上海工程技术大学毕业设计（论文） 基于蚁群算法的图像边缘检测

图4.17 各种边缘检测算子检测结果

Roberts算子使用局部差分方法甄别边缘，对0°和90°方向的边缘检测效果不错，边缘定位比较准确，但遗失边界比较容易发生，并且因为没有对成像采用平滑处理，所以干扰的能力并不良好。

Sobel算子针对Roberts算子容易受到干扰的缺陷，所采用的算法是先进行加权平均，然后通过微分运算，从而使干扰的Sobel算子具有良好的抗干扰能力，筛选步骤边缘可以得出缘上的至少两个像素。类似Roberts算子可以得到边缘的相对精确位置和去向。然而，由于采用了局部平均的方法，这导致检测结果比较轻易出现多像素宽

36

上海工程技术大学毕业设计（论文） 基于蚁群算法的图像边缘检测

度和遗失边缘。

与Sobel算子和Prewitt算子拥有相似的方法，它们都是通过局部差分平均的方法来寻找边缘的，这反映三对中的像素的像素值的概念上的差异的平均的边缘。所以此算子具有良好的抗噪性，但是假边界也不能完全忽视，使得边缘检测一个多像素的易宽度。

Laplacian算子确定一个阶跃边缘的精确定位，二阶微分算子的边缘的方向过于依赖的图像。这个算子对抗干扰能力不是很好，能使干扰的成分得到增加，这两个特点使该算子不能识别出边缘的方向性数据，造成一些间断的凸边，所以该算子的抗干扰能力并不算很好。但是 Laplacian 算子确定位置确切，我们可以发现它一个很好的优势。

LOG 算子做的图像高斯平滑化处理，然后拉普拉斯边缘检测，从而有效地克服了拉普拉斯算子与差的抗干扰能力和缺点，不过该算子的操作的同时干扰可以比较平滑原始尖锐的边缘，结果不会显示边缘。此外，高斯函数中参数σ的选择是特别重要的。对较高频率的抗干扰作用会随着σ的变大而变大，通频带变窄，能够使得虚假边缘不易被检出，但该问题是由边缘引起被平滑，从而产生的一些边缘点的损失。相比之下，σ更少的带宽被确定扩大图像细节在更高的频率，很容易识别，但抗干扰性能下降，容易出现假边缘的可能。

Kirsch算子通过算出MAX值，确定的八个方向上的平均差，从而使边缘检测，以获得良好的结果。该算子能够甄别边缘的方向性数据，有很好的对边缘的抗干扰作用。它可以保持细化的图像，但开始得到的图像边缘是粗糙的，大部分的应用中，阈值的方法来得到更清晰的边缘图像。然而，加工后的图像，很容易从梯度值较小的弱边缘丢失。

即使Canny算子是从思维和创新优化检测而得，但实际效果并不一定是最好的。操作类似于LOG算子，使用相同的图像，从而使高斯平滑，因而有有更好的抗干扰能力和更好的鉴定边缘连接器的，定位精度的边缘。该算子使用双阈值边缘检测和过尺度的接口测试，更好的搜索条件的方向。

5 总结与展望

本文提出了蚁群算法这一仿生学算法，它是根据蚂蚁的性质，能够在自然界中找到食物与蚁巢间最短路径这一智能行为而提出的一种新型的进化算法，并提出了新的

37

上海工程技术大学毕业设计（论文） 基于蚁群算法的图像边缘检测

边缘检测方法。通过一系列的仿真实验改变参数值，得到了较佳的实验效果。实验结果表明，合适的参数值，可以成功的测试了图像中的边缘。与传统边缘检测算子相比，该算法具有强烈的鲁棒性，良好的正反馈特性和灵活的适应性，且能够快速收敛。作为这项研究的延续，建议进一步检查参数值如何影响图像边缘的提取质量以及功能。蚁群算法目前已广泛应用于图像处理中，却仍旧存在一些需要改进的地方。 （1）用适当的方式表达在将图像处理问题转换为蚁群算法的区域问题上。对于如何选择人工蚂蚁以及蚂蚁间路径上的信息素、对象的分布状态等这些非直接通信的其他项目之间的合适的选择，这些问题都妨碍了使用蚁群算法来进行图像边缘检测。 （2）利用蚁群算法进行边缘检测时需要设置大量参数，这些参数的选择会显著影响检测结果，其知道的原则和方法以及迎战还没选择好合适的理论上，只能通过大量实验进行调整和比较，从而决定最佳参数的设置。

（3）由于蚁群算法展开搜索需要花费大量的时间，可以想出一个蚁群优化算法来解决这方面的问题，例如将蚁群算法与其他优化算法诸如遗传算法、免疫算法等相结合，以此提高算法性能，这样改善后的算法就可以用于求解决一些复杂的问题图片。 时至今日，蚁群算法仍然在不断改进和其在图像处理中地位的发展，特别是边缘检测将逐渐增加，上述一些问题将得到解决。为了解决上述问题，有可能同时促进在更广泛的领域中的蚁群算法的发展，扩大其应用。由于蚁群算法的依赖，奠定长远发展基础，现已成为学术研究的焦点。随着计算机应用等技术的发展，不断提升和持续优化算法会使蚁群算法检测图像边缘有更好的机会。

38

上海工程技术大学毕业设计（论文） 基于蚁群算法的图像边缘检测

参考文献

[1] 张景虎,郭敏,王亚文.基于改进的蚁群算法的CT图像边缘检测方法研究[J]. 计算

机应用，2008年05期.

[2] 张景虎.基于蚁群算法的图像边缘检测研究[D]. 陕西：陕西师范大学，2008. [3] 邓祥龙.图像边缘检测算法研究[D]. 合肥工业大学，2012.

[4] 贾磊,焦淑红.图像边缘检测技术研究综述[J]. 科技风，2010年8期.

[5] Julesz B., A method of coding TV signals based on edge detection[J]. Bell System

Technical Journal, 1959, 4(38):1001-1020.

[6] 刘海军,彭绍雄,高传斌,邹强.一种基于信息素变化的改进蚁群算法[J]. 兵工自动

化，2012年4期.

[7] 苗京,黄红星,程卫生,袁启勋.基于蚁群模糊聚类算法的图像边缘检测[J]. 武汉大

学数学学院，2005年第05期.

[8] 于勇,郭雷.噪声图像中提取边缘的蚁群搜索算法[J]. 电子与信息学报，

2008,28(5):1236~1239.

[9] 朱玲,施心陵,刘亚杰,田溪.基于蚁群算法的甲状腺结节超声图像边沿检测法[J].

计算机工程，2006,32(24):178~179,239.

[10] 卢雪夫.基于蚁群算法的图像边缘检测[D]. 成都：电子科技大学，2010. [11] 高德威,陈天煌,刘朋.蚁群算法在图像边缘检测上的应用研究[J]. 武汉理工大学

计算机科学与技术学院, 2009年第01期.

[12] 陈昌敏,谢维成,范颂颂.自适应和最大最小蚁群算法的物流车辆路径优化比较

[J]. 西华大学学报（自然科学版）, 2011年3期.

[13] 刘涛,葛艳.浅析蚁群算法的聚类应用[J]. 科技创新导报, 2010年14期.

[14] Poggio.T,Voohees.H, Yuille.A. A Regularized Solution To Edge Detection.Journal of

complexity, 1988(4):106-123.

[15] 严文培.基于MatLab不同平滑处理对边缘检测效果的影响[J]. 现代计算机（专

业版）, 2013年17期.

[16] 何聪.基于遗传蚁群算法的图像边缘检测算法研究[D]. 武汉理工大学，2013. [17] 孙朝云.沥青混合料组成特征数字图像处理系统研究[D]. 长安大学，2007.

39