蟻群算法應(yīng)用實例講課講稿

1、蟻群算法應(yīng)用實例背景介紹檢測的目的 辨別圖像中物體結(jié)構(gòu)、紋理、形態(tài)的重要信息， 為圖像后期處理和分析提供了重要的參數(shù)指標， 對后續(xù)進一步的特征描述、匹配和識別等有著重大的影響。邊緣檢測存在于目標與背景、目標與目標、區(qū)域與區(qū)域之間。邊緣檢測存在于目標與背景、目標與目標、區(qū)域與區(qū)域之間。 邊緣檢測：采用某種算法來提取出圖像圖像中對象與背景間的交界線。Roberts邊緣檢測算子Canny邊緣檢測算子小波變換和小波包的邊緣檢測法基于數(shù)學形態(tài)學的邊緣檢測算法Log邊緣檢測算子 近年來，各種新的算法和人工智能理論被引入到數(shù)字圖像處理領(lǐng)域。模糊理論和神經(jīng)網(wǎng)絡(luò)的邊緣檢測法遺傳算法的邊緣檢測法背景介紹 蟻群算法

2、是一種新型的仿生學優(yōu)化算法，利用螞蟻群體覓食所釋放出的信息素為媒介進行間接的信息傳遞，后面的螞蟻利用信息素的強度來對最近覓食或歸巢路線進行判斷選擇。背景介紹 蟻群算法具有較強的適應(yīng)性、正反饋性和魯棒性，但也存在易陷入局部最優(yōu)解。問題分析 混沌蟻群算法混沌蟻群算法？ canny算子提取的邊界較完整，細節(jié)清晰，但容易把噪聲點誤判為邊界。問題分析 混沌蟻群算法是利用混沌算法的全排列性。改進蟻群算法存在的容易過早收斂、易陷于局部最優(yōu)、對邊緣定位不準確等問題。混沌變量遍歷性隨機性規(guī)律性 在圖片范圍內(nèi)隨機投放MN只螞蟻，利用螞蟻隨機搜索路徑時，圖像灰度值的變化情況不斷更新信息素矩陣； 利用蟻群算法的正反饋

3、性，最終產(chǎn)生的信息素矩陣計算圖像的閾值； 確定圖像的邊緣位置。檢測方法 結(jié)合混沌蟻群算法對圖像進行邊緣檢測，其流程圖右圖所示。檢測方法蟻群算法蟻群算法混沌算法混沌算法邊緣的最終提取邊緣的最終提取 開始迭代時，進行混沌初始化。選擇典型的混沌系統(tǒng)Logistics映射作為混沌變量，按下式進行迭代：檢測方法式中，為控制參數(shù)，當=4、 時，Logistics映射完全處于混沌狀態(tài)。 利用全排列理論，每一個混沌量對應(yīng)一個像素點上的信息素值，即每個像素點上的信息素初始值根據(jù)混沌量而給出。步驟一初始化閾值 。 其中， 為最終的信息素矩陣?；静襟E步驟二根據(jù)閾值 的值可將信息素矩陣 劃分為大于 和小于 的兩部分

4、，分別計算這兩部分的平均值： 其中： 式中基本步驟 步驟三 設(shè)置迭代系數(shù) ，更新閾值 ： 步驟四 若 返回步驟2 繼續(xù)劃分閾值 ；若 則輸出閾值 根據(jù)閾值劃分圖片為：基本步驟 Matlab上進行仿真以128128 的灰度圖為例，分別運用Canny邊緣檢測算子、蟻群算法和混沌蟻群算法對圖像邊緣進行提取。應(yīng)用實例 腦CT圖應(yīng)用實例 Canny 算子：提取的邊緣不夠清晰，而且很多干擾信息被誤檢； 蟻群算法：邊緣有部分丟失； 混沌蟻群算法：提取的邊緣相對比較完整，細節(jié)處更加清晰。 胸CT圖應(yīng)用實例 Canny 算子：邊緣比較完整，但肺葉內(nèi)部紋理幾乎沒有檢測到； 蟻群算法：邊緣不連續(xù)、有部分丟失，肺葉內(nèi)部紋理幾乎沒有檢測到。 混沌蟻群算法：提取的邊緣相對完整清晰，肺內(nèi)部紋理部分檢出，但細小處也未能檢測出。 細胞顯微圖應(yīng)用實例 細菌顯微圖混沌蟻群算法的邊緣檢測更加完整、無斷點。線條更加粗實、清晰。細節(jié)部分能夠較為準確地檢測到。但還是存在一定的問題，如肺葉中的超細小的部分無法檢測到，重疊部分區(qū)分不開等問題，有待于進一步的研究。結(jié)論應(yīng)用實例表明：混沌蟻群算法 用改進的混沌蟻群算法對圖像進行邊緣檢測能夠快速、清晰、準確地找到圖像邊緣，證明了其有效性。The end!Thank y