摘 要： 在蟻群算法的基礎(chǔ)上針對大米輪廓檢測提出了一種改進(jìn)的邊緣檢測蟻群算法。該算法能有效地檢測出米粒的邊緣信息，解決了傳統(tǒng)大米顆粒檢測方法的不穩(wěn)定和不精確等問題。與此同時，還將其結(jié)果與原蟻群算法、Roberts、Sobel和Prewitt等邊緣檢測算子對圖像處理的結(jié)果進(jìn)行了研究對比，實(shí)驗(yàn)結(jié)果表明，采用改進(jìn)的邊緣檢測蟻群算法對大米粒形的檢測效果較好，正確率較高，且具有適應(yīng)性強(qiáng)、效率高等特點(diǎn)。
關(guān)鍵詞： 蟻群算法；大米粒形；圖像分割；邊緣檢測
大米顆粒的形狀是進(jìn)行大米質(zhì)量檢測的重要參數(shù)之一，同時也是影響谷物產(chǎn)量和品質(zhì)的重要指標(biāo)之一。而傳統(tǒng)的檢測方法多采用目視比較法，受人的主觀因素和環(huán)境干擾因素的影響較大。由于計算機(jī)圖像處理技術(shù)具有客觀性和準(zhǔn)確性等特點(diǎn)，應(yīng)用圖像處理技術(shù)來評定稻米品質(zhì)，能在一定程度上減少傳統(tǒng)檢測法檢測結(jié)果的不穩(wěn)定性和不精確性。
本文針對大米邊緣特征的提取提出了一種改進(jìn)的邊緣檢測蟻群算法。蟻群算法具有魯棒性好、適應(yīng)度強(qiáng)和正確率高等特點(diǎn)，從而加速了大米輪廓的檢測過程，提高了產(chǎn)品的生產(chǎn)效率，克服了檢測員主觀因素的影響，并獲得了較好的檢測效果。與此同時，將其結(jié)果同蟻群算法、Roberts、Sobel和Prewitt等邊緣檢測算子對圖像進(jìn)行檢測的效果進(jìn)行了研究比較，從而顯示出改進(jìn)的邊緣檢測蟻群算法的優(yōu)越性，證明了該方法的有效性。
1 邊緣檢測蟻群算法
1.1 蟻群算法基本原理
蟻群算法是由意大利科學(xué)家DORIGO M等人受自然界螞蟻覓食過程啟發(fā)而率先提出的一種新型搜索優(yōu)化算法。昆蟲學(xué)家經(jīng)過觀察發(fā)現(xiàn)，螞蟻在覓食過程中能在走過的路徑上釋放一種分泌物（稱為信息激素），那么在覓食過程中通過較短路徑找到食物源的螞蟻可以在相同時間內(nèi)在自己經(jīng)過的路徑上留下更多的信息激素，以致該路徑上的信息激素強(qiáng)度不斷增強(qiáng)，從而影響后來的螞蟻選擇該路徑的概率，更加增強(qiáng)了該路徑上信息激素的強(qiáng)度，這樣一個正反饋的過程就使得最終大多數(shù)螞蟻都會選擇這條最短的路徑去搬運(yùn)食物，這就是蟻群算法搜索尋優(yōu)的過程。
1.2 邊緣檢測的具體算法及過程
邊緣檢測蟻群算法旨在利用一群螞蟻在一張二維圖像上運(yùn)動（其運(yùn)動方向是由所在像素點(diǎn)鄰域位置的轉(zhuǎn)移概率值來決定的），從而不斷更新信息激素矩陣，然后由最終生成的信息激素矩陣推出圖像的閾值，最后根據(jù)閾值將圖像分成邊緣和非邊緣兩部分，分別以0和1進(jìn)行表示并輸出圖像。這種算法的整體流程圖如圖1所示。
人工螞蟻具有記憶功能，能夠記憶所走過的路徑。螞蟻在選擇新的路徑時必須把走過的路徑排除。記憶路徑長度反映了本算法對圖像細(xì)節(jié)的敏感程度，其值越小，對圖像中小目標(biāo)即細(xì)節(jié)部分的分割效果越好，但容易使處在小目標(biāo)邊緣上的螞蟻過早陷入無效循環(huán)運(yùn)動；記憶路徑長度值越大，檢測出的小目標(biāo)邊緣會出現(xiàn)不連續(xù)現(xiàn)象。
1.2.3 信息激素的更新
本算法中有兩處需要對信息激素矩陣進(jìn)行更新。第1次更新是在每只螞蟻行走一步之后，要對每個頂點(diǎn)上的信息激素強(qiáng)度進(jìn)行更新。頂點(diǎn)（i，j）處信息激素強(qiáng)度依據(jù)式（9）更新：
使用Roberts、Sobel、Prewitt邊緣算子對圖像進(jìn)行檢測處理的結(jié)果如圖7（a）、圖7（b）、圖7（c）所示。可以看出，Roberts算子提取邊緣的結(jié)果邊緣比較粗，間斷點(diǎn)多，沒有完整的米粒輪廓；Sobel算子對于灰度變化較小的部分沒有檢測出來，而且對邊緣定位不是很準(zhǔn)確；Prewitt算子檢測方法所檢測到的米粒輪廓邊緣較寬，而且間斷點(diǎn)多，細(xì)節(jié)處有明顯失真。
采用改進(jìn)的邊緣蟻群算法的檢測結(jié)果如圖7（d）所示?？梢钥闯?，檢測出的邊緣連續(xù)性很好，完整性也占優(yōu)勢，同時具有較好的抗噪性能和邊緣檢測性能，魯棒性強(qiáng)，能夠得到比較細(xì)化、完整和連續(xù)的圖像邊緣。
實(shí)驗(yàn)結(jié)果表明，在對米樣圖像進(jìn)行邊緣提取時，采用改進(jìn)的邊緣蟻群算法能夠較好地提取連續(xù)的大米輪廓邊緣，得到穩(wěn)定的邊緣提取結(jié)果，具有適應(yīng)性強(qiáng)、效率高和效果好等特點(diǎn)，為大米等級的分類做好了前期準(zhǔn)備工作。
參考文獻(xiàn)
[1] Tian Jing， Yu Weiyu， Xie Shengli. An ant colony optimization algorithm for image edge detection[C]. IEEE Congress on Evolutionary Computation， 2008：751-755.
[2] NEZAMABADI-POUR H， SARYAZDI S， RASHEDI E. Edge detection using ant algorithms[J]. Soft Computing， 2006（10）：623-628.
[3] LU D S， CHEN C C. Edge detection improvement by ant colony optimization[J]. Pattern Recognition Letters， 2008（29）：416-425.
[4] OTSU N. A threshold selection method from gray level histograms[J]. IEEE Transactions on Systems， Man and Cybernetics， 1979（9）：62-66.
[5] 張景虎，邊振興.基于蟻群算法的圖像邊緣檢測研究[J].火力與指揮控制，2010，35（2）：115-118.
[6] 劉光蓉，周紅，管庶安．基于圖像處理技術(shù)的大米輪廓檢測[J].糧食與飼料工業(yè)，2004（6）：14-15.
[7] 任景英，謝澤會.基于圖像處理的大米粒形檢測技術(shù)研究[J].農(nóng)機(jī)化研究，2011（3）：198-200.
[8] 劉軍，姚子建.用邊緣檢測算子實(shí)現(xiàn)圖像邊緣檢測[J].福建電腦，2006，39（4）：759-763.