摘   要: 為了提高圖像的邊緣檢測性能，將蟻群算法引入圖像邊緣檢測。闡述了提取圖像邊緣特征的方法和蟻群算法的基本原理，提出了一種基于改進的蟻群算法的邊緣檢測方法。將圖像的形態(tài)學梯度值作為蟻群的信息激素強度值和啟發(fā)信息值，使用最大類間方差法獲得圖像的邊緣信息。實驗結(jié)果表明該算法能成功地提取邊緣信息并抑制背景紋理細節(jié)，具有較好的檢測效果。
關鍵詞: 蟻群算法； 邊緣檢測； 特征提取； 形態(tài)學梯度

    圖像處理和視覺信息中，邊緣是最簡單且最重要的特征之一，作為對圖像的預處理，通過邊緣檢測提取圖像中感興趣的物體邊緣達到識別目標的目的，可以為后續(xù)的圖像處理奠定良好的基礎。傳統(tǒng)的邊緣檢測主要起到高通濾波的作用，使用空域微分算子卷積來實現(xiàn)，如Sobel算子、Prewitt算子、Robert算子和Canny算子等[1]。
    蟻群算法(Ant Colony Algorithm)是近些年新發(fā)展起來的一種優(yōu)化計算方法，它依據(jù)螞蟻之間留下的信息激素，利用概率路徑選擇方法，通過個體之間的信息交流來完成尋求全局最優(yōu)解的搜索過程[2]。該算法具有并行性、正反饋性、離散型和魯棒性等特點，易于與其他優(yōu)化算法相結(jié)合，已被應用于解決諸如TSP、車間調(diào)度和圖著色等問題[2]。蟻群算法的并行性和離散性對于數(shù)字圖像非常適用。參考文獻[3]提出將圖像的梯度作為蟻群算法的信息激素值和啟發(fā)式函數(shù)值，取得了較好的效果。本文則提出了一種基于蟻群算法的圖像邊緣檢測改進方法，將圖像的形態(tài)學梯度值設置為信息激素值和啟發(fā)式函數(shù)值，使用最大類間方差閾值分割方法獲得圖像的邊緣，與傳統(tǒng)邊緣檢測方法進行了對比。實驗結(jié)果表明，該方法不失為一種性能優(yōu)良的邊緣檢測方法。
1 邊緣特征的提取策略
    形態(tài)學一般用于處理動物和植物的形狀和結(jié)構(gòu)，在圖像處理領域中，數(shù)學形態(tài)學作為提取圖像分量的一種工具，其包含了一組形態(tài)學算子，最基本的有膨脹、腐蝕、開運算和閉運算[4]。其基本思想是使用結(jié)構(gòu)元素填放在圖像的內(nèi)部，看是否能有效地對圖像進行改善。



      本文使用半徑為1的圓盤型結(jié)構(gòu)元素對圖像進行膨脹和腐蝕，將圖像中較弱的細節(jié)部分增強并將不清晰的過小細節(jié)和背景噪點腐蝕，從而獲得圖像的形態(tài)學梯度。圖像是由背景、邊緣和目標組成的，邊緣特征表達了圖像輪廓信息，一般反映在像素的灰度梯度值上，梯度值越大，其在圖像上的灰度變化就越大；反之，梯度值越小灰度像素的變化范圍也就越小。lena圖像的普通梯度及其形態(tài)學梯度如圖1所示。從圖1可以看出，形態(tài)學梯度的灰度像素變化比普通梯度變化劇烈，對輪廓信息表現(xiàn)較好，故本文選用圖像的形態(tài)學梯度值歸一化后作為該像素點的梯度值。
2 基于蟻群算法的邊緣檢測
2.1 蟻群優(yōu)化的基本原理
　    蟻群算法是由意大利學者DORIGO M等人在1991年受到螞蟻搜索食物過程中依據(jù)同伴遺留下的信息激素進行最短路徑選擇的啟發(fā)而提出的一種新的仿生優(yōu)化計算方法[5]。螞蟻是一種社會生物，從同一巢穴出發(fā)的螞蟻在尋找食物的過程中會在其走過的路徑上留下信息激素，該激素隨著時間不斷揮發(fā)，其他螞蟻則按照信息素的強度依概率選擇下一步的路徑，當越來越多的螞蟻選擇最短路徑進行覓食時，這條路徑上的信息素濃度就會得到增強，使得大多數(shù)螞蟻都會以較大的概率沿著這條最短路徑進行搜尋，這種正反饋的過程使得蟻群在經(jīng)過多次選擇后最終可以找到最短的路徑[4]。
2.2 邊緣檢測蟻群算法
　    基于蟻群算法的邊緣檢測方法的原理是將一幅大小為M×N的灰度圖像f(i,j)看作一個二維圖,每一個像素點就是螞蟻所在的位置，每個螞蟻根據(jù)其8領域像素中信息激素強度和啟發(fā)式引導函數(shù)的值，以較大的概率選擇一個信息激素強度和啟發(fā)式引導函數(shù)較大的點作為下一步的前進方向。這樣，螞蟻逐漸地向信息素濃度大的點靠攏，而圖像的邊緣反映在圖像每個像素的灰度梯度值上，邊緣處的灰度梯度值較背景的灰度梯度值大，將信息激素強度的值定義為灰度圖像的形態(tài)學梯度值，則邊緣的點的信息素濃度就較大，就能較好地檢測出圖像的邊緣。

景左側(cè)和頭發(fā))沒有完全檢測出來，Canny算子檢測出來的圖像細節(jié)部分有稍許失真，而本文算法檢測出來的結(jié)果在細節(jié)和視覺真實性部分表現(xiàn)較好。
      在圖3中，原圖背景比較復雜，細節(jié)和紋理信息比較豐富，Sobel算子雖然部分去除了圖像的紋理信息，但是出現(xiàn)了邊緣部分不連續(xù)的現(xiàn)象，這給后續(xù)的圖像處理增加了難度。Canny算子雖然對熊貓的邊緣檢測比較準確，沒有出現(xiàn)輪廓不完整的現(xiàn)象，但是將背景中不需要的紋理圖像也檢測出來，同樣對下一步處理產(chǎn)生了難度。本文算法很好地檢測出了熊貓的邊緣輪廓，同時也減少了背景中不需要的紋理信息。
    本文利用圖像的形態(tài)學梯度將其作為蟻群算法中信息激素值和啟發(fā)函數(shù)值，利用最大類間方差法(Otsu)確定閾值，成功提取了圖像的邊緣信息。實驗結(jié)果表明，通過改變蟻群算法中的參數(shù)設置，可以對不同的復雜圖像進行較為有效的邊緣提取。蟻群算法在處理圖像邊緣檢測的問題上體現(xiàn)了其正反饋性和強魯棒性的優(yōu)異特性。如何解決邊緣檢測的部分區(qū)域的螞蟻聚集過多而導致邊緣過于“粗壯”以及更為合理且自適應地選擇參數(shù)等問題，是下一步研究的工作重點。
參考文獻
[1] GONZALEZ R C. 數(shù)字圖像處理(Matlab版)[M].阮秋琦,等，譯.北京：電子工業(yè)出版社,2005.
[2] MULLEN R J, MONEKOSSO D, BARMAN S, et al. A  review of ant algorithms[J]. Expert Systems with Applications, 2009,36(6):9608-9617.
[3] 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.
[4] 夏平,劉馨瓊,向?qū)W軍,等.基于形態(tài)學梯度的圖像邊緣檢測算法[J].計算機技術(shù)與發(fā)展, 2007,17(12):107-109.
[5] 肖曦，彭良玉. 基于改進的邊緣檢測蟻群算法的大米輪廓檢測[J].微型機與應用,2012,31(13):42-45.
[6] 張健,何坤,鄭秀清,等.基于蟻群優(yōu)化的圖像邊緣檢測算法[J].計算機工程，2011,37(2)：191-193.
[7] OTSU N.A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems，Man and Cybernetics,1979(9):62-66.