基于蚁群搜索的直线检测算法

提出一种直线检测的蚁群搜索算法,以解决常用的直线检测方法抑制噪声能力不强、检测直线不连续的缺点.此算法首先进行边缘检测获取边缘点;然后利用边缘信息引导蚁群迭代搜索可能的直线边缘,根据直线的搜索长度更新蚂蚁运动路径上的信息素分布,使搜索逐渐向长直线收敛;最后,依据搜索路径的信息素遗留提取图像中的直线边缘.多组标准图像的实验表明:该算法能够有效地从图像中提取直线,同时具有较强的噪声抑制能力.     

基于蚁群算法的图像边缘提取技术

蚁群算法是根据真实蚁群的觅食原理提出的一种新兴的启发式智能搜索算法.本文将蚁群算法应用于图像边缘搜索提取中,通过蚂蚁的智能特征,自适应的调整自己的行为,对图像边缘进行搜索提取.同时,引入了"精英蚂蚁"的概念,将精英蚂蚁的概念与蚁群算法想结合,优化了搜索过程,并提高了搜索速度.     

基于改进的人工蚁群的图像分割算法

蚁群算法具有良好的离散型、并行性、正反馈性和鲁棒性,非常适合用于图像分割.基本蚁群算法存在着收敛速度慢、图像边缘的细节信息保留不完全等不足.改进了蚁群算法的启发信息,提高了蚁群算法的收敛速度,同时更有效地保留图像边缘的细节信息.图像的奇异值中只包含了少量的细节信息,大量细节信息体现在图像矩阵的2个正交矩阵中.通过利用奇异值分解作为启发信息,与信息素共同指导蚂蚁的行为.通过对蚂蚁行走路径上的信息素分布进行更新,使得分布在目标路径上的信息素逐渐增大,逐渐向分割图像收敛,根据信息素分布提取分割结果.仿真实验表明,对图像得到了理想的分割结果.     

结合蚁群搜索与边缘检测的红外轮廓提取算法

现有的边缘检测算法对红外图像进行边缘提取的过程中,容易出现边缘模糊和噪声残留等现象;针对这种现象,提出了一种结合蚁群搜索与边缘检测的红外轮廓提取算法。根据小波变换后各高频子带间的相关性,引入了图像的相关性因子来对图像信号进行分类;并对提取的边缘信号进行基于蚁群算法的边缘检测算法进行边缘提取,来去除其中的噪声信号并对弱边缘信号进行保护。实验结果表明,其实验结果与预期效果基本相符,在不同复杂背景的红外图像中,都具有较好的边缘保护效果与抗干扰能力。     

基于侦察和感知能力的蚁群图像边缘检测算法

针对蚁群算法在进行图像边缘检测时,蚂蚁会做大量的无效搜索,增加算法的运行时间。提出了具有侦察能力和感知功能的蚁群图像边缘检测算法,让侦察蚁进行侦察,排除大量的非边缘区域,然后觅食蚁利用感知能力进行搜索图像边缘。通过实验结果表明,该算法可以得到理想的图像边缘,而且算法的运行效率明显提高。     

改进蚁群优化算法的图像边缘检测

为了解决图像边缘检测中的噪声问题,并提升检测效率与检测效果,提出改进蚁群优化算法的图像边缘检测方法。所提方法改进了传统蚁群优化算法直接在像素域进行迭代的边缘检测过程,其将蚂蚁分为探测蚁和寻路蚁,寻路蚁采用数据结构控制思想在原图像上随机选择迭代路线,根据蚂蚁移动角度设置像素点结构搜索路线,在所经过的每个像素点上进行附近像素点结构搜索,快速获取整体图像边缘检测信息,再利用探测蚁将寻路蚁给出的结果进行蚂蚁外激素检测,完成对检测效率与检测效果的改进。实验结果证明,相比传统蚁群优化算法,改进蚁群优化算法在图像边缘检测的效率与效果上均有很大提高。     

蚁群算法在全方向M型心动图检测中的应用与研究

为了解决传统边缘检测算法对全方向M型心动图检测效果差的问题,根据基于蚁群算法边缘检测的思想,提出一种基于改进的蚁群算法的边缘检测算法。根据心动图间接来源于CT图的原理,一幅心动图中包含目标、背景、边界和噪声等内容,因此采用传统的边缘检测算法的效果并不理想。这里在传统蚁群算法边缘检测的基础上,根据心动图的特点,采取改进的转移规则和信息素更新策略,以提高检测精度和适应性。再逐步细化,使用蚂蚁算法进行详细的检测,得到最佳的运动曲线。实验结果表明,该算法可以获得精确的运动曲线,其结果能够比传统的方法获得更丰富更真实的心动图运动细节信息,为医生的诊断提供更多信息。     

结合蚁群算法与二维直方图的红外图像分割

现有的图像分割算法存在着耗时量大,分割效果不佳等问题,不适用与红外系统领域的应用。针对上述问题,根据灰度级－梯度二维直方图的目标分割优势,通过与蚁群算法相结合,提出了一种结合蚁群算法与二维直方图的红外图像分割算法。通过在传统的灰度－梯度二维直方图进行引入边缘与噪声区域的相关量;通过将图像窗口化,并根据最佳分割阈值对蚁群的启发函数以及信息素更新进行重新定义,来实现红外目标的快速提取。实验结果表明,该算法分割后的红外目标边缘清晰,抗干扰能力较强,且运算速度也得到了有效提高。     

单变量边缘分布算法与蚁群算法的混合算法收敛性分析

智能混杂算法是当前智能优化算法的研究热点,可以融合多种优化算法的优势,提高算法的性能。单变量边缘分布算法具有大范围快速全局搜索能力,但不能很好地利用系统中的反馈信息;蚁群算法是一种并行的分布式正反馈系统算法,但其初期信息素匮乏,求解速度慢。将单变量边缘分布算法与蚁群算法相结合,可以优势互补。基于上述思想,提出一种基于单变量边缘分布算法与蚁群算法混合的算法,并运用马尔科夫随机过程理论对该算法的收敛性进行了分析,结果表明了该算法的优化解满意值序列是单调不增的和收敛的。     

一种基于蚁群优化的显著边缘检测算法

该文提出一种基于蚁群优化的显著边缘检测算法。该算法利用相位编组方法计算支持区面积作为描述图像边缘梯度方向一致性的指标,将梯度幅度和支持区面积结合起来形成启发信息和信息素增量的计算方法,采用线性加权方法将信息素、梯度幅度、支持区面积3种信息综合起来得到蚂蚁转移概率,通过引入禁忌表增大蚂蚁的活动范围。实验结果表明:该文提出的算法能够有效检测图像中的显著边缘特征,对多类图像都有良好的适应性,而且收敛速度较快。     

基于蚁群优化与细菌趋化性的图像边缘检测算法

为解决基于蚁群优化的图像边缘检测算法中信息素的作用不明显,难以获得全局最优解,从而降低目标边缘的检测精确度与效率等问题,提出一种基于细菌趋化性(BC)耦合蚁群优化(ACO)的边缘检测算法。通过细菌趋化性找到最佳解决方案,用于产生信息素的初值;将BC得到的信息素初值作为ACO的初始信息素,计算每只蚂蚁的行走概率,从而选择最佳的行走路径。当蚂蚁每经历一个像素点时,更新局部信息素。全部的蚂蚁完成迭代后,进行全局信息素更新,搜寻全局最优解;最后,根据信息素最优解与阈值的关系,得到目标的边缘与非边缘,完成边缘检测。测试表明：与其他边缘检测算法相比,所提算法具有更好的边缘连续性和清晰性,能准确检测图像中的微小边缘,同时呈现出理想的收敛速度。     

Solution to the problem of ant being stuck by ant colony routing algorithm

Many ant colony routing (ACR) algorithms have been presented in recent years, but few have studied the problem that ants will get stuck with probability in any terminal host when they are searching paths to route packets around a network. The problem has to be faced when designing and implementing the ACR algorithm. This article analyzes in detail the differences between the ACR and the ant colony optimization (ACO). Besides, particular restrictions on the ACR are pointed out and the three causes of ant being-stuck problem are obtained. Furthermore, this article proposes a new ant searching mechanism through dual path-checking and online routing loop removing by every intermediate node an ant visited and the destination host respectively, to solve the problem of ant being stuck and routing loop simultaneously. The result of numerical simulation is abstracted from one real network. Compared with existing two typical ACR algorithms, it shows that the proposed algorithm can settle the problem of ant being stuck and achieve more effective searching outcome for optimization path.     

蚁群算法在求解TSP问题中的改进研究

针对蚁群算法在求解大规模优化问题时存在的3个缺点：消耗时间长、蚂蚁在下次搜索时目标导向不强导致搜索随机性大、寻优路径上的信息素过度增强导致得到假的最优解。本文提出了基于边缘初始化和自适应全局信息素的改进蚁群算法。在相同参数下,其搜索时间大大缩短,并且得到了更好的最优解。将其应用到旅行商（TSP）问题中,和基本蚁群算法、遗传算法相比较,其具有以下优点：较好的搜索最优解的能力;对新解不会过早的终止;探索新解的能力进一步增强。因此,改进的蚁群算法在求解TSP等组合优化问题时非常有效。     

基于改进蚁群算法的无人机低空突防三维航迹规划

探讨了无人机低空突防三维航迹规划中地形、威胁以及航迹代价评估等模型的建立方法.将蚁群算法引入无人机航迹规划,针对传统蚁群算法易出现停滞现象,引入偏航角对启发信息进行调整改进;建立优先搜索集,使蚁群算法更快速有效地搜索到最优航迹.仿真实验结果证明了该规划方法的效率.     

基于蚁群算法的AGV路径规化的实现

蚁群算法是受自然界中蚁群搜索食物行为启发而提出的一种智能优化算法,通过介绍蚁群觅食过程中基于信息素的最短路径的搜索策略,来解决AGV小车寻优路径的问题,并通过仿真验证了这种算法可求得最简路径的效果,并通过AGV地址识别技术,阐述了AGV小车和计算机的通讯协议,以达到较好的控制效果。     

景物边缘提取的独立边缘自增强算法

景物边缘提取是图像理解的重要阶段,针对现有边缘提取方法存在的诸多问题,本文提出了一种独立边缘的自增强算法.此算法通过对边缘检测后图像的反复随机搜索获得各种可能的独立边缘轨迹,然后对所得的每条边缘进行独立自增强,最后根据积累增强的结果来提取边缘.通过大量的实验并与另外两种边缘提取的方法——启发式搜索法和松弛标记法进行了对比,表明我们的方法在提取边缘的同时有效地抑制了噪声,是一种很好的边缘提取方法.     

基于人工蚁群优化的矢量量化码书设计算法

本文提出一种基于人工蚁群优化的矢量量化码书设计新算法.该算法利用人工蚁群系统中蚂蚁通过信息素留存寻找最优路径的机制,结合单只蚂蚁通过拾起、放下物体从而使物体聚堆的行为模式,合理设计放下概率、禁忌列表、信息素更新方式以及相应的参数.与基于进化模拟退火和随机竞争学习的码书设计算法相比,本文提出的算法能获得性能较好的码书,其峰值信噪比比传统的LBG算法提高超过2dB.