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。     

基于改进蚁群算法的图像边缘检测研究

针对基本蚁群算法对图像边缘检测效果不理想,提出了一种改进蚁群的图像边缘检测算法。通过改进蚂蚁转移规则和信息素更新策略,使得蚂蚁更具有多样性选择。实验仿真结果表明,该算法可以有效地检测出图像边缘,提高检测的效果。     

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.     

基于感知功能和变步长的蚁群图像边缘检测

针对传统蚁群算法对图像边缘检测需要重复计算、步长单一问题,提出了一种具有感知功能和变步长的蚁群图像边缘检测算法。让觅食蚁具有感知功能和灵活的步长,这样,可以避免大量的重复计算同时让觅食蚁快速搜索到图像边缘。实验仿真结果表明,该算法可以有效地检测出图像边缘,运行时间明显缩短。     

噪声图像中提取边缘的蚁群搜索算法

该文提出一种边缘引导的蚁群搜索算法,以解决常用的边缘提取方法抑制噪声能力不强,提取边缘不连续的缺点.此算法首先进行边缘检测获取由真实边缘和噪声组成的可能边缘点;然后利用可能边缘信息引导蚁群迭代搜索局部边缘曲线,并根据蚂蚁搜索曲线的长度更新其行走路径上的信息素分布,使搜索逐渐向真实的边缘收敛;最后,依据信息素遗留提取真实的边缘曲线.相对传统的蚁群算法,该文利用边缘信息引导蚁群搜索,增强了搜索的目的性,提高了算法效率.多组噪声图像的实验表明:该算法能够有效地从噪声图像中提取物体的真实边缘,在最大限度地保留细节信息的同时抑制噪声.     

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.     

求解函数优化问题的快速连续蚁群算法

 用蚁群算法进行函数优化时,存在收敛速度慢并易于陷入局部最小等问题.为此,根据对真实蚂蚁的最新研究成果,提出了一种全新的由侦察蚁和觅食蚁协作搜索的函数优化快速连续蚁群算法.该算法首先引入混沌序列确定侦察蚁的初始位置,然后由侦察蚁进行全局大视域快速搜索,且每迭代完一步和每迭代完一代都要对解进行评价,并对本代最优解的信息素进行标记,由此吸引觅食蚁在本代最优解周围空间进行小步长搜索.通过这种初始化方法和侦察蚁与觅食蚁的相互协作,不仅能很好的提高寻优精度,且使收敛速度大幅提高.计算机仿真实验结果表明,本算法寻优率高,收敛速度提高显著,效果令人满意.     

基于灰色简化B型关联度的图像边缘检测

鉴于传统的灰色边缘检测算法在阈值选取上需要人工干预,不具备自适应能力,提出了基于灰色简化B型关联度的自适应阈值选取进行图像边缘检测新算法.首先,用标准差化矩阵算子对图像灰度值进行预处理;其次,在3×3的像素模板上,将预处理后的中心像素点及周围8个像素点的数值一维化作为比较序列,并将这9个像素点的均值作为参考序列;最后,利用简化B型关联度计算两者之间的灰关联度,根据迭代算法求取灰色简化B型关联度的最佳阈值来检测图像边缘.实验结果表明,所提算法对灰度变化剧烈的图像具有较强的适应性,检测边缘清晰准确,比传统的邓氏相关度边缘检测算法能够更好的抑制噪声.     

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。     

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...