摘 要

在一幅图像中人们往往只需要其中一部分的信息,将所需求目标分割出来才能进行下一步的处理,这就是图像分割技术。图像分割是数字图像处理和分析中的一种常用的技术,通常根据图像中像素的特征将图像分割成多个区域或部分。图像分割是一项具有挑战性的复杂任务,它受到许多方面的影响,包括噪声、低对比度、光照和物体边界的不规则性。图像分割包括了前景和背景的分离,或者基于颜色或形状的相似性对像素区域进行聚类等方面的内容。因为图像分割的结果对于进一步的处理具有直接的影响,所以分割的方法和方式是十分关键的,它是图像处理领域的重点研究内容。

蚁群算法起先在处理TSP(Traveling Salesman Problem)上取得了良好的成效,后来在图像分割等搜索全局最优解的问题上也有进展。但是在将其应用于图像分割技术上时发现,蚁群算法存在着收敛速度慢、抗噪性差、精度不高、易陷入局部最优解等问题。

对于上述存在的问题提出了一种改进的蚁群图像分割算法,通过筛选合适的期望值启发因子和信息启发因子等相关参数，提高了图像分割的效果减小了收敛的时间，并且优化了信息素更新规则，使蚂蚁能够在挥发因子极端情况下完成图像分割，。

关键词：蚁群算法：图像分割：信息素更新规则

ABSTRACT

In an image, people are often only interested in a part of it, and the specific target can be segmented to proceed to the next step. This is the image segmentation technology. Image segmentation is a commonly used technique in digital image processing and analysis. It usually divides the image into multiple regions or parts according to the characteristics of the pixels in the image. Image segmentation is a challenging and complex task, which is affected by many aspects, including noise, low contrast, lighting and irregularities of object boundaries. Image segmentation includes the separation of foreground and background, or clustering pixel regions based on the similarity of colors or shapes. Because the result of image segmentation has a direct impact on further processing, the method and method of segmentation is very critical, and it is a key research content in the field of image processing.

Ant colony algorithm is a bionic algorithm. The ant colony algorithm has achieved good results in dealing with TSP (Traveling Salesman Problem) at first, and has also made progress in searching for global optimal solutions such as image segmentation. But when it is applied to image segmentation technology, it is found that the ant colony algorithm has the problems of slow convergence speed, poor noise resistance, low accuracy, and easy to fall into the local optimal solution.

In view of the above problems, an improved ant colony image segmentation algorithm is proposed. By adjusting the expected value heuristic factor, information heuristic factor and related parameters, the effect of image segmentation is improved, and the pheromone update rules are optimized to enable ants to complete the image faster. Segmentation reduces the convergence time.

In view of the above problems, an improved ant colony image segmentation algorithm is proposed. By adjusting the expected value heuristic factor, information heuristic factor and related parameters, the effect of image segmentation is improved, and the pheromone update rules are optimized to enable ants to complete the image faster. Segmentation reduces the convergence time.

Key words: ant colony algorithm；image segmentation；pheromone update rules

目录

第1章 绪论 1

1.1 研究背景 1

1.2 发展现状 2

1.3 主要研究内容和组织结构 2

第2章 图像分割方法 4

2.1 基于阙值的分割方法 4

2.2 基于区域的图像分割方法 4

2.2.1 区域生长及分裂合并 4

2.2.2 分水岭算法 5

2.3 基于边缘检测的分割方法 6

2.4 本章小结 6

第3章 基本蚁群算法的图像分割 7

3.1 蚁群算法 7

3.1.1 蚁群算法原理 7

3.1.2 蚁群算法具体实现 8

3.2 传统蚁群算法用于图像分割 9

3.2.1 算法基本思想及相关说明 10

3.2.2 算法的流程和基本步骤 10

3.4 本章小结 12

第4章 基于改进蚁群算法的图像分割 13

4.1 改进蚁群算法的流程图 13

4.2 优化算法设计实现 14

4.3 算法参数的选取 16

4.4 本章小结 16

第5章 仿真和实验结果分析 17

5.1 常用算法分割效果 17

5.2 基本蚁群算法的图像分割结果 18

5.3 改进前后的图像分割效果对比 19

5.4 本章小结 20

第6章 总结与展望 22

参考文献 23

致谢 24

第1章 绪论

人们通常认为图像都是具有视觉效果的图片,存在于纸质媒体、照片、电视、电脑屏幕和许多其他媒体上。人类接受的信息包含了大量的视觉信息,即图像信息。图像的类别分为数字图像和模拟图像,其中数字图像通常表示的是二维图像,包含有限量的像素点,主要以矩阵和阵列的方式保存。人们往往使用计算机和数字电路来对图像进行数字化处理,通过处理可以得到所需求的部分图像信息。数字图像处理要达到的目标是突显图像的特定区域,从图像中提取特殊信息。图像分割作为一种数字图像处理技术在计算机和通信等领域有着广阔的应用前景。这是从图像处理到图像分析不可或缺的过程。因为图像分割结果是否满足预期的要求将对进一步的图像分析和识别产生不同的效果。如果图像不能被正确分割,图像就不能被正确识别。因此,图像分割的方法和精度非常重要。

1.1 研究背景

对于图像分割技术,由于其重大的研究价值,所以在过去的时间,许多的专家和学者为图像分割技术的进步付出了大量的努力。虽然截止到现在,还没有产生一种能够完美处理所有情形的图像分割方法,但是对于如何让图像分割方法具有良好的普适性已经有了一些进展。目前,仍在对图像分割进行下一步的探索,希望能得到更加完美的图像分割方法。

蚁群算法由意大利学者Marco Dorigo提出。在观察蚂蚁觅食的过程中,他们发现单个蚂蚁的行为单调而简单,然而蚁群却在行动上表现出惊人的协调性充满了智慧。例如,蚁群在大部分的环境中都擅长找到去往食物的最短路径。这是由于蚂蚁相互之间可以通过一种叫信息素的物质完成信息交流。蚂蚁会在它们寻找食物时走过的路上留下一定量的信息素。其他的蚂蚁识别到信息素,通过分辨信息素浓度的高低就会沿着高浓度的路径前行。而所有觅食的蚂蚁都会不断地在通往食物的路上留下信息素,这使得通往食物源最短路径上的信息素浓度会越来越高，从而形成正反馈机制。这样通过信息素的累积作用,最后几乎所有觅食的蚂蚁都会聚集在最优路径上。相关的学者们起先利用蚁群算法来寻找TSP问题的答案,后来在进一步的研究中发现蚁群算法在聚类、图像处理等许多方面的应用都有着不错的前景。但是基本蚁群算法依旧存在着一些其他问题比如运算时间长、收敛速度相对较慢、不容易得到全局最优解等缺点。对于这些存在缺陷的地方,大量学者从多个方面对蚁群算法进行了改进,并取得了可观的效果。为了提高算法的性能一般从信息素更新规则、参数选择、与其他算法一起使用等方面进行改进。

1.2 发展现状

图像分割是计算机视觉研究的一个主要方向。自上世纪末以来,图像分割作为图像技术领域的经典问题,吸引了众多专家学者的目光,并且他们做出了很大的贡献,先后提出了相当多的具有创造性的图像分割算法。这些方法的分割性能通过图像分割质量的好坏来评估。尽管有了一些初步的摸索,然而判断算法分割是否成功的客观标准至今尚未解决。这对图像分割技术的发展是有坏处的的。