基于蚁群算法的图像分割方法

蚁群算法的研究

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>:%

（!""#）文章编号%""!@&>>%@%&@"""F@">文献标识码G

!"#$%&%$"%’(#()*’+#,%-*’!"./*0%-1’(2*3*’413$*/)(5"

6#’7#’8#’$&5)9%’$8%)

（J1’(.1’050’+)+(.K(0L9/70)-，J1’(.1’0!""">"）

（G6G）1:,(/#;(：G()*+,+(-’,.+/0)1207’M0(E+AE07*/9)9，=’/’,,9,’(E/+8D7)9L+,D)0+(’/-’,.+/0)12N0)1ADOO-*,D7)9/P

0(.’80,0)-$Q9/9，G6G1’7899(0()/+ED*9E0()+02’.979.29()’)0+(A/+2)19’7=9*)+AADOO-*,D7)9/0(.$H19./’-L’,D9，./’)0)DE9’(E(90.18+/1++E+A)19=0R9,7’/9*+(70E9/9E7-()19)0*’,,-$H19(，8’79E+()19’(’,-707+A)1902’.9，)190()/+P

ED*)+/-7-7)921’7899(7)/9(.)19(9E$H19=/+*977079,’8+/’)9EA/+2A9’)D/99R)/’*)0+(，0(0)0’,0O’)0+()+ADOO-*,D7)9/0(.+=9/’)0+($S0(’,,-，/97D,)7’/9.0L9($T)71+N7)1’))1902=/+L9EG6G07’(9AA9*)0L929)1+E0(02’.979.29()’)0+($<%4=*/-,：G()6+,+(-G,.+/0)12，02’.979.29()’)0+(，ADOO-*,D7)9/0(.，A9’)D/99R)/’*)0+(，(90.18+/1++E

%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。

使图像分割成为图像处理技术的难点。传统图像分割方法如阈值法、边缘检测法、数学形态学法、基于区域处理方法等针对不同图像都取得了很好的效果，因而也成为目前应用比较广泛的方法。但是对于不同应用目的以及不同图像特性，传统方法又表现出很大局限性。例如阈值法，这种方法具有较高的计算效率，但是对噪声很敏感，会误将噪声作为目标来处理；边缘检测算子存在边界不连续或边界不准确的问题；数学形态学方法在一定程度上降低了噪声对图像的影响，但是开、闭、腐蚀、膨胀等运算会导致图像的过度平滑，从而导致图像变形及细节丢失。

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。

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

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，

计算机工程与应用!""#$%&F

蚁群算法的研究

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 …… 此处隐藏：3501字，全部文档内容请下载后查看。喜欢就下载吧 ……