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。     

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.     

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。     

基于改进蚁群算法的轨道图像边缘检测方法

针对轨道图像边缘检测效果不佳的问题,提出一种基于改进蚁群算法的边缘检测算法.在蚁群的路径选择中加入搜索热度因子,考虑轨道边缘的连续性和完整性后,结合灰度梯度值、像素点的相位角度和蚂蚁移动的方向性,重新设计了启发函数.动态调整了局部信息素更新公式,并基于混沌扰动改进了全局信息素更新公式.通过仿真实验验证了算法的有效性.     

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。     

基于改进蚁群算法的CT图像边缘检测方法研究

将蚁群算法(ACA)应用于CT图像边缘检测领域,提出一种新的CT图像边缘检测方法。为了提高检测效率、精确度和对各类CT图像的适应性,对蚁群算法进行了改进,并针对图像中的不同内容采取不同的转移策略和信息素更新规则。实验结果表明了该算法的有效性,满足了CT图像三维重建的需求。     

蚁群算法在图像边缘检测上的应用研究

将蚁群算法应用于图像边缘检测,提出了一种利用灰度梯度引导的蚁群搜索图像边缘的算法,其核心思想是利用图像的灰度梯度作为启发信息,并加入运动方向改变量,引导蚁群搜索边缘,迭代搜索可能的局部边缘曲线。通过对蚂蚁行走过路径上的信息素分布进行更新,使得分布在真实边缘上的信息素逐渐增大,从而使搜索逐渐向真实的边缘收敛,最后根据信息素的遗留结果提取的边缘曲线。此算法可有效抑制噪声干扰,最大限度的保留细节信息,以达到有效提取图像边缘的目的。同时在灰度提取及蚁群的选择上较已有相关算法有较大改进,并分析效果指出不足和进行相关的改进的方向。     

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。     

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。     

基于改进蚁群算法的图像边缘检测研究

传统的蚁群算法应用于图像边缘检测时,会出现边缘不够平滑、受噪声影响大、易收敛于局部等问题。为了提高边缘检测的效果,将灰度梯度与区域灰度均值方法相结合,确定蚂蚁的初始位置和启发矩阵;引入权重因子定义新的概率转移函数,并通过混沌算法和自适应参数进行信息素矩阵的更新,避免过早陷入局部最优。实验结果表明,改进的蚁群算法可以有效减少噪声对边缘检测的影响,并获得更加完整和清晰的图像边缘,取得较好的效果。     

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。     

基于聚类的蚂蚁优化算法

尽管蚁群优化算法在优化计算中有大量应用，但在大规模优化问题中蚁群算法仍存在搜索时间过长、易于停滞现象等等应用瓶颈。基于这些原因，根据经济学组织交易成本理论，文中提出一种新的通过聚类来降低优化问题规模的蚁群优化算法：基于聚类的蚂蚁优化算法，并从理论上表明比其他蚁群优化算法提高了收敛速度并延迟停滞现象。     

基于蚁群算法的聚类优化

为解决大型网络中的最短路径问题,基于蚁群算法进行聚类优化研究。结合蚁群算法和聚类算法,将网络分割成若干个小网络后进行处理并合成,同时在过程中直接简化网络,透明化无意义的点。实验结果表明,优化后的算法能准确获得所要求的最优解,具有较快的收敛速度。     

蚁群算法参数优化

针对蚁群算法运行参数选取问题,提出一种利用粒子群优化算法对蚁群算法的运行参数进行优化选择的方法。将蚁群算法的运行参数作为粒子群的位置信息,在算法迭代过程中使用粒子的当前位置作为算法参数,运行蚁群算法求解标准优化问题,设计适应值评价函数对求解性能做出评价,引导粒子向着适应值高的方向趋近。仿真结果表明,该算法能够方便有效地实现对蚁群算法运行参数的优化选取。     

灰度梯度感知人工蚁群的数字图像边缘检测

基于D.R.Chialvoetal.提出的原始模型和V.Ramosetal.的扩展模型,提出了一种用于数字图像边缘检测的基于灰度梯度感知的人工蚁群模型(ACGGP)。模型利用灰度梯度启发信息和信息素轨迹信息共同来指导蚂蚁的行为,这种策略能够有效地减小群体规模进而提高算法的时间性能。此外,还对模型体现出类似于某些人类视觉感知的机制,包括群体短暂记忆、图像主要特征敏感特别是能够良好抑制噪声的自发侧抑制机制等特征进行了阐述。模型在若干幅8bit灰度图像上进行了测试,并和Ramos模型以及经典数字图像边缘检测算法(canny算法)进行了客观比较。     

基于蚁群优化算法的NoC映射

功耗问题正逐渐成为NoC领域的研究热点,很多研究人员都在研究NoC功耗最小化的设计技术。文章采用一种有效的蚁群优化算法实现了NoC映射：在自动映射处理单元的同时,尽可能地减少了系统的通讯功耗。实验结果表明采用蚁群优化算法可以很快地收敛;针对不同的应用,可以减少25％-70％通讯功耗。     

基于边缘连续性的边缘检测算法

针对传统的边缘检测算法抗噪能力弱、弱小边缘难以检测以及边缘图像容易出现断层等问题,本文提出了一种新的边缘检测算法。该方法首先对边缘进行提取,然后进行边缘连接。边缘是图像灰度突变的反应,像素点的梯度以该像素点为对称中心,由对称位置灰度有明显变化的像素点的个数加权得到。对梯度较大的像素点计算其方向,通过像素点方向的连续性进行边缘提取。为了克服边缘图像出现断层的缺陷,利用蚁群算法进行边缘连接 。实验结果表明,该方法有较强的抗噪能力,尤其对椒盐噪声,且可以有效地检测出灰度变 化不明显的边缘。     

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。