基于蚁群算法的玉米植株热红外图像边缘检测

基于蚁群优化算法的图像边缘检测李琳琳;王纪奎;宋艳芳;王淑娇【期刊名称】《计算技术与自动化》【年(卷),期】2015(000)003【摘要】Image edge carries most of the major information of the image.And image edge detection can effectively re-duce the computation complexity and is also the basis of image processing such as image measurement,image segmentation, image compression,pattern recognition and so on.In this paper Ant Colony Optimization (ACO)was used in image edge de-tection.The house image and SAR airport image were adaptively extracted by setting threshold,and accurate edge detection can be realized.Experimental results indicate that this algorithm can effectively extract the image object contour information, keep images texture,show ideal anti-jamming competence,and guarantee the detection accuracy.%图像边缘携带了图像的大部分主要信息。

通过对图像进行边缘检测不仅能有效地提取图像信息降低计算的复杂度而且是图像测量、图像分割、图像压缩、模式识别等图像处理的基础。

基于蚁群算法的边缘检测刘猛猛;马超【期刊名称】《测绘与空间地理信息》【年(卷),期】2017(040)011【摘要】蚁群算法是近些年发展起来的一种群体智能优化算法,它利用生物信息激素作为蚂蚁选择后续行为的依据,并通过蚂蚁间的协同与交互来完成全局寻优搜索过程.本文将该算法用于边缘检测,建立图像边缘与信息场之间的联系.提出了基于像素邻域的8个启发信息检测算子,指导蚂蚁选择最优边缘路径,并能自动确定分割阈值.对灰度图像进行模拟实验与经典分割算子进行对比,结果表明,该算法可以精确提取边缘特征,细节特征更为清晰.%Ant colony algorithm is a popular swarm intelligence optimization algorithm in recent years , which discharge biological pheromone as a basis for guiding the ant subsequent behaviors and searching the optimal solution in the searching regions through the cooperation and interaction with other ants .In this paper , the present algorithm would contact the edge with the pheromone field for edge detection .We proposed a method of eight heuristic information detector based on pixel neighborhood to guide ants select the opti -mal edge of on the path , so that the segmentation threshold can be automatically determine .Compared with classical edge -measuring operator , the image simulation experiments show that the proposed can accurately extract edge profile and the clearly detail characteris -tics.【总页数】3页(P171-173)【作者】刘猛猛;马超【作者单位】辽宁工程技术大学测绘与地理科学学院,辽宁阜新123000;辽宁工程技术大学测绘与地理科学学院,辽宁阜新123000【正文语种】中文【中图分类】P237【相关文献】1.基于粒子群和蚁群算法的枪弹图像边缘检测方法 [J], 任雁;李强;张鹏军2.基于蚁群算法的目标边缘检测算法 [J], 曹天蕊3.基于遗传蚁群算法在图像边缘检测中的研究 [J], 何小虎4.基于改进蚁群算法的图像边缘检测研究 [J], 汪凯;张贵仓5.基于蚁群算法的边缘检测技术组合优化 [J], 詹宝容; 骆金维; 黄炜杰; 李杏清因版权原因，仅展示原文概要，查看原文内容请购买。

基于蚁群模糊聚类算法的图像边缘检测黄红星1 苗 京21，2武汉大学数学学院信息与计算科学系，武汉 430072E-mail：hhx825@摘要本文提出了一种基于蚁群动态模糊聚类算法的图像边缘检测。

算法将蚁群算法与模糊C均值聚类有机的结合，实现了基于改进的目标函数聚类分析。

对比实验表明，该算法具有很强的模糊边缘和微细边缘检测能力。

关键词数据挖掘 蚁群算法 模糊C-均值聚类 边缘检测文献标志码 A 中图分类号TP181Fuzzy Clustering Analysis Based on Ant Colony Algorithm for Image Edge DetectionHuang Hongxing1Miao Jing21,2 College of Mathematics， Wuhan University， Wuhan 430072Abstract: This paper proposes a method of dynamic fuzzy clustering analysis based on ant colony algorithm for image edge detection .The algorithm combines ant colony algorithm with fuzzy C-means clustering organically and realizes clustering analysis based on improved function. Compared experiments show that the algorithm can correctly detect the fuzzy edge and exiguous edge.Keywords: date mining， ant colony algorithm，fuzzy C-means clustering , edge detection1引言数据挖掘（Data Mining）就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的但又是潜在有用的信息和知识的过程。

毕业设计论文-基于蚁群算法的图像边缘检测-附代码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目录摘要 ...............................................................1 ABSTRACT .............................................................2 1 绪论 (3)1.1 研究背景 ...........................................................31.2 研究现状和发展方向 (4)6 1.3 研究目的和意义 .....................................................2 图像边缘检测概述 ..................................................... 7 2.1 边缘的定义及类型 ................................................... 8 2.2 常用的边缘检测方法 (10)2.3 其他边缘检测方法 .................................................. 15 2.3.1 基于小波变换的边缘检测 .......................................... 15 2.3.2 基于数学形态学的边缘检测 (16)17 2.4 传统边缘检测的不足 ................................................3 蚁群算法 ............................................................ 17 3.1蚁群算法的基本原理 (18)3.2 基于蚁群算法的图像边缘检测 ........................................21 4 实验结果及分析 ...................................................... 22 4.1 基于蚁群算法的图像边缘检测流程 .................................... 22 4.2 实验结果与性能分析 (26)4.2.1 参数对边缘检测的影响 ............................................ 294.2.2 与传统方法的比较 ................................................ 35 5 总结与展望 .......................................................... 37 参考文献 .............................................................. 39 附录 ................................................. 错误～未定义书签。

基于蚁群算法的图像边缘检测的开题报告一、研究背景图像边缘检测一直是计算机视觉中的重要问题之一。

对图像进行边缘检测可以提取出物体的轮廓、边界等重要信息，有利于后续图像处理、分析和识别。

目前，常见的边缘检测算法有Sobel算子、Canny算子等。

但这些方法都存在一定的局限性，如Sobel算子对噪声敏感，Canny算子会出现阈值选择问题。

蚁群算法作为一种生物启发式算法，具有容易实现、适应性强、鲁棒性好等特点，被广泛应用于优化问题的求解中。

因此，蚁群算法被引入到图像边缘检测中，可以提高边缘检测的准确性和鲁棒性。

二、研究内容本文将研究基于蚁群算法的图像边缘检测。

具体内容包括以下几个方面：1. 蚁群算法原理及其在图像处理中的应用；2. 图像边缘检测原理及其研究现状；3. 将蚁群算法与图像边缘检测相结合的方法和算法设计；4. 实验验证及分析。

三、研究意义本研究将会为图像边缘检测的进一步提高提供新的解决方案。

同时，结合蚁群算法的特点，本研究可以使图像边缘检测具有更好的鲁棒性和适应性，提高其在实际应用中的可靠性和实用性。

四、研究目标本研究的主要目标是开发出基于蚁群算法的图像边缘检测算法，并与传统的图像边缘检测算法进行比较，评估其在边缘检测准确性和鲁棒性方面的性能。

在此基础上，进一步应用于实际场景中，如机器视觉、自动驾驶等领域。

五、研究方法本文将采用实验研究方法，其中包括以下步骤：1. 收集和整理相关文献，对图像边缘检测及蚁群算法进行深入学习和分析；2. 设计和实现基于蚁群算法的图像边缘检测算法；3. 对比分析该算法和传统图像边缘检测算法的性能差异；4. 进行实验验证，评估基于蚁群算法的图像边缘检测算法的准确性和鲁棒性；5. 对实验结果进行分析和总结，并对未来工作提出展望。

六、预期成果本研究的预期成果包括：1. 设计和实现基于蚁群算法的图像边缘检测算法；2. 实验结果及分析；3. 学术论文或者技术报告；七、研究计划本研究的时间安排如下：1. 第一阶段（1周）：收集和整理相关文献，对图像边缘检测及蚁群算法进行深入学习；2. 第二阶段（2周）：设计和实现基于蚁群算法的图像边缘检测算法；3. 第三阶段（2周）：统计和分析实验结果；4. 第四阶段（1周）：撰写学术论文或技术报告；5. 第五阶段（1周）：进行论文修改和完善。

混沌蚁群算法在图像边缘检测中的应用耿艳香;孙云山;谢靖鹏;刘超【摘要】Chaos ant colony algorithm is applied in image edge detection, because of its randomness, ergodicity and posi-tive feedback. The updateof the pheromone matrix by chaos ant colony algorithm is used to calculate the threshold to get the edge of image, and then it can fully and quickly find the edge of image to avoid falling into the optimal value. The algo-rithm improves the continuity and accuracy of image edge detection. Simulation results of the computer show that chaos ant colony algorithmto obtain more completely and clearly edge, which is obtained better effect.%运用混沌蚁群算法进行图像的边缘检测是针对混沌蚁群算法具有随机性、遍历性、正反馈性，通过更新信息素矩阵来计算图像阈值，从而获得图像边缘信息，能够更全面、迅速地找到图像的边缘，避免过早陷入局部最优，提高了图像边缘检测的连续性和准确性。

计算机仿真实验表明，通过混沌蚁群算法获得的图像边缘更加完整和清晰，取得了较好的效果。

【期刊名称】《计算机工程与应用》【年(卷),期】2015(000)002【总页数】4页(P194-197)【关键词】混沌蚁群算法;图像分割;边缘检测【作者】耿艳香;孙云山;谢靖鹏;刘超【作者单位】天津商业大学信息工程学院，天津 300134; 天津大学电子信息工程学院，天津 300072;天津商业大学信息工程学院，天津 300134; 天津大学电子信息工程学院，天津 300072;天津商业大学信息工程学院，天津 300134;天津商业大学信息工程学院，天津 300134【正文语种】中文【中图分类】TP391.41边缘存在于目标与背景、目标与目标、区域与区域之间，是图像中物体结构、纹理、形态的重要信息，边缘检测为图像后期处理和分析提供了重要的参数指标，对后续进一步的特征描述、匹配和识别等有着重大的影响[1]。

一种基于蚁群优化的显著边缘检测算法
张志龙;杨卫平;李吉成
【期刊名称】《电子与信息学报》
【年(卷),期】2014(036)009
【摘要】该文提出一种基于蚁群优化的显著边缘检测算法.该算法利用相位编组方法计算支持区面积作为描述图像边缘梯度方向一致性的指标,将梯度幅度和支持区
面积结合起来形成启发信息和信息素增量的计算方法,采用线性加权方法将信息素、梯度幅度、支持区面积3种信息综合起来得到蚂蚁转移概率,通过引入禁忌表增大
蚂蚁的活动范围.实验结果表明:该文提出的算法能够有效检测图像中的显著边缘特征,对多类图像都有良好的适应性,而且收敛速度较快.
【总页数】7页(P2061-2067)
【作者】张志龙;杨卫平;李吉成
【作者单位】国防科技大学ATR重点实验室长沙410073;国防科技大学ATR重
点实验室长沙410073;国防科技大学ATR重点实验室长沙410073
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于K-均值改进蚁群优化的彩色图像边缘检测算法 [J], 刘波平;孟莎莎;饶兰香;
付康
2.基于蚁群优化的图像边缘检测算法 [J], 张健; 何坤1b; 郑秀清; 周激流
3.基于蚁群优化与细菌趋化性的图像边缘检测算法 [J], 卢曦;邱建林;潘良
4.基于蚁群优化与细菌趋化性的图像边缘检测算法 [J], 卢曦;邱建林;潘良
5.一种Hough变换与蚁群优化的云图像边缘检测算法 [J], 邢静宇;高需;韩璞因版权原因，仅展示原文概要，查看原文内容请购买。