基于蟻群算法的圖像邊緣檢測方法研究.pdf

1、蟻群算法作為一種模擬進化算法，主要采用信息素來進行方向的選擇，通過全局性的搜索得到較優(yōu)解。具有正反饋性，分布性，魯棒性等優(yōu)點。在網(wǎng)絡(luò)路由優(yōu)化，車輛調(diào)度，數(shù)據(jù)挖掘，群體智能等領(lǐng)域具有廣泛應(yīng)用。
　　本文針對蟻群算法易陷入局部最優(yōu)解和出現(xiàn)停滯的問題，提出了一種改進的蟻群算法。該算法引入蜂群算法的思想，將蟻群分為不同的群體，賦予其不同的路徑探索概率，同時結(jié)合初始信息素的優(yōu)化和信息素的更新策略，來改善算法的缺陷，獲得全局最優(yōu)解。利用eil

2、51數(shù)據(jù)集，對該算法中螞蟻的數(shù)量、信息素含量和信息素揮發(fā)因子等主要參數(shù)進行了實驗研究，得到了各參數(shù)的最優(yōu)設(shè)置區(qū)間。針對經(jīng)典圖像邊緣檢測方法中易出現(xiàn)細節(jié)性模糊、偽邊緣以及邊緣的不間斷性問題，將改進的蟻群算法應(yīng)用到圖像的邊緣檢測，實驗結(jié)果證實，該算法獲得的邊緣信息完整性較好。
　　本文的主要工作和取得的成果如下:
　　(1)采用蜂群算法的分類方法，將蟻群算法中的蟻群分為三種不同的群體，即偵查蟻，引領(lǐng)蟻和跟隨蟻，負責(zé)不同的探索路徑

3、。這種分類方法不僅可以節(jié)約收斂的時間和得到更優(yōu)的路徑解集，而且充分體現(xiàn)了蟻群分工協(xié)作的特性。
　　(2)針對蟻群的不同群體，賦予不同的路徑探索概率。對分類后的螞蟻分別采用概率p1與p2相結(jié)合的概率，來計算轉(zhuǎn)移路徑的概率，進而選擇下一步的探索路徑，較好地解決了蟻群算法容易出現(xiàn)的早熟現(xiàn)象、陷入局部最優(yōu)解、甚至出現(xiàn)停滯的問題。
　　(3)在蟻群算法的初期，往往要經(jīng)過長時間的路徑探索，才能根據(jù)遺留的信息素含量判斷出其下一步的路徑方向

4、。因此，本文對初始時期路徑上的信息素含量進行了重新定義，進而得到初始時期的信息素區(qū)分，降低了算法初期的探索時間。同時，為避免由于初始時期不是很優(yōu)路徑上的信息素含量逐漸增多，導(dǎo)致后來由于信息素的殘留而造成錯誤的選擇路徑，陷入局部最優(yōu)解。本文采用如下信息素更新策略:如果當(dāng)前螞蟻的路徑值優(yōu)于之前所有的最優(yōu)路徑，那么就對該螞蟻自身經(jīng)過路徑后遺留在路徑上的信息素進行增強處理，否則進行削弱處理。
　　(4)蟻群算法中參數(shù)設(shè)置是否合理，對算法的

5、性能有較大影響。本文采用eil51數(shù)據(jù)集，對改進的蟻群算法的參數(shù)進行了較為系統(tǒng)的實驗研究，給出了信息素含量總值Q、螞蟻的數(shù)量m、信息素揮發(fā)因子1-ρ、信息素啟發(fā)因子α以及信息素期望啟發(fā)因子β等參數(shù)的最佳取值范圍。
　　(5)針對圖像邊緣檢測易出現(xiàn)的邊緣不連續(xù)和光滑性模糊等問題，本文將改進的蟻群算法應(yīng)用于圖像邊緣檢測問題，并具體給出了節(jié)點的信息素定義、信息素更新策略（信息素濃度的削弱或增強）、閾值的定義以及利用閾值來對信息素矩陣進行