基于蚁群算法的图像边缘检测方法研究

发布时间：2017-08-03 08:45

  本文关键词：基于蚁群算法的图像边缘检测方法研究

  更多相关文章： 蚁群算法 边缘检测 阈值 信息素矩阵 遗传算法

【摘要】：图像边缘检测技术是认识数字图像领域、分析数字图像,进而获得图像内容的关键环节。从20世纪50年代中期开始,人们已经从生物进化的机理中开始受到启发,创立了解决图像边缘检测的一些新型算法,例如蚁群算法、遗传算法、人工神经网络算法及其融合算法等一些仿生优化算法。图像常被视为由其像素点组成的大数据量矩阵,因此图像边缘检测可以归结为求解组合优化问题。而蚁群算法的正反馈、鲁棒性、分布式等优点都有利于处理复杂的、大数据量的组合优化问题,或者一些能够转换成组合优化求解类的问题。 本文的主要研究内容如下： 首先简要介绍了论文研究背景及其意义,对蚁群算法和边缘检测算法的现状进行分析。 其次,通过对蚂蚁群体觅食的行为描述,说明蚁群算法的基本思想,阐述了蚁群算法的原始模型及其特点。 然后,论文对边缘检测的蚁群算法具体实现过程进行研究分析。蚁群根据启发引导函数的指引向图像边缘处移动,在边缘像素点上留下信息素,建立信息素矩阵。实验发现叠加四个启发引导函数迭代出的信息素矩阵后,增强了边缘信息,有利于阈值对信息素矩阵进行边缘判定。对蚁群算法中的信息素影响因子α,启发函数的影响因子β,功能函数的系数λ,迭代次数N的参数调整,使得蚂蚁能够更多的聚集至图像边缘,进而信息素矩阵中包含更多的边缘信息,提取的边缘清晰,细节完整。说明蚁群边缘检测方法的有效性,并且对含有一定噪声的图像也有较好的边缘检测效果。 由于依靠经验来选择蚁群参数存在复杂性和随机性,因此本文的最后一章讨论如何利用遗传算法选取蚁群算法的参数。遗传算法得到的蚁群参数减少了人工选参的不确定性以及盲目性。 最后对本论文所做的工作进行全面总结,提出不足之处,并展望了今后要继续研究学习的工作内容。
【关键词】：蚁群算法 边缘检测 阈值 信息素矩阵 遗传算法
【学位授予单位】：云南大学
【学位级别】：硕士
【学位授予年份】：2012
【分类号】：TP391.41
【目录】：

• 摘要3-4
• Abstract4-6
• 目录6-7
• 第1章 绪论7-11
• 1.1 研究背景及意义7-8
• 1.2 蚁群算法的研究现状分析8-9
• 1.3 蚁群边缘检测的研究现状分析9
• 1.4 本文主要研究内容及结构安排9-11
• 第2章 蚁群算法原理11-19
• 2.1 蚂蚁的群体行为描述12-14
• 2.2 蚁群算法的特点14-15
• 2.3 蚁群算法的原始模型15-18
• 2.4 本章小结18-19
• 第3章 基于蚁群算法的图像边缘检测方法研究19-35
• 3.1 基于蚁群算法的图像边缘检测方法19-25
• 3.2 信息素矩阵与阂值选取分析25-29
• 3.3 结果分析29-33
• 3.4 本章小结33-35
• 第4章 利用遗传算法处理蚁群算法参数35-42
• 4.1 遗传算法原理35-36
• 4.2 利用遗传算法选取蚁群参数36-38
• 4.3 实验验证与结果分析38-41
• 4.4 本章小结41-42
• 第5章 总结与展望42-43
• 5.1 总结42
• 5.2 展望42-43
• 参考文献43-46
• 致谢46-47
• 攻读硕士学位期间工作47

【相似文献】

中国期刊全文数据库 前10条

1 刘坤岭;周新志;;基于均衡化和K均值改进蚁群算法的边缘检测[J];计算机仿真;2011年01期

2 张艳丽;保文星;;粒子群优化算法在图像边缘检测中的研究应用[J];计算机技术与发展;2009年05期

3 陈志高;杨香群;;基于基准点的蚂蚁算法在胎儿脊柱裂超声图像边缘检测中的应用[J];计算机与数字工程;2011年03期

4 吕聪颖,于哲舟,周春光,王康平,庞巍;动态自适应蚁群算法在二次分配问题中的应用[J];吉林大学学报(理学版);2005年04期

5 刘小梅;张君静;;蚁群优化算法基本原理及其应用[J];西部探矿工程;2008年10期

6 刘文;郑丽英;;基于蚁群算法的模糊C均值聚类[J];太原科技;2009年01期

7 孙云山;王学深;刘健;白婧;刘凯;赵冬青;;蚁群算法及其在物流系统中的应用研究[J];科技情报开发与经济;2010年16期

8 李方洁;刘希玉;;基于渐进蚁群算法的DNA多序列比对[J];网络安全技术与应用;2010年09期

9 于连伯;;蚁群算法的研究[J];江苏科技信息;2010年09期

10 陈烨;带杂交算子的蚁群算法[J];计算机工程;2001年12期

中国重要会议论文全文数据库 前10条

1 关洪浩;唐巍;;蚁群算法的生成树在配电网网架规划中的应用[A];纪念中国农业工程学会成立30周年暨中国农业工程学会2009年学术年会（CSAE 2009）论文集[C];2009年

2 吴正伟;吉文来;陈伟佳;卢扣;;基于蚁群算法的城市紧急救援最佳路径选择[A];地理信息与物联网论坛暨江苏省测绘学会2010年学术年会论文集[C];2010年

3 王鹤;邵良杉;邱云飞;;蚁群算法在露天矿运输系统路径优化中的应用[A];第五届全国煤炭工业生产一线青年技术创新文集[C];2010年

4 刘杰;闫清东;;基于蚁群算法的移动机器人路径规划技术的研究[A];逻辑学及其应用研究——第四届全国逻辑系统、智能科学与信息科学学术会议论文集[C];2008年

5 严彬;熊伟清;程美英;叶青;;基于拥塞控制的多种群二元蚁群算法[A];第二十七届中国控制会议论文集[C];2008年

6 肖岭;熊辉;;一种针对频率指配问题的改进蚁群算法[A];电波科学学报[C];2011年

7 宋春峰;侯媛彬;赵圣刚;;蚁群算法在陀螺温控系统中的应用研究[A];第十四届全国煤矿自动化学术年会暨中国煤炭学会自动化专业委员会学术会议论文集[C];2004年

8 张如伟;黄捍东;赵迪;;一种新的地震非线性反演方法[A];中国地球物理学会第二十四届年会论文集[C];2008年

9 师凯;蔡延光;邹谷山;王涛;;运输调度问题的蚁群算法研究[A];04'中国企业自动化和信息化建设论坛暨中南六省区自动化学会学术年会专辑[C];2004年

10 陈峻;沈洁;秦玲;;蚁群算法进行连续参数优化的新途径[A];加入WTO和中国科技与可持续发展——挑战与机遇、责任和对策（下册）[C];2002年

中国重要报纸全文数据库 前2条

1 惠永辉　徐源;张昌龙—— 勇于挑战难题[N];解放军报;2009年

2 本报记者 张巍巍;瞧瞧“机器游侠”特种兵[N];科技日报;2011年

中国博士学位论文全文数据库 前10条

1 许志红;交流接触器智能化控制与设计技术的研究及实现[D];福州大学;2006年

2 薛云;基于蚁群算法和支持向量机的矿化蚀变信息提取研究[D];中南大学;2008年

3 顾中舜;中继卫星动态调度问题建模及优化技术研究[D];国防科学技术大学;2008年

4 刘传文;仿生优化算法在数字图像处理中的应用研究[D];武汉理工大学;2008年

5 陈宝文;蚁群优化算法在车辆路径问题中的应用研究[D];哈尔滨工业大学;2009年

6 唐连生;突发事件下的车辆路径问题研究[D];西南交通大学;2008年

7 何荥;用信息法研究天空亮度分布[D];重庆大学;2008年

8 闫博;基于蚁群算法的集装箱港口选择与网络均衡分析[D];大连海事大学;2008年

9 吕雄伟;邮政物流车辆路径问题研究[D];西南交通大学;2009年

10 刘波;蚁群算法改进及应用研究[D];燕山大学;2010年

中国硕士学位论文全文数据库 前10条

1 傅宏;基于遗传多蚁群算法的QoS组播路由算法研究[D];重庆大学;2010年

2 潘鹏竹;协同制造调度问题的蚁群算法研究[D];沈阳工业大学;2010年

3 饶跃东;基于改进蚁群算法的无人飞行器航迹规划应用研究[D];武汉理工大学;2010年

4 邵晓路;蚁群群体智能网络可视化试验平台研制[D];浙江理工大学;2010年

5 吕海鹏;改进蚁群算法在YKK系列中型高压电机优化设计中的应用[D];哈尔滨理工大学;2010年

6 成晓妹;基于蚁群算法的图像分割方法研究[D];电子科技大学;2011年

7 刘志勇;基于蚁群算法与竞选算法的作业车间调度求解及比较研究[D];广东工业大学;2011年

8 张守年;改进的蚁群算法及其在QoS中的应用[D];华南理工大学;2010年

9 林时来;基于蚁群算法的呼吸信号情感识别研究[D];西南大学;2011年

10 孙莹;无底柱分段崩落法矿山生产调度系统优化研究[D];西安建筑科技大学;2010年

，

本文编号：613484