文档介绍：基于蚁群算法的图像边缘检测
作者：whypro
E-mail:
章节支配
图像边缘检测概述
蚁群算法边缘检测模型
算法的实现
总结和展望
图像边缘检测概述
图像的边缘
边缘是指图像强度（灰度值）发生急剧变更互独立地构造问题解，而整个问题的求解不会因为某只人工蚂蚁无法成功获得解而受到影响。
鲁棒性：相对于其它算法，蚁群算法对初始路途要求不高，即蚁群算法的求解结果不依靠于初始路途的选择，而且在搜寻过程中不须要进行人工的调整。
并行性：蚁群算法中蚂蚁个体搜寻的过程彼此独立，仅通过信息素进行通信。因此算法可看作是一个分布式多Agent系统，它在问题空间的多点同时起先独立的解搜寻，不仅增加了算法的牢靠性，也使得算法具有较强的全局搜寻实力。
自组织性：蚂蚁个体作用简洁，而个体之间的协作作用特殊明显，因而可以将蚁群当做一个整体，甚至可以看做一个独立生物体来探讨。
基于蚁群算法的边缘检测模型流程
首先，我们对原始图像（真彩色）进行灰度化处理，得到单通道的灰度图像；
其次，选用一种微分算子对灰度化后的图像进行预处理；预处理后我们就可以将图像灰度值看作信息素量而将蚁群依据确定规则分布其中，进行足够次迭代后得到结果；
最终，须要对其进行阈值化，即依据设定的阈值，将图像依据每个像素的灰度值大小转换为二值图像，经过这步我们便已经得到边缘结果图；
依据须要，可进一步运用细化算法对其进行细化（这一步是可选的）。
邻域结构及蚂蚁的移动方式
邻域是蚂蚁下一步可移动到的节点集。本文接受 8 邻域结构，如图所示。蚂蚁移动到各节点的概率定义为：
邻域结构及蚂蚁的移动方式
信息启发式因子反映了蚂蚁在运动过程中所积累的信息量在指导蚁群搜寻中的相对重要程度，其值越大，蚂蚁选择以前走过路径的可能性就越大，搜寻的随机性就越弱。
期望启发式因子反映了启发信息在指导蚁群搜寻过程中的相对重要程度，其大小反映了蚁群寻优过程中先验性、确定性因素的作用强度。其值越大，则蚂蚁在某个局部点上选择局部最短路径的可能性越大，虽然这时算法的收敛速度得以加快，但蚁群搜寻最优路径的随机性减弱，易于陷入局部最优。
惯性启发式因子确定着蚂蚁保持当前运动方向的强度，当 越大时，蚂蚁越趋向于沿直线运动，当 时，不考虑其他因素，蚂蚁向各个方向运动的概率相等。
邻域结构及蚂蚁的移动方式
if (蚂蚁的状态为激活态) {
for (遍历8个邻域节点) {
计算节点的概率值
if (该节点存在于蚂蚁的记忆中) {
删除该节点
}
}
if (可移动的节点集不为空) {
模拟概率执行移动，为当前节点重新赋值
将当前节点加入蚂蚁的记忆中
if (蚂蚁记忆中节点数 > 蚂蚁记忆长度) {
遗忘最早记忆的节点
}
}
else {
设置蚂蚁状态为停止移动
}
}
蚂蚁的记忆与禁忌表
我们为每只蚂蚁设置一段临时记忆，也称作“禁忌表”，每次迭代中，蚂蚁个体都不会移动到自己从前访问过的节点。
记忆的长度作为算法的一个参数，也影响着算法的运行效率。下面我们在 的空白测试图中，为3只蚂蚁设置不同的记忆长度和参数，以随机点起先觅食，进行50次迭代后，对信息素矩阵进行了色调化处理，试验结果如下。
蚂蚁的记忆与禁忌表
记忆长度 = 1
记忆长度 = 10
蚁群规模和初始分布
蚁群规模和初始分布
蚁群规模和初始分布
Lena 原图
蚁群规模和初始分布
512只蚂蚁，随机分布方式
9325只蚂蚁，随机分布方式
蚁群规模和初始分布
3*3匀整分布方式（自动计算出蚂蚁的个数为29241个
3*3智能方式（自动计算出蚂蚁的个数为9325个
信息素更新方式
蚁群能感受到的信息素分为两类，第一类为蚁群释放的信息素，我们称之为信息素，其次类为图像的灰度值，我们称之为启发信息。
随着迭代次数的增加，大部分路径上都会留下信息素。为了防止信息素的过度积累而使蚂蚁决策时忽视能见度信息，在完成每次迭代后，各路径上的信息素浓度须要依据公式进行更新。
终止条件
本文运用给定的迭代次数作为算法的终止条件，即算法将在进行I次迭代之后无条件终止，因此，迭代次数的选择对于算法性能的影响很大，选择适当的迭代次数尤其重要。
当蚂蚁的临时记忆包含其全部可移动节点，即蚂蚁无法决策下一步移动的节点时，终结蚂蚁个体的生命，不再进行移动。
阈值的选择
蚁群算法运行之后，须要对其进行阈值化，即依据设定的阈值，将蚁群释放的信息素量所对应的边缘图像依据每个像素的灰度值大小转换为二值图像，经过这步我们便可得到边缘结果。
阈值的选择
0.