚁趋向于选择该路径，从而对路径进行巩固和加强。 这样，当一只蚂蚁在蚁群与食物之间找到了一条最佳（最短）路径，其他蚂蚁也随之选择同样的路径，这种正反馈机制使得蚁群最终会趋向于一条路径。蚁群算法正是模拟了这种群体行为来解决多种多样的问题。 蚁群算法的基本原理 蚁群算法的基本原理 蚁群中的蚂蚁开始随机地移动。 如果它发现了食物，就立即返回蚁巢，并在返回途中释放信息素。 信息素吸引附近的其他蚂蚁沿着信息素轨迹移动。 这些蚂蚁找到食物返回蚁巢后，该路径上的信息素浓度得到巩固和加强。 如果有两条路径通向相同的食物源，那么经过足够的时间，短路径上的蚂蚁会越来越多。 短路径上的信息素浓度将越来越高，从而吸引更多的蚂蚁。 长路径上的信息素不断挥发，直至消失。 最终，几乎所有的蚂蚁将选择最短的路径。 蚁群算法的基本原理 蚁群算法的基本特征 正反馈性：蚂蚁个体趋向于选择最优路径，从而最优路径上将积累更多的信息素，而高浓度的信息素又会吸引更多的蚂蚁，正反馈过程引导整个系统向最优解的方向进化。 分布式计算：每只人工蚂蚁在问题空间的多个点同时开始相互独立地构造问题解，而整个问题的求解不会因为某只人工蚂蚁无法成功获得解而受到影响。 鲁棒性：相对于其它算法，蚁群算法对初始路线要求不高，即蚁群算法的求解结果不依赖于初始路线的选择，而且在搜索过程中不需要进行人工的调整。 并行性：蚁群算法中蚂蚁个体搜索的过程彼