混沌蚁群算法在图像边缘检测中的应用

运用混沌蚁群算法进行图像的边缘检测是针对混沌蚁群算法具有随机性、遍历性、正反馈性,通过更新信息素矩阵来计算图像阈值,从而获得图像边缘信息,能够更全面、迅速地找到图像的边缘,避免过早陷入局部最优,提高了图像边缘检测的连续性和准确性。计算机仿真实验表明,通过混沌蚁群算法获得的图像边缘更加完整和清晰,取得了较好的效果。     

结合Powell-RWACO的图像边缘提取算法*

针对蚁群算法在图像边缘提取中经常出现收敛速度慢、检测精度低、停滞等问题,提出一种结合Powell法的排序加权蚁群(Rank Weighted Ant Colony Optimization, RWACO)图像边缘提取算法。该算法将RWACO算法与Powell法相结合,利用RWACO算法进行全局优化,然后将全局最优值作为Powell法的初始点进行局部优化。实验结果表明,该算法兼顾了全局优化和局部优化的优点,与蚁群算法和Canny算法相比,明显提高了图像边缘精度,计算效率比蚁群算法提高了两倍多,并克服了其停滞等缺点,能够高效地检测出图像的边缘。从而验证了该算法的可行性,对今后的图像边缘检测具有参考价值。     

蚁群优化模式下的图像边缘检测算法分析

边缘是图像中最基本、最重要的特征因素之一,也是图像工程中进行图像处理与分析的重要步骤;蚁群算法体现出较强的鲁棒性、正反馈性以及分布式处理等特点,是一种新型的搜索优化算法,因此其在组合优化方面的应用也越来越广泛。本文就以蚁群优化模式为基础,提出一种图像边缘检测算法:文中具体阐述了图像边缘检测的相关概念与常用检测方法;针对实例提出边缘检测蚁群算法,并对实验结果进行分析。     

基于蚁群优化的图像边缘检测算法

为提高图像边缘检测的精度与抗噪性能,提出一种基于蚁群优化的图像边缘检测算法.将图像像素梯度值和像素圆形邻域统计均值的相对差共同作为蚁群的启发信息,引导蚁群搜索图像边缘.实验结果表明,该算法能最大限度地保留边缘细节,并能抑制噪声和纹理,具有较好的鲁棒性.     

医学图像边缘检测的Levy-DNA-ACO算法研究

以带Levy飞行特性的新型DNA-蚁群算法为手段,提出了一种新的医学图像边缘检测优化智能算法。带Levy飞行特性的新型DNA-蚁群算法通过利用Levy飞行特性的扰动性避免基本算法陷入局部最优,利用DNA交叉与变异操作来调控算法参数,从而缩短搜索时间,提高搜索精度。利用新的改进蚁群算法解决医学图像边缘检测,实验仿真效果表明改进蚁群算法在解决医学图像边缘检测问题上更加精细,效果更好。     

基于蚁群算法的噪声图像边缘检测

针对噪声图像边缘检测问题,提出了一种基于改进蚁群算法的边缘检测方法。算法对蚁群算法收敛速度慢,易收敛于局部最优解的缺点进行了优化,引入了改进的蚂蚁生命周期策略,综合考虑像素邻域差和图像边缘曲线连续性等因素来确定启发式引导函数,在蚂蚁搜索起始点的选取、蚂蚁路径选择策略、信息素更新策略、启发因子的选择等方面提出了优化,实验证明,算法在收敛速度和边缘检测效果上相比传统蚁群算法有了较明显的改善,是一种较为有效的边缘检测方法。     

基于蚁群优化算法的复杂背景图像文字检测方法

针对复杂背景图像中的文字检测问题,提出一种基于蚁群优化算法的复杂背景图像文字检测方法。该方法首先采用蚁群优化算法提取图像边缘;然后在边缘图像上提取特征,采取由粗到精多级检测、验证的策略进行文字检测。与基于Soble算子、Canny算子等方法的对比实验结果表明,所提出的基于蚁群优化算法的文字检测方法可有效地实现复杂背景图像中的文字检测。     

基于均衡化和K均值改进蚁群算法的边缘检测

研究图像特征的提取,边缘检测是图像处理中很重要的组成部分.在研究灰度图像的边缘检测问题中,根据像素灰度值的分布特点和图像的边缘特性,提出了一种基于直方图均衡化和K-均值改进蚁群算法相结合的边缘检测方法.采用直方图均衡对图像进行增强,以减小目标与背景的相似度,增大了反差,使图像细节清楚,另外采用模糊聚类的K-均值改进蚁群算法实现对图像边缘信息的快速提取.通过仿真表明方法收敛速度快,检测效果好, 具有较强的实用价值.     

融合模糊聚类的蚁群图像增强算法

为提高边缘检测精准度,保证图片分割后效率和效果,本文提出一种基于融合模糊聚类的蚁群图像增强算法。该算法利用分量灰度值、灰度梯度值和领域特征值进行图像特征提取,得到特征灰度图;然后使用模糊聚类算法对区域蚂蚁进行聚类以提高收敛速度;再采用蚁群算法进行图像边缘检测,检测过程中,使用路径选择策略对蚁群进行有序搜索,提高搜索效率,又根据信息素更新策略进行最优路径信息交流,以达到边缘点提取与检索目的;最后将检索所得灰度边缘图与原图进行重合,得到图像增强效果。实验结果表明,该改进算法在检索时间方面相较于传统蚁群算法提高了20.7%;在精度方面提高了14.8%,图片分割效果更好,纹理更清晰。     

基于K-均值改进蚁群优化的彩色图像边缘检测算法

为提高图像边缘检测的精度,提出一种基于K-均值改进蚁群优化（ACO）的彩色图像边缘检测算法。将聚类嵌入到边缘检测中,使这2类图像分割方法有效结合,增强了2类方法的优势。实验结果表明,该算法有效解决了传统蚁群算法（ACO）收敛较慢的问题,较好地保留了图像边缘细节,降低了计算复杂度,与典型分割方法相比具有更好的性能。     

基于多态蚁群优化的图像边缘检测

为了获得更好的边缘检测效果,提出了多态蚁群优化的边缘检测算法。通过侦察蚁的局部搜索标记侦察素,在搜索蚁进行全局搜索的过程中辅以侦察素的作用,提高算法的寻优能力。实验表明,算法在能够提取出弱边缘的情况下,有效地抑制了噪声和纹理信息。     

Edge detection using ant algorithms

In this paper a new algorithm for edge detection using ant colony search is proposed. The problem is represented by a directed graph in which nodes are the pixels of an image. To adapt the problem, some modifications on original ant colony search algorithm (ACSA) are applied. A large number of experiments are employed to determine suitable algorithm parameters. We drive an experimental relationship between the size of the image to be analyzed and algorithm parameters. Several experiments are made and the results suggest the effectiveness of the proposed algorithm.     

基于免疫蚁群融合算法的机械臂目标图像边缘检测*

针对工业机械臂目标自识别所需的高效图像边缘检测要求,提出了一种基于免疫蚁群融合算法的图像边缘检测方法。该方法以信息素为基准,通过注射疫苗进行免疫选择从而优化启发信息,提高后续遍历效率并有效缩短检测时间。避免了蚁群在游历全图时可能产生的局部最优、收敛停滞等问题,从而得到符合机械臂自识别要求的图像处理结果,并能够较好地提高迭代遍历效率,缩短后续处理时间。仿真实验结果表明,该算法能够得到较好的边缘检测结果。