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4.6 运行结果图显示位置

(a) 原始图像lena (b) 原始图像pollen

28

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

(c) 蚁群算法lena (d) 蚁群算法pollen

图4.7 第一组基于蚁群算法的图像边缘检测运行结果

从这两张边缘检测结果图可以看出，蚁群算法对于图像的边缘检测，具有很好的收敛效果，图像中的大部分边缘都被很好的有效的检测出来。先从左图lena这张图像的检测结果分析，利用蚁群算法所得到的图像边缘检测，其运行结果的图像边缘基本能够检测出来，但是边缘线条不够平滑，一些暗部的边缘并没有被有效的检测出来。从右图pollen图像的运行结果可以看出，那些细小目标的边缘有部分丢失。 4.2.1 参数对边缘检测的影响

根据程序代码和运行结果，我推测边缘检测效果不理想可能是由于蚁群算法中参数[21]所致。根据参考文献21中的记载，蚁群算法中的启发因子α、期望启发因子β、信息素挥发因子ρ的改变对于检测结果有很大的影响。根据该文献所描述的参数选取的基本原则，将参数设置为α=1，β=5，ρ=0.05，进行第二组实验。实验结果如下图4.8所示：

29

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

(a) α=1，β=5，ρ=0.05 (b) α=1，β=5，ρ=0.05

图4.8 第二组基于蚁群算法的图像边缘检测运行结果

可以从图4.8中看出，相比较第一组运行结果图，该组数据的图像边缘更连续，使得边缘有了愈加清晰的细节呈现。从两组数据的对比中可以得出结论：蚁群算法中参数的改变对于边缘检测的结果有着非常大的影响。

为了进一步探讨参数改变对蚁群算法边缘检测结果的影响，下面对十组数据进行了分析比对，其数值设定如表4.1所示：

表4.1 蚁群算法参数设置

α β

一 10 0.1 0.1

二 1 5 0.5

三 50 0.5 0.5

四 5 0.05 0.05

五 1 0.1 0.1

六 100 0.1 0.1

七 10 1 0.1

八 10 10 0.1

九 10 0.1 0.05

十 1 0.01 0.01

ρ

按照表4.1的十组参数设置，分别放入代码中运行，其结果如下：

30

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

(a) α=50，β=0.5，ρ=0.5 (b) α=50，β=0.5，ρ=0.5

图4.9 第三组基于蚁群算法的图像边缘检测运行结果

(a) α=5，β=0.05，ρ=0.05 (b) α=5，β=0.05，ρ=0.05

图4.10 第四组基于蚁群算法的图像边缘检测运行结果

将第一组参数数据α=10，β=0.1，ρ=0.1作为参照，将α、β和ρ等量放大5倍，运行结果如图4.9所示。图4.10所示的运行结果是将α、β和ρ等量缩小为其1/2。从这两组检测结果图中可以看出，参数越小，图像的边缘呈现越清晰。

下面将对信息启发式因子α、期望启发因子β、信息素挥发因子ρ分别做比对。

31