[发明专利]基于遗传算法和蚁群算法的图像边缘检测方法

说明书

本发明提供一种基于遗传算法和蚁群算法的图像边缘检测方法。本发明包括：根据预处理后的图像的边缘特点提出改进的遗传算法，将遗传算法种群中筛选出的较优解作为蚁群算法的信息素浓度初始值，蚁群算法转移规则的改进和图像节点信息素浓度更新的改进。本发明将蚁群算法和遗传算法进行有效的融合，通过对遗传算法中选择、交叉、变异算子和进化淘汰机制的改进，把搜索的优质解转化为蚁群算法信息素初始值，并对蚁群算法的转移规则、信息素浓度更新机制进行改进，提高了图像边缘检测的效果。

技术领域

本发明涉及图像边缘检测技术领域，具体而言，尤其涉及一种基于遗传算法和蚁群算法的图像边缘检测方法。

背景技术

21世纪是一个充满信息的时代，图像作为人类感知世界的视觉基础，是人类获取信息、表达信息和传递信息的重要手段。图像边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域，图像边缘检测的好坏直接影响后续图像处理工作。但现有的图像边缘检测算法存在边缘检测不准确，效率低，适应能力差等问题。因此，研究图像边缘检测算法有重大的意义。

遗传算法是通过自然界生物进化而提出的一种优化算法。它是通过模拟自然界生物进化过程找出问题的较优解。遗传算法是把求解的问题设计成所需的编码方案，选择对应的适应度函数，用编码整体作为进化的基础。制定合理选择策略，建立相应的迭代过程进行选择、交叉、变异操作，使个体不断的进化，逐渐达到最优。遗传算法可以应用于图像边缘检测。遗传算法在运行的初期，算法的迭代速度比较快。但是算法运行到后期，存在冗余而且迭代的速度明显变慢。

蚁群算法是通过大自然中蚂蚁觅食得到的启发而提出的一种仿生算法。它是蚂蚁在觅食的过程中，最终能够找到食物源和巢穴之间的最短距离。该算法具有全局优化、智能搜索、正反馈机制、并行性等优点，而且还容易和其他算法融合，改进彼此的不足，因此可以应用于图像边缘检测。蚁群算法在运行的初期，由于信息素的浓度非常低，使得算法的收敛速度非常缓慢。但是在算法运行的后期，由于蚁群的正反馈性，算法的收敛速度明显加快。由于图像边缘的不确定性，使得以上两种智能算法在单独应用于边缘检测时，存在很大的缺点。

发明内容

根据上述提出的技术问题，而提供一种基于遗传算法和蚁群算法的图像边缘检测方法。本发明把两个算法进行有效结合，发挥各自的优点，提高算法的收敛速度和性能。

本发明采用的技术手段如下：

一种基于遗传算法和蚁群算法的图像边缘检测方法，包括如下步骤：

S1、根据预处理后的图像的边缘特点提出改进的遗传算法，引入新的变异算子和种群；

S2、将遗传算法种群中筛选出的较优解作为蚁群算法的信息素浓度初始值；

S3、根据图像中信息素的分布和加入的动态变化因子将蚁群随机放到图像的节点上，完成节点选择，进而完成节点的转移，所述动态变化因子具体为：依据图像上节点阈值T的大小来决定节点被选中的几率大小；

S4、当算法每一次循环结束后，对蚁群经过的图像节点进行局部节点信息素的更新，当所有的蚂蚁完成一次搜索后，对图像中全部节点的信息素进行更新，当满足预设的迭代次数时，输出最终结果。

进一步地，所述步骤S1图像预处理后的步骤具体为：

S11、随机生成一组可行解种群；

S12、根据实际问题选取预设的编码方案，对染色体进行解码，然后选择相应的适应度函数、种群大小、最大迭代次数以及相关参数；

S13、进行选择、交叉、变异操作，直到设定的停止条件；

S14、根据图像边缘的特点提出改进的遗传算法，引入新的变异算子和种群。

图像预处理包括：平滑处理、中值滤波、边缘检测、梯度算子等方法。