基于RNA-蟻群算法的圖像邊緣檢測(cè)

姜雪瑤

(天津商業(yè)大學(xué)信息工程學(xué)院，天津 300134)

?

基于RNA-蟻群算法的圖像邊緣檢測(cè)

姜雪瑤

(天津商業(yè)大學(xué)信息工程學(xué)院，天津 300134)

傳統(tǒng)蟻群邊緣檢測(cè)算法存在前期計(jì)算量大、收斂速度慢的不足，本文提出了一種基于RNA-蟻群算法的邊緣檢測(cè)方法。由于RNA計(jì)算前期收斂速度快，但后期冗余迭代較多，而蟻群算法具有良好的反饋機(jī)制。所以本文將二者結(jié)合，通過(guò)RNA計(jì)算粗估圖像邊緣位置，利用其結(jié)果改進(jìn)蟻群算法的初始信息素矩陣，來(lái)提高邊緣點(diǎn)附近的圖像區(qū)域初始信息素濃度，從而加快蟻群算法收斂速度。仿真實(shí)驗(yàn)表明，新算法可以快速、完整地提取圖像邊緣。

邊緣檢測(cè)；蟻群算法；RNA

邊緣是圖像的基本特征之一，常用的邊緣檢測(cè)方法主要利用邊緣附近灰度的劇烈變化，通過(guò)圖像和微分算子卷積來(lái)實(shí)現(xiàn)邊緣的提取，但這類算法的計(jì)算量大且對(duì)噪聲較敏感[1-2]。傳統(tǒng)的蟻群搜索算法應(yīng)用于邊緣檢測(cè)時(shí)存在前期冗余迭代多、易陷入局部最優(yōu)的問(wèn)題[3-5]。

本文將RNA計(jì)算與蟻群算法相結(jié)合，提出了一種新的應(yīng)用于邊緣檢測(cè)的群智能算法。新算法通過(guò)收斂速度較快的RNA計(jì)算改進(jìn)傳統(tǒng)蟻群算法的初始信息素分布矩陣，從而提高收斂速度。實(shí)驗(yàn)結(jié)果表明，在相同迭代次數(shù)的條件下，新方法提取的圖像邊緣更加完整、連續(xù)。

1 RNA-蟻群算法

蟻群算法在算法初期存在收斂速度慢、計(jì)算量大的問(wèn)題。RNA計(jì)算前期收斂速度快、隨機(jī)性強(qiáng)，但是算法后期由于沒(méi)有反饋機(jī)制會(huì)產(chǎn)生大量冗余迭代[6-7]。因此，本文將RNA計(jì)算與蟻群算法相結(jié)合，通過(guò)RNA計(jì)算得到蟻群算法的初始信息素分布矩陣，從而加快前期收斂速度，使其收斂到全局最優(yōu)。

蟻群搜索算法中，信息素矩陣初始化為常數(shù)矩陣τ(i,j)=C。RNA-蟻群算法的基本思想是先由收斂速度較快的RNA算法粗略估算到最優(yōu)解位置，并增加粗估結(jié)果附近的初始信息素，新的初始信息素矩陣表示為：

(1)

其中，C′為很小的常數(shù)。

2 基于RNA-蟻群算法的邊緣檢測(cè)

首先通過(guò)RNA計(jì)算初始化信息素分布，適應(yīng)度函數(shù)選擇最大類間方差法(OTSU)。通過(guò)選擇、交叉、頸環(huán)和變異操作更新種群，直至種群內(nèi)個(gè)體不再更新停止迭代。以該分割點(diǎn)灰度值為基準(zhǔn)，搜索圖像中的每個(gè)像素點(diǎn)，判斷其8鄰域內(nèi)是否同時(shí)存在大于和小于該基準(zhǔn)值的情況。如果存在，該像素點(diǎn)為潛在邊緣點(diǎn)；反之，則不然。搜索得到的潛在邊緣點(diǎn)坐標(biāo)即為RNA計(jì)算得到的最優(yōu)解坐標(biāo)值，根據(jù)式(1)進(jìn)行信息素矩陣初始化。

將K只螞蟻隨機(jī)放置在M×N的圖像中，螞蟻下一步移動(dòng)的方向按照式(2)由周圍8鄰域的轉(zhuǎn)移概率決定，式(2)中ηij為像素點(diǎn)(i,j)處的啟發(fā)式引導(dǎo)函數(shù)，是可以表征邊緣信息強(qiáng)度的歸一化因子，表示為公式(4)[8-9]。

(2)

(3)

其中，Ii,j為(i,j)點(diǎn)的灰度值；Vc(·)為該點(diǎn)處的邊緣信息強(qiáng)度函數(shù)，表示為：

(4)

本文采用的f(·)為：

(5)

每只螞蟻移動(dòng)一步后，該像素點(diǎn)信息素濃度按照式(6)進(jìn)行更新。在邊緣檢測(cè)中，式(6)的Δτij(t)表示為Δτij(t)=ηij。

τij(t+1)=(1-ρ)τij(t)+Δτij(t).

(6)

當(dāng)所有螞蟻完成一次周游后，信息素矩陣進(jìn)行全局更新，表示為：

τnc=(1-φ)·τnc-1.

(7)

其中，φ為全局信息素衰減因子。

NC次迭代完成后，根據(jù)信息素矩陣τNC計(jì)算閾值，通過(guò)閾值判斷選擇圖像的邊緣點(diǎn)。采用信息素矩陣的均值初始化閾值，表示為：

(8)

將信息素矩陣分為大于T(0)和小于T(0)兩部分并各自求均值后再求平均得到T(1)。以此類推，T(l)表示為：

(9)

(10)

(11)

(12)

(13)

3 實(shí)驗(yàn)結(jié)果與分析

選用128級(jí)灰度圖像驗(yàn)證本算法的有效性，并與Canny算法、傳統(tǒng)蟻群邊緣檢測(cè)算法進(jìn)行比較實(shí)驗(yàn)，設(shè)置螞蟻總數(shù)K=128。對(duì)于腦部CT圖像，如圖1(a)所示，令信息素強(qiáng)度α=10，啟發(fā)式引導(dǎo)函數(shù)的影響因子β=1，信息素?fù)]發(fā)因子ρ=0.3，每只螞蟻移動(dòng)50步，所有螞蟻周游一次。圖1(b)～(d)分別給出了Canny算法、傳統(tǒng)蟻群邊緣檢測(cè)算法和本算法的邊緣檢測(cè)結(jié)果。

圖1 腦部CT圖邊緣檢測(cè)結(jié)果

對(duì)于細(xì)菌顯微圖像，如圖2(a)所示，令信息素強(qiáng)度α=10，啟發(fā)式引導(dǎo)函數(shù)的影響因子β=2，信息素?fù)]發(fā)因子ρ=0.5，每只螞蟻移動(dòng)50步。圖2(b)～(d)分別給出了Canny算法、傳統(tǒng)蟻群邊緣檢測(cè)算法和本算法的邊緣檢測(cè)結(jié)果。

圖2 細(xì)菌顯微圖邊緣檢測(cè)結(jié)果

對(duì)比可以看出，Canny算法檢測(cè)結(jié)果中誤檢的邊緣較多；傳統(tǒng)蟻群算法檢測(cè)到的圖像邊緣不連續(xù)；本文算法檢測(cè)到的邊緣點(diǎn)清晰，具有較好的連續(xù)性和完整性。

4 結(jié)束語(yǔ)

針對(duì)傳統(tǒng)蟻群算法用于圖像邊緣檢測(cè)時(shí)早期搜索量大、計(jì)算時(shí)間長(zhǎng)的問(wèn)題，本文提出一種基于RNA-蟻群算法的邊緣檢測(cè)方法。首先通過(guò)RNA計(jì)算初步估算出圖像的邊緣點(diǎn)位置，然后利用粗估結(jié)果改進(jìn)蟻群算法的初始信息素矩陣分布，使得潛在邊緣點(diǎn)附近的初始信息素濃度高于非邊緣位置，從而加快了蟻群向邊緣靠攏的速度，提高了算法搜索效率。實(shí)驗(yàn)結(jié)果證明了新算法的有效性和可靠性。

[1] 張志龍，楊衛(wèi)平，李吉成.一種基于蟻群優(yōu)化的顯著邊緣檢測(cè)算法[J].電子與信息學(xué)報(bào)，2014，36(9)：2061-2067.

[2] 孟陽(yáng)，侯媛彬，張譯文.基于免疫蟻群融合算法的機(jī)械臂目標(biāo)圖像邊緣檢測(cè)[J].計(jì)算機(jī)應(yīng)用研究，2012，29(4)：1566-1571.

[3] Dorigo M,Blum C.Ant Colony Optimization Theory:A Survey[J].Theoretical Computer Science，2005，344(2/3):243-278.

[4] Dorigo M,Maniezzo V,Colorni A.Positive Feedback as a Search Strategy[R].Dipartimento di Elettronica Politecnico di Milano，Italy，1991.

[5] 張健，周激流，何坤，等.基于多態(tài)蟻群優(yōu)化的圖像邊緣檢測(cè)[J].計(jì)算機(jī)工程與應(yīng)用，2011，47(3)：20-22.

[6] Hoseini P,Shayesteh M G.Efficient Contrast Enhancement of Images Using Hybrid an Colony Optimisation,Genetic Algorithm,and Simulated Annealing[J].Digital Signal Processing，2013，23(3):879-893.

[7] Chen Bolun,Chen Ling,Chen Yixin.Efficient Ant Colony Optimization for Image Feature Selection[J].Signal Processing，2013，93(6):1566-1576.

[8] 耿艷香，孫云山，謝靖鵬，等.混沌蟻群算法在圖像邊緣檢測(cè)中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2015，47(3)：20-22.

[9] Jing Tian,Weiyu Yu,Shengli Xie.An Ant Colony Optimization Algorithm for Image Edge Detection[C].IEEE Congress on Evolutionary Computation,2008：751-755.

Image Edge Detection Based on RNA Ant Colony Algorithm

Jiang Xueyao

(CollegeofInformationEngineering,TianjinUniversityofCommerce,Tianjin300134,China)

An image rapid edge detection method based on chaotic ant colony algorithm is proposed in order to solve the problem of complicated calculations and premature convergence in traditional ant colony edge detection.In the new method,the image area where has higher edge information intensity places more ants so that the convergence speed is improved by changing the ants’ initial position.Meanwhile the chaotic algorithm is used to update pheromone matrix,thereby the ergodic property has been improved and the continuity of rapid detection results has been ensured.Simulation results demonstrate that the new method can extract edge rapidly and completely.

edge detection; ant colony algorithm; RNA

2016-10-10

姜雪瑤(1988-)，女，山西忻州人，助理實(shí)驗(yàn)師，研究方向?yàn)閳D像處理。

1674-4578(2016)05-0050-02

TP391.41

A