基于蟻群算法的圖像邊緣檢測(cè).pdf

1、邊緣信息是圖像最基本的特征，所包含的也是圖像中用于識(shí)別的有用信息。為人們描述或識(shí)別目標(biāo)以及解釋圖像提供了有價(jià)值的和重要的信息。邊緣檢測(cè)一直是計(jì)算機(jī)視覺和圖像處理領(lǐng)域的經(jīng)典研究課題之一。其目的是去發(fā)現(xiàn)圖像中關(guān)于形狀和反射或透射比的信息，是圖像處理、圖像分析、模式識(shí)別、計(jì)算機(jī)視覺以及人類視覺的基本步驟之一，其結(jié)果的正確性和可靠性將直接影響到機(jī)器視覺系統(tǒng)對(duì)客觀世界的理解。由于目標(biāo)邊緣、圖像紋理甚至噪聲都可能成為有意義的邊緣，因此很難找到一種普

2、適性的邊緣檢測(cè)算法，現(xiàn)有諸多邊緣檢測(cè)的方法各有其特點(diǎn)，同時(shí)也都存在著各自的局限性和不足之處，因此圖像的邊緣檢測(cè)這個(gè)領(lǐng)域還有待于進(jìn)一步的改進(jìn)和發(fā)展。
　　 傳統(tǒng)基于蟻群算法的邊緣檢測(cè)算法極易陷入局部最優(yōu)解，對(duì)邊緣定位不準(zhǔn)確，其主要原因如下：首先，由于噪聲與邊緣都處在圖像中灰度發(fā)生突變的部分，因此螞蟻搜索過程中選擇噪聲點(diǎn)與選擇邊緣點(diǎn)的概率是相同的，未能有效抑制噪聲；其次，螞蟻初始位置選擇的隨機(jī)性，使得很多螞蟻分布在背景內(nèi)進(jìn)行無關(guān)計(jì)算

3、，降低了算法的效率；最后，要得到完整的邊緣需要眾多螞蟻經(jīng)過大量循環(huán)計(jì)算。蟻群算法的很多缺陷(如：陷入局部最優(yōu)解)從根源上來說正是由于模型的正反饋性和隨機(jī)性兩者的失衡造成的。
　　 為了減少傳統(tǒng)蟻群算法的計(jì)算量，本文分析了傳統(tǒng)基于微分的邊緣檢測(cè)算法的不足：1)邊緣定位不準(zhǔn)確；2)對(duì)角點(diǎn)存在漏檢現(xiàn)象。為了解決角點(diǎn)漏檢問題，本文分析了信號(hào)希爾伯特變換特點(diǎn)，提出了運(yùn)用希爾伯特變換提取角點(diǎn)。首先利用Canny邊緣檢測(cè)算子的原理提取出了邊緣