基于蚁群算法的图像分割方法

格式：pdf
大小：504.76 KB
文档页数：3

下载文档原格式

一种基于蚁群算法和遗传算法相结合的图像阈值分割方法(IJISA-V7-N5-2)

1
Abstract—Image segmentation is a basic work in the field of image analysis and computer vision. Thresholding is one of the simplest methods of image segmentation. In general, thresholding approaches based on 1-D histogram do not make use of any space adjacent information of the image, thus it is often ruined by noise; thus, thresholding methods based on 2-D histogram are put forward. These methods have better segmentation performance, but heavy computation is required with these methods. In the paper, to improve the running efficiency of thresholding methods based 2D histogram, ant colony optimization algorithm combined with genetic algorithm are employed to speed up these methods, which view 2-D histogram based thresholding as a kind of optimization problem. The proposed method has been conducted on some images. Experiments results display that the proposed approach is able to achieve improved search performance which is an effice applications. Index Terms— Image Segmentation, Image Thresholding, Optimization, 2-D Fisher Criteria, Ant Colony Optimization Algorithm, Genetic Algorithm

基于蚁群算法的图像分割方法

基于蚁群算法的图像分割方法高蕊;马磊【期刊名称】《宝鸡文理学院学报（自然科学版）》【年(卷),期】2018(038)002【摘要】目的提出基于蚂蚁算法的图像分割技术,解决传统的图像分割算法分割图像的效果不理想、不能满足图像分割要求等问题.方法将图像的灰度、梯度和邻域特征组合成蚂蚁,通过 MAT-LAB实现蚁群图像分割算法对图像的外廓提取.结果与结论相对于传统的图像分割算法,基于蚂蚁算法的图像分割算法的外廓提取具有更高的仿真精度,得到的图形外廓更为理想.%Purposes—To propose the image segmentation technology on the basis of ant algorithm for the solution to some problems of the traditional image segmentation algorithm ,such as non-ideal segmentation effect and the requirements of image segmentation that are not met .Methods—The gray scale ,gradient and neighborhood characteristics of an image are combined into an ant ,and the ant col-ony image segmentation algorithm is implemented by MATLAB to extract the image outline .Results and Conclusions—Compared with the traditional image segmentation algorithm ,the image segmenta-tion algorithm based on ant algorithm has higher segmentation accuracy ,the obtained graphic outline is more ideal .【总页数】4页(P75-78)【作者】高蕊;马磊【作者单位】宝鸡文理学院电子电气工程学院,陕西宝鸡721016;宝鸡文理学院电子电气工程学院,陕西宝鸡721016【正文语种】中文【中图分类】TP391.9【相关文献】1.基于蚁群算法的图像分割方法改进研究 [J], 张健2.基于多态蚁群算法的回转窑图像分割方法 [J], 吴闯;张小刚3.基于蚁群算法和C-means法的图像分割方法 [J], 吴小菁;陈星娥4.基于蚁群算法和C-means算法的图像分割方法 [J], 吴小菁;陈星娥;5.基于蚁群算法的图像分割方法 [J], 杨本胜;肖红;刘娇娇因版权原因，仅展示原文概要，查看原文内容请购买。

基于蚁群优化多层图划分的彩色图像分割方法

优先出版计算机应用研究第32卷--------------------------------基金项目：国家自然科学基金资助项目(61073058，61201347)；重庆市科委自然科学基金计划资助项目(cstc2012jjA40011)作者简介：葛亮(1980-)，男，重庆市人，副教授，硕导，博士，主要研究方向为计算机视觉、数据挖据、Web 应用技术(geliang@)；杨竣铎(1989-)，男，山东临沂人，硕士研究生，主要研究方向为数字图像处理(yangjunduo@)．基于蚁群优化多层图划分的彩色图像分割方法 *葛亮，杨竣铎(重庆大学计算机学院，重庆 400044；软件理论与技术重庆市重点实验室，重庆 400044)摘要：为了消除基于谱聚类的归一化切分图像分割中聚类参数对分割结果的约束，提出了一种基于蚁群优化的多层图划分算法来进行归一化切分，进而对彩色自然景观图像进行分割。

该算法将代表图像的相似度图作为蚁群的栖息环境，在归一化割准则的指导下，通过蚂蚁的觅食行为将相似的顶点逐渐聚集在一起，从而以多层的方式完成图划分。

为了降低图像分割的计算量，利用超像素对图像进行预处理。

实验对比表明，该算法消除了归一化切分分割结果对聚类参数的依赖，并提高了归一化切分分割的准确性和速度。

关键词：彩色图像分割；归一化切分；蚁群优化；多层图划分；超像素中图分类号：TP391 文献标志码：AColor image segmentation based on multi-level graph partitioningusing ant colony optimizationGE Liang, Y ANG Junduo(College of Computer Science, Chongqing University, Chongqing 400044 China; Chongqing Key Laboratory of Software Theory & Technology, Chongqing 400044 China)Abstract: In order to eliminate the restraint of clustering number to segmentation result of spectral clustering based normalized cut image segmentation, this paper proposed an ant colony optimization based multi-level graph partition algorithm which was used to segment color natural landscape image. The proposed algorithm regarded similarity graph corresponding to image as ant colony's habitat, and then grouped similar vertices into partitions gradually under the guidance of normalized cut criterion using ant's foraging behavior, which complete graph partition problem by a multi-level way. To reduce calculated quantity of image segmentation, an effective super-pixel algorithm was utilized to preprocess original image. Contrast experiment shows that the proposed algorithm eliminates the restraint, while improves accuracy and speed of image segmentation based on normalized cut criterion.Key Words: color image segmentation; normalized cut; ant colony optimization; multilevel graph partitioning; super-pixel 图像分割是计算机视觉和图像处理领域中一个非常基本而关键的问题。

基于蚁群算法的图像分割技术研究

基于蚁群算法的图像分割技术研究近年来，图像处理技术得到了长足的发展，同时随着人工智能算法的不断推陈出新，基于蚁群算法的图像分割技术日益成为研究的热点。

在图像分割领域中，基于蚁群算法的图像分割具有无监督、高效、准确等优点，成为很多研究者关注的课题之一。

一、基于蚁群算法的原理及应用蚁群算法是一种模拟自然界蚂蚁觅食行为而设计的智能算法，模拟蚂蚁在一个复杂环境中寻找食物的过程，通过群体的智能来实现最优解的寻找。

在图像分割技术中，蚁群算法通过搜寻整个图像空间，在图像上搜索所有可能的分割结果，并迭代求解最优解。

在蚁群算法中，蚂蚁在搜索的同时还能跟踪信息素，信息素可以代表质量或距离等参数，这可以帮助蚂蚁找到最优解。

同样的，基于蚁群算法的图像分割也是借助信息素在搜索复杂图像中的最优分割方式。

蚁群算法在图像分割领域中的应用，可以帮助我们更准确、高效地对图像进行分割，进而更好地提取图像中的特征。

二、基于蚁群算法的图像分割实现基于蚁群算法的图像分割技术主要分为两个步骤：1、生成初始分割对图像进行初步处理，得到初步的划分区域，并对区域内的像素点求取平均灰度值。

该步骤利用启发式规则，支持构建初期分割。

2、利用蚁群算法对图像进行分割针对上述生成的初始分割，对每一个分割区域分别设置个数相同的蚂蚁，让它们像自然界的蚂蚁一样进行搜索，并在寻找到最优解后，对图像进行分割。

在寻找最优解的过程中，我们可以使用每个蚂蚁在搜索中留下的信息素轨迹来迭代更新信息素浓度，从而提高寻找效率和结果准确率。

三、优缺点分析基于蚁群算法的图像分割技术具有很多优点：1、具有无监督、自适应、并行化等优势，实现高效图像分割。

2、对于大规模复杂图像具有很高的适应性和鲁棒性，能够准确地分割出目标物体。

3、蚁群算法优化能力强，在优化方面具有独特的优势。

但是，蚁群算法仍然存在一些缺点：1、除了计算量较大之外，在一些特别复杂的图像上分割效果并不够理想。

2、由于蚂蚁惯性运动的原因，蚁群算法容易陷入局部最优解，搜索结果不够全局优化。

基于蚁群算法的图像分割方法改进研究

Improvement Research on Image Segmentation Method Based on Ant Colony Algorithm 作者：张健
作者机构：同济大学软件学院,上海普陀区200331
出版物刊名：湖州职业技术学院学报
页码： 84-87页
年卷期： 2014年第1期
主题词：蚁群算法;图像分割;模糊聚类;梯度算子
摘要：图像分割是一种对不同特征的像素进行聚类的过程，过程中涉及像素的梯度、灰度及邻域特征。

由于蚁群算法的离散性、并行性、全局优化性和稳定性等特点，基于蚁群算法提出一种有效的图像分割改进算法。

首先通过蚁群改进算法的模糊聚类能力可以分别计算出像素与目标、背景、噪声点、边界点的隶属关系；然后对于蚁群算法循环次数多、计算量较大的问题，设置启发式引导函数和聚类中心，解决传统聚类中运行效率低、初始化敏感度高等缺点；最后引入梯度算子，对目标与背景灰度值相似图像进行分割，对结果进行了进一步的优化。

实验表明，应用该改进算法得到的图像分割结果具有较高的准确度和效率。

基于K-means蚁群算法的玉米叶部图像分割研究

首先进行蚁群算法编码，256色灰色图像按照一定的要求进入 K类，标记为蚂蚁通过 256 个灰度级别找到食物，通过每个灰度级到其类别部门，其次是向前迈进一步，每一步的选择都必须分为几类确定。第二类有256种方法。因此，该问题的编码长度为2 5 6 位，元素的各位的值表示相应的灰度级分为相应的类标签。
算法
最优值最差值平均值方差
k-means 85.141
蚁群
78.896
本文算法 78.842
152 .452 14 6 . 471 14 2 . 814
10 2 .98 4 96.095 90.642
423.541 326.475 238.468
①课题来源：吉林农业科技学院科研青年基金项目吉农院合字[2016]第Q07号精准农业无线传感器网络的数据传输技术研究的成果;吉林省教育厅“十三五”科学技术研究项目吉教科合字[2016]第202号基于农业物联网的人参病虫害信号识别技术研究的成果。
学术论坛 DOI：10.16661/j.c n k i.1672-3791.2017.34.225
科技资讯 2017 NO.34
SCIENCE & TECHNOLOGY INFORMATION
基于K-means蚁群算法的玉米叶部图像分割研究①
郭鑫鑫1 尹来武1* 王雪1 刘洋1,2 (1.吉林农业科技学院吉林吉林 132101；2.吉林农业大学吉林长春 130118)
图1 玉米叶部病斑原图阈值分割表1 蝶形数据的比较结果
算法
最优值最差值平均值方差
k-mea ns 24.312 27.515 25.634 0.654

基于蚁群算法和C-means法的图像分割方法

２０１３年ｌ０月
Ｏｃｔ．２０１３
基于蚁群算法和Ｃ— ｍｅａｌｌ￥算法的图像分割方法
吴小菁，陈星娥
（福建江夏学院，福建福州３５０１０８）
［摘
一
要】在计算机飞速发展的背景下，计算机的图像处理技术渗入到各个行业中。图像分割作为
第３２卷第５期
Ｖ０ｌ＿３２Ｎｏ．５
长春师范学院学报（自然科学版）
ＪｏｕｒｎｌａｏｆＣｈａｎｇｅｈｕｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ）
理。此外，可以参照人们视觉的爱好对象进行分配比特数。和波形的编码压缩法比较，这种方式具有更高的效率，也为查询对象的内容夯实了基础。
１蚁群算法基本原理
蚂蚁会在行走的路线上释放信息素以实现和其他蚂蚁的间接交流，启发了蚁群算法的诞生，该算法有信息素挥发、正反馈两种机制Ｊ。从蚁穴到食物源会存在多条路径，但绝大多数蚂蚁都能选择出最短的路径，
较短路径行走，较短路径上聚集了更多的信息素，吸引越来越多的蚂蚁选择。如图１所示，设定Ａ点为蚁穴，Ｅ点是食物源，ＨＣ是障碍物。蚂蚁行走要绕开障碍物，有两种选择，经过Ｈ或经过Ｃ到达食物源，路径距离为：ＢＨ＝ＨＤ＝１，ＢＣ＝ＣＤ＝０．５。假设ｔ＝１的时候，有３Ｏ只蚂蚁从蚁穴出发去往食物源，路径上没有信息素，蚂蚁分开绕行，ＢＨ和ＢＣ均有１５只蚂蚁选择，由于信息素会伴随时间的流逝而逐渐挥发，如果蚂蚁群的运动速度一样，路径信息素的留余会和路径长度成反比，而蚂蚁算法和路径的概率与信息浓度成正比，所以ＢＨ、ＤＨ路径上蚂蚁留下的信息素挥发量是ＢＣ、ＤＣ路径上的２倍。￡＝２时，３Ｏ只蚂蚁返回蚁穴，就会选取信息量浓度较多的ＤＣ和ＢＣ路径，也就是说有２０只蚂蚁会选择ＤＣＢ路径，而同时有ｌ５只ＤＨＢ路

一种基于蚁群聚类的图像分割方法

一种基于蚁群聚类的图像分割方法【关键词】图像分割；群体智能；蚁群算法；聚类0 引言在图像分析与处理中，通常需要将关心的目标从图像中分离出来，这种从图像中将有特殊意义的区域与其它区域分离并提取出来的技术和过程，就是图像分割。

图像分割是目前图像处理、计算机视觉、模式识别等研究邻域的基本问题之一。

目前，图像分割不存在通用的分割算法，不同的图像分割算法都是在针对不同图像取得了较良好的效果。

而应用较广泛的有阈值法，边缘检测法，区域跟踪法等[1]。

各方法都有自己的优点和缺点。

随着实际应用的需要，对图像分割方法的研究也在不断深入，在不断改进现有方法的同时，也提出了许多的新方法。

其中包括基于群体智能的分割算法：如蚁群算法[2-6]，遗传算法[7]，粒子群优化算法[8]等。

群体智能是人们在研究昆虫的习性时提出的。

群体智能是指“无智能的个体通过合作表现出智能行为的特性”。

当前研究较多的还是对蚂蚁习性的观察，如对蚂蚁觅食行为而提出的蚁群算法及后的许多改进算法；对蚂蚁构建墓地的行为而提出的用于解释聚类现象的bm模型。

本文提出的图像分割方法是基于群体智能理论的聚类算法。

首先介绍了有关群体智能的理论，然后对原有蚁群聚类算法作了一些改进，通过分割特征的提取，初始虚拟堆的设置，以及负载和观察半径的设置，在加快聚类的同时，也保证了的聚类效果，并在图像分割中收到了较好的结果。

最后，将实验分割的效果与目前常用的分割算法如：log算子、canny算子进行比较。

实验结果表明：具有较好的聚类效果，能够较好的分割图像。

1 群体智能理论20世纪50年代中期创立了仿生学，人们通过对群居生物筑巢、觅食、迁徙、打扫巢穴等行为的模似，提出了许多用以解决复杂优化问题的新方法，并成功的解决了组合优化、车间调度、图着色等邻域的实际问题。

bonabeau等人认为群体智能是任何启发于群居性昆虫群体和其它动物群体的集体行为而设计的算法和分式问题的解决装置。

群体智能的特点如下[3]：1）无集中控制约束，不会因个别个体的故障影响整个问题的求解，确保了系统具有更强的鲁棒性；2）以非直接的信息交流方式确保了系统的扩展性，由于系统中个体的增加而增加的通信开销较少；3）并行分布算法模型，可充分利用多处器，这样的分布模式更适合于网络环境下的工作状态；4）对问题定义的连续性无特殊性要求；5）系统中每个个体的能力十分简单，每个个体的执行时间也比较短，并且算法实现简单。

一种改进的蚁群聚类的图像分割

０引言
在人类接收的信息中８０％来自视觉或者说为图像信息，人们利用计算机来帮助获取和处理这些信息。在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，需要将他们从中提取出来，在此基础上对图像进行利用。图像分割就是
一
种改进的蚁群聚类的图像分割
于彬（兰州交通大学电子与信息工程学院，甘肃兰州，７３００７０）
摘要：蚁群算法有很好的鲁棒性和全局性，而模糊ｃ～均值算法对初始值过于依赖，造成局部最优解，本文提出结合两种算法，利用蚁群算法求出最优解，作为ＦＣＭ的初始参数，然后利用ＦＣＭ进行对图像的分割，在结合的基础上提出一种改进的方法，通过实验证明，该改进的方法，在图像分割中有很大的进步。关键词：蚁群算法：模糊ｃ一均值算法：图像分割
ｉｓｄｉｖｉｄｅｄｂｙｕｓｉｎｇＦＣＭｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍ，ａｎｉｍｐｒｏｖｅｄｍｅｔｈｏｄｉｎｔｈｅｂａｓｉｓｏｆｔｈｅｐｒｏｐｏｓｅｄ，ｔｈｒｏｕｇｈｔｈｅ
ＡｎＩｍｐｒｏｖｅｄＡｎｔＣｏｌｏｎｙＣｌｕｓｔｅｒｉｎｇＩｍａｇｅＳｅｇｍｅｎｔａｔｉｏｎ
ＹｕＢｉｎ
（ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｏｎｉｃａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＬａｎＺｈｏｕＪｉａｏＴｏｎｇＵｎｉｖｅｒｓｉｔｙ，ＬａｎＺｈｏｕ，７３００７０，Ｃｈｉｎａ）

基于蚁群算法的图像分割优化研究

基于蚁群算法的图像分割优化研究一、引言随着现代计算机技术的迅猛发展，对于图像分割的需求不断增长。

图像分割是数字图像处理中的一个重要环节，它可以将输入的图像分为多个子集，在计算机视觉、图像处理、模式识别等领域有着广泛应用。

近年来，蚁群算法作为一种新兴的优化算法，被广泛应用于图像分割领域。

它模拟了蚁群在寻找食物时的行为，通过交换信息、改变状态、迭代搜索等方式来寻找最优解。

本文旨在探讨基于蚁群算法的图像分割优化研究，并对其应用前景进行初步探讨。

二、图像分割的基本概念图像分割是将数字图像中的像素划分成不同的子集或区域的过程。

在图像处理中，图像分割通常指将一张图像分成若干个不同的部分，每个部分包含相似的特征。

图像分割的主要目的是将图像分成具有独特结构、颜色等特征的区域。

在计算机视觉中，常常需要将感兴趣的对象从背景中分离出来，这就需要进行图像分割。

三、蚁群算法的基本原理蚁群算法是由意大利科学家Marco Dorigo提出的一种新型的优化算法，它模拟了蚂蚁在寻找食物时的行为，被广泛应用于图像分割领域。

蚁群算法的基本思路是模拟蚂蚁在寻找食物时的行为。

在寻找食物的过程中，蚂蚁们会遵循信息素轨迹前进，同时释放信息素，在搜索过程中不断更新自己的状态。

在图像分割中，蚂蚁可以被视为一组在图像中移动的像素。

蚂蚁在图像中的移动规则可以通过信息素的传递来实现。

每个像素被视为一个蚂蚁，每个蚂蚁都会带有一定的信息素。

当蚂蚁在图像中移动时，它们会在像素之间释放信息素，同时根据相邻像素的信息素质量决定其移动方向。

最终，通过迭代、更新信息素等方式，算法能够寻找到最优解。

四、基于蚁群算法的图像分割优化研究在图像分割中，蚁群算法具有较高的适应性和鲁棒性，能够避免陷入局部最优解，并且能够在处理较大图像时获得较高的准确性和速度。

因此，基于蚁群算法的图像分割优化研究正变得越来越重要。

在基于蚁群算法的图像分割中，蚁群算法通常被应用于图像分割阶段的优化，主要包括前景背景分割、图像分区以及文本分割等领域。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

’$!
引导函数设置
引导函数体现像素与聚类中心的相似度，用下面公式表示：
*.（ $$*.（ 7%*.&# &# 0 ） &# 0 ）
路径信息量的增量。
%
（# ）
"&#$ % $ ’&#
(
（) ）
!
其中， $ 为信息量随时间的衰减程度， %*.&# 为本次循环中
"!
) $%
） *（ ) +&) ,= #)
（!""# ）文章编号 %""!@&>>%@ %&@"""F@">
文献标识码 G
!"#$% &%$"%’(#()*’ +#,%- *’ !"./*0%- 1’( 2*3*’4 13$*/)(5"
6#’ 7#’8#’$ &5) 9%’$8%) （J1’(.1’0 50’+)+(. K(0L9/70)- ， J1’(.1’0 !""">" ）
"
!* （+
) <% )
&)
,+#) ）
!
（% ）
噪声点梯度较大；同时背景和目标内部像素占多数，边界点像素个数又远大于噪声点的像素个数。所以，根据原始图像的灰如果某些聚度直方图及梯度图像，在确定的 9 个聚类中心中，类中心的灰度特征对应的像素个数远大于其它，则该聚类中心极大可能在背景或目标内部，设置该聚类中心梯度特征为零，而
3%4 蚁群算法（ ’() *+,+(- ’,.+/0)12）是一种仿生进化算法，是
!
蚁群算法及其描述
蚁群算法又称蚂蚁算法，是 %::! 年意大利学者 ;$<+/0.+
等人受蚂蚁觅食过程中路径选择行为的启发而提出的一种仿生进化算法。经观察发现，蚂蚁在搜索食物过程中总能够找出到食物源的最优路径，当该路径被阻断后，能很快绕开障碍并再次找到最优路径。蚂蚁的这种能力是由蚁群之间的信息交换和相互协作行为产生的。每只蚂蚁在随机行走过程中会释放出一种信息激素（=19/+2+(9 ），该激素随着时间延续不断挥发，如果有较多的蚂蚁选择这条路径，则该路径上的激素得到增强，而每只蚂蚁具有感知这种信息激素强度的能力，会以较大概率选择信息激素较强的路径，从而导致选择这条路径的蚂蚁增多，这样形成了一个正反馈过程。该算法用于图像分割的数学描述如下。
%
引言
由于背景的复杂性，目标特征的多样性以及噪声等影响，
模糊聚类能力，求出像素分别对目标、边界、背景和噪声的隶属度。详细阐述特征提取和模糊聚类过程。最后，给出实验结果，并与 7+89, 算子、 *’((- 算子以及原始蚁群算法分割结果进行比较。证明该方法可以快速准确地分割出目标，是一种有效的图像分割方法。
*"+," 。
上述三个特征反映了目标、背景、边界和噪声的特点，这样、梯度（-./565374 ）和邻域每只蚂蚁成为一个以灰度（-./0 1/234 ）（846-9:;.）为特征的三维向量。
!$!
蚁群算法数学描述
给定原始图像 "，将每个像素 " （看作一只蚂 ! … %） # # $% ，
具有离散性、并行性、鲁棒性、正反馈性等特点的一种随机搜索方法。已成功应用于组合优化问题，如旅行商问题、车间任务调度、图着色、管线敷设等， 5$6’70,,’7 等人提出用蚂蚁算法进行模糊规则的自动学习。蚁群算法的离散性和并行性特点对于离散的数字图像非常适用，基于概率的路径选择方法，在模糊聚类问题中有广阔的应用前景。该文首先介绍蚁群算法的原理，然后，将图像分割看作对具有不同特征的像素进行聚类的过程，给出蚁群算法的数学描述，根据图像特点，设置初始聚类中心，对该算法进行改进。对每个像素，综合考虑灰度、梯度和邻域等特征，利用改进算法的
’$%
初始聚类中心设置
图像内容一般为目标、背景、边界和噪声等，图像分割的目
的就是将不同特征的像素分别聚集到这几类中。对图像特点进行分析，找出这些内容所对应的大致灰度、梯度及邻域特征作为初始聚类中心的特征，可以使蚂蚁直接与聚类中心进行距离和概率计算，减少大量无关计算，从而加快聚类进程。初始聚类中心灰度计算（%）图像的灰度直方图体现了不同灰度级像素出现的频数，很大程度上反映灰度聚类的结果。以原始图像的灰度直方图为基础，选择灰度直方图的 9 个峰值点作为聚类中心的灰度特征，同时 9 也确定了初始聚类中心的个数。这样，可以将所有像素之间大量循环计算转化为像素与少数几个峰值点之间的比较，引导蚂蚁直奔聚类中心附近，减少搜索过程，极大降低计算量。聚类中心 : 的第一个特征向量 ; 可以确定。初始聚类中心梯度计算（! ）图像中背景和目标内部像素的梯度一般较小，而边界点和
%*.&#<!%*.)&#
) <%
（* ）
%*.)&# 表示第 ) 只蚂蚁在本次循环中留在路径中的信息量。
’
改进的蚁群算法
通过上述蚁群算法描述可以看出，蚂蚁行走是随机和盲目
图% 原始图像
Hale Waihona Puke 的，将图像每个像素看作一只蚂蚁，假设图像大小为 (89 ，在循
基金项目：上海市科委计划项目（编号： ">F%%F">: ）
!$%
图像分割特征提取
一幅图像中包括目标、背景、边界和噪声等内容，特征提取
的目的是要找出体现这些内容之间区别的特征量，对于后继的
作者简介：韩彦芳（%:U#@ ），女，在读博士生，上海交通大学图像处理与模式识别研究所，主要研究方向：图像处理，模式识别。施鹏飞（%:>:@ ），男，教授，博士导师，上海交通大学图像处理与模式识别研究所所长，研究方向：图像处理，模式识别，人工智能等。
基于蚁群算法的图像分割方法
韩彦芳施鹏飞（上海交通大学图像处理与模式识别研究所，上海 !""">"）
?@2’0,： 1-AB7C)D$9ED$*(
摘要蚁群算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法。根据数字图像的离散性特点，首先从
模糊聚类角度出发，将蚁群算法引入图像分割中，综合考虑像素的灰度、梯度及邻域特性进行特征提取。然后，针对蚁群算法循环次数多，计算量大的问题，设置启发式引导函数和初始聚类中心进行改进。详细阐述特征提取、初始聚类中心设置和模糊聚类流程。实验证明改进蚁群算法可以快速准确地分割出目标，是一种有效的图像分割方法。关键词蚁群算法图像分割模糊聚类特征提取邻域中图分类号 HI>:%
环搜索过程中，每个像素要和其余 (89?% 个像素进行距离和路径选择概率计算，而且系统必须经过多次循环才能完成聚类过程，导致搜索时间长，整体计算量大。针对这一问题，该文根据图像分割特点给出初始聚类中心加以引导，以减少蚂蚁行走的盲目性，并将蚂蚁与聚类中心的相似度作为引导函数，这样可以降低计算量和加快聚类进程。初始聚类中心以及引导函数的设置如下所述。
计算机工程与应用 !""#$%&
F
分类过程至关重要。区别目标和背景的一个重要的特征是像素灰度，因此选用像素的灰度值作为聚类的一个特征。另外，边界点或噪声点往往是灰度发生突变的地方，而该点处的梯度体现出这种变化，是反映边界点与背景或目标区域内点区别的重要特征。最后，对于梯度值较高的边界点和噪声点，可以利用像素与区域内点灰度值相近的 ’(’ 邻域进行区分。在一幅图像中，的 ’(’ 邻域的像素个数一般为 & ，与边界点灰度值相近的 ’(’ 邻域像素个数一般大于或等于 )，而对于噪声点，该数值一般小于 # 。邻域特征的提取方法为：将当前像素和邻域像素的灰度差与灰度差阈值 ! 作比较，小于该阈值的邻域像素个数即所要提取的邻域特征。 ! 的设置根据图像的特点而变化，对于细节较多的图像取值较大，平滑图像取值较小，一般取值范围为
" & 选择到 " # 路径的概率为 * &# ：
$ *.&#（0）（0 ） "&# # "2 & ! # * &#<% （0 ） "&1 !*.&1（0） 1"2 & ’30.4-5&1 4
（’ ）
其中，是启发式引导函数， "（ !、 # 分别为像素聚类过程 &# 0 ）中所积累的信息以及启发式引导函数对路径选择的影响因子。 … %>为可行路径集合。 2$=" 26’2##-， 1$% ， !，随着蚂蚁的移动，各路径上信息量发生变化，经过一次循环，各路径上信息量根据下式进行调整：
（G6G ） 1:,(/#;(： G() *+,+(- ’,.+/0)12 07 ’ M0(E +A E07*/9)9 ， =’/’,,9, ’(E /+8D7) 9L+,D)0+(’/- ’,.+/0)12 N0)1 ADOO- *,D7)9/P
0(. ’80,0)-$Q9/9， G6G 1’7 899( 0()/+ED*9E 0()+ 02’.9 79.29()’)0+( A/+2 )19 ’7=9*) +A ADOO- *,D7)9/0(.$H19 ./’- L’,D9， ./’)0)DE9 ’(E (90.18+/1++E +A )19 =0R9,7 ’/9 *+(70E9/9E 7-()19)0*’,,-$H19(， 8’79E +( )19 ’(’,-707 +A )19 02’.9 ， )19 0()/+P ED*)+/- 7-7)92 1’7 899( 7)/9(.)19(9E$H19 =/+*977 07 9,’8+/’)9E A/+2 A9’)D/9 9R)/’*)0+(， 0(0)0’,0O’)0+( )+ ADOO- *,D7)9/0(. +=9/’)0+($S0(’,,-， /97D,)7 ’/9 .0L9($T) 71+N7 )1’) )19 02=/+L9E G6G 07 ’( 9AA9*)0L9 29)1+E 0( 02’.9 79.29()’)0+($ <%4=*/-,： G() 6+,+(- G,.+/0)12， 02’.9 79.29()’)0+( ， ADOO- *,D7)9/0(. ， A9’)D/9 9R)/’*)0+(， (90.18+/1++E

基于蚁群算法的图像分割方法

合集下载

一种基于蚁群算法和遗传算法相结合的图像阈值分割方法(IJISA-V7-N5-2)

基于蚁群算法的图像分割方法

基于蚁群优化多层图划分的彩色图像分割方法

基于蚁群算法的图像分割技术研究

基于蚁群算法的图像分割方法改进研究

基于K-means蚁群算法的玉米叶部图像分割研究

基于蚁群算法和C-means法的图像分割方法

一种基于蚁群聚类的图像分割方法

一种改进的蚁群聚类的图像分割

基于蚁群算法的图像分割优化研究

文档推荐

最新文档