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 (b) α=1

图4.11 第五组基于蚁群算法的图像边缘检测运行结果

(a) α=100 (b) α=100

图4.12 第六组基于蚁群算法的图像边缘检测运行结果

图4.11和4.12所示的是启 发因子α对边缘检测结果的影响。信息启发因子α表示的是信息素作用于人工蚂蚁选择下一个路径上的影响程度。将第一组参数数据α=10，β=0.1，ρ=0.1作为参照，采用控制变量的方法，使得β和ρ不变，改变启发因子α的值。图4.8所示的是当α=1，β=0.1，ρ=0.1时的运行结果，图4.12所示的是当α=100，β=0.1，ρ=0.1时的运行结果。通过与第一组数据的对比，可以看出，当α越小

32

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

时，图像边缘越明显。α值过大会导致局部最优路径上的正反馈作用加强，会使蚂蚁的协作性和趋向性变得明显，这将会导致多数的蚂蚁聚集到少数信息素比较强的像素点上，算法出现过早收敛，引起早熟，影响运行结果，从而无法显示边缘信息。α值过小则容易使得蚂蚁会找到其他蚂蚁访问过的像素点上并选择，使得蚁群的搜索易于过早陷入局部最优解。

(a) β=1 (b) β=1

图4.13 第七组基于蚁群算法的图像边缘检测运行结果

(a) β=10 (b) β=10

图4.14 第八组基于蚁群算法的图像边缘检测运行结果

33

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4.13和4.14所示的是期望启发因子β对边缘检测结果的影响。期望启发式因子β表示的是蚂蚁选择下一个访问的像素点时，启发信息所起作用的大小。它将影响蚂蚁选择像素搜索过程中分享的信息。将第一组参数数据α=10，β=0.1，ρ=0.1作为参照，采用控制变量的方法，使得α和ρ不变，改变期望启发因子β的值。图4.13所示的是当α=10，β=1，ρ=0.1时的运行结果，图4.14所示的是当α=10，β=10，ρ=0.1时的运行结果。从检测结果中可以看出，随着β值变大，算法的收敛性能有变差的趋势，导致蚁群搜索最佳路径的随机性减弱，其图像检测边缘边模糊。β越大，它所在的状态转移概率就越接近贪心规则，所导致的结果是检测出来的边缘信息不够完整。

(a) ρ=0.05 (b) ρ=0.05

图4.15 第九组基于蚁群算法的图像边缘检测运行结果

信 息素挥发因子ρ对蚁群算法的影响具有两面性，它表示的是信息素随着时间推移的挥发程度。第九组数据控制α和ρ不变，改变信息素挥发因子ρ的值。从图4.15中可以看出，ρ的改变使得之前第一组数据未被检测出的边缘被检测出来了，然而也消失了一部分的边缘。信息素挥发因子ρ值的改变并没有从很大程度上影响图像的边缘。

34

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=0.01，ρ=0.01 (b) α=1，β=0.01，ρ=0.01

图4.16 第十组基于蚁群算法的图像边缘检测运行结果

根据上文对蚁群算法参数的对比研究，将参数设置为α=1，β=0.01，ρ=0.01得出的检测效果最佳，并且边缘像素较宽，如图4.16所示。 4.2.2 与传统方法的比较

本文将蚁群算法与传统的边缘检测算子进行比较。传统边缘检测算子的实验结果如图4.17所示：

35