基于蚁群算法图像边缘检测答辩.pptVIP

工作安排 Part One 目 录 Contents 研究背景和目的 Part Two 图像边缘检测 Part Three 蚁群算法 Part Four 实验结果及分析 Part Five 总结 30 总结 Part Six 本文提出了一种基于蚁群算法的图像边缘检测，它是根据自然界中蚂蚁能够找到食物与蚁巢间最短路径这一智能行为而提出的一种新型的进化算法。通过一系列的仿真实验改变参数值，得到了较佳的实验效果。与传统边缘检测算子相比，该算法具有很强的鲁棒性，良好的正反馈特性和适应性，且收敛速度快。 （1）掌握蚁群算法的基本原理和基本模型。 （2）成功实现基于MATLAB的边缘检测技术仿真。 （3）通过多次实验寻找到较佳参数设定。 工作安排 Part One 目 录 Contents 研究背景和目的 Part Two 图像边缘检测 Part Three 蚁群算法 Part Four 实验结果及分析 Part Five 亮点与不足 31 总结 Part Six 收获的成绩 （1）对于蚁群算法参数的选取原则和方法目前还没有理论上的指导和进展，只能通过大量实验进行调节，因此如何设置最佳参数需更进一步研究。 （2）由于蚁群算法的搜索时间较长，可以思考将蚁群算法与其他优化算法相结合，以此提高算法性能。 存在的不足 谢谢聆听！ Thanks for listening！ 指导老师：XXX 汇报人：XXX 首先，简要介绍一下整个毕设的工作安排。 这是近四个月的工作进展情况，在此，十分感谢韩华导师长期以来对我的精心指导和大力帮助。 在整个毕业设计的过程中，主要分为四个思想：实验设计、理论学习、算法研究和实验分析。 从上世纪五、六十年代以来，随着现代计算机技术的进步，图像处理和识别技术发展越来越快。目前数字图像处理技术已经成为21世纪信息时代的一门重要的高新科学技术。覆盖了了X射线图像、生物医学图像和粒子物理分析等多个领域。 * 在图像处理、图像分析和计算机视觉等领域最经典的研究课题之一便是边缘检测。 如何快速、精准的提取图像边缘信息一直是数字图像处理领域的研究热点和焦点问题，它在诸多应用中都起着关键的作用。因此，图像边缘检测的研究具有很强的理论意义和现实价值。 * 传传统的边缘检测方法是从图像的高频分量中提取边缘信息，对原始图像进行微分运算，以便提取出图像边缘。 * 这张图可以直观的体现出蚁群算法的工作原理。 蚂蚁选择路径的过程是随机的，假设有40只蚂蚁从同一巢穴出发，这个为障碍物，20只蚂蚁往上走，20只蚂蚁往下走。每只蚂蚁经过之后所留下的信息素量为1。在本次过程中，设置信息素停留在路径上的时间为1。那么，走下面这条路径的蚂蚁到达食物的时间较短，通过较短路径的蚂蚁可以在相同时间内搬运更多次的食物回巢。从而导致该路径上的信息激素不断增强，后来的蚂蚁感知到之后就会以较大的概率选择该路径。 * 从上面的描述中，可以归纳出蚁群算法有自组织性、正反馈性和分布式计算的特点。 第二步是优化过程，在此过程中建立信息素矩阵，确定迭代过程。 * 本次实验的检测结果在MATLAB R2012b环境下运行所得。 * 从这两张边缘检测结果图可以看出，蚁群算法对于图像的边缘检测，具有很好的收敛效果，图像中的大部分边缘都被检测出来。先从左图lena这张图像的检测结果分析，其图像边缘基本能够检测出来，但是边缘线条不够平滑。从右图pollen图像的运行结果可以看出，那些细小目标的边缘有部分丢失。 根据程序代码和运行结果，我推测边缘检测效果不理想可能是由于蚁群算法中参数所致。 * 据文献《蚁群算法中参数设置的研究》记载，参数改变能够影响检测结果。根据文献中所描述的参数选取的基本原则，将参数设置为α=1，β=5，ρ=0.5，进行第二组实验。 从图中看出，相比较上一组运行结果图，该组数据的图像边缘更连续，使得边缘有了愈加清晰的细节呈现。 从两组数据的对比中可以得出结论：蚁群算法中参数的改变对于边缘检测的结果有很大的影响。 * 将第一组数据作为参照，将α、β和ρ等量放大5倍，运行结果如上图。等量缩小为其1/2，结果如下图。从这两组检测结果图中可以看出，参数越小，图像的边缘呈现越清晰。 * 这两组图所示的是启发因子α对边缘检测结果的影响。信息启发因子α表示的是人工蚂蚁选择下一个路径时，信息素所起作用的大小。 实验采用控制变量的方法，保持β和ρ不变，改变α的值。 通过与第一组数据的对比，可以看出，当α越小时，图像边缘越明显。 * 这两组图所示的是期望启发因子β对边缘检测结果的影响。β表示的是启发信息对蚂蚁选择下一个访问的像素点的影响程度。 从检测结果中可以看出，随着β值变大，算法的收敛性能有变差的趋势，导致蚁群搜索最优路径的随机性减弱，其图像检测边缘较模糊。 * 信息素挥发