基于具有偵察能力的蟻群算法的圖像邊緣檢測實踐報告目錄TOC\o"1-3"\h\u22280基于具有偵察能力的蟻群算法的圖像邊緣檢測實踐報告 1255871.1基于具有偵察能力的蟻群算法的圖像邊緣檢測的方法 14571.2仿真實驗與分析 3雖然現(xiàn)如今蟻群算法的用法非常廣泛，也適用于各個領(lǐng)域，但其自身也存在一定的缺點，例如在進行圖像邊緣檢測的過程中存在效率低下，時效性不高的問題。針對算法消耗時間過長這個現(xiàn)象，本文在蟻群算法中把螞蟻分成偵察螞蟻和覓食螞蟻，偵察螞蟻的出現(xiàn)可以減少螞蟻在隨機分配時做無畏搜索工作的時間。經(jīng)過實驗，發(fā)現(xiàn)加入偵察螞蟻可以有效降低算法的運行時間。1.1基于具有偵察能力的蟻群算法的圖像邊緣檢測的方法在自然界中，螞蟻尋找食物的過程中它們的分工是非常明確的，首先由偵察螞蟻進行偵察活動，偵察螞蟻在地圖上隨機行走，當其搜尋到食物后，再釋放信息素通知覓食螞蟻，覓食螞蟻繼續(xù)進行食物的搜集工作。受此啟發(fā)，本文在傳統(tǒng)的蟻群算法中加入了偵察螞蟻的思想。此算法的基本思想是將算法分為兩個階段，第一個階段是偵察階段。首先，隨機分配偵察螞蟻于灰度圖像中，對圖像進行全局搜索，搜索完畢后判斷邊緣區(qū)域和非邊緣區(qū)域，將非邊緣區(qū)域剔除，保留邊緣區(qū)域。第二階段是覓食階段，覓食螞蟻只需要在偵察螞蟻所保留的邊緣區(qū)域進行搜索，最后完成圖像邊緣的遍歷，實現(xiàn)邊緣檢測。該算法的詳細過程如下：第一階段為偵察階段：偵察螞蟻在圖像上進行全局搜查，以自身位置為中心，對自身位置視覺區(qū)域內(nèi)的像素點進行偵察。假設(shè)偵察螞蟻數(shù)量設(shè)置為QUOTEM*NM*N，將偵察螞蟻放入所有的像素點內(nèi)，此時，每一只偵察螞蟻QUOTEkk都有其相應(yīng)的位置坐標，此點坐標為QUOTEV（i，j）V（i，QUOTEVm,n-Vi,j≥T若滿足上述公式，則表示此區(qū)域是邊緣區(qū)域；如果兩個像素點之間的差小于檢測閾值QUOTETT，則該區(qū)域是非邊緣區(qū)域。第二階段為覓食階段：覓食螞蟻根據(jù)偵察螞蟻經(jīng)過偵察所留下來的結(jié)果，就邊緣區(qū)域進行搜索。如果是像素點之差小于閾值T的部分，則直接跳過不進行搜索，如果是像素點之差大于閾值T的部分，則進行搜索。該算法具體步驟如下：表4-1基于偵察能力的蟻群算法的邊緣檢測步驟改算法的具體流程如下：圖4-1基于偵察能力的蟻群算法的邊緣檢測流程圖1.2仿真實驗與分析本文采用matlab2020版本進行了仿真實驗，實驗結(jié)果如下：圖4-2原版和改進的實驗結(jié)果對比1圖4-3原版和改進的實驗結(jié)果對比2圖4-4原版和改進的實驗結(jié)果對比3圖4-5原版和改進的實驗結(jié)果對比4圖4-6原版和改進的實驗結(jié)果對比5圖4-2是用Ant進行原版的和改進之后的結(jié)果比較。其中，4-2（a）是原圖，4-2（b）至（e）是原版蟻群算法實驗所得的結(jié)果，4-2（f）至（i）是基于偵察能力的蟻群算法的圖像邊緣檢測所得到的結(jié)果，4副圖分辨對應(yīng)著啟發(fā)式引導(dǎo)函數(shù)里面4種不同的核函數(shù)。實驗參數(shù)如3.1節(jié)所述。4-2（b）至（e）的算法運行時間為60.653205秒，4-2（f）至（i）的算法運行時間為48.800501秒，算法運行效率提高21.3%。圖4-3是用Camera進行的比較。其中，4-3（a）是原圖，4-3（b）至（e）是原版蟻群算法實驗所得的結(jié)果，4-3（f）至（i）是基于偵察能力的蟻群算法的圖像邊緣檢測所得到的結(jié)果，4副圖分辨對應(yīng)著啟發(fā)式引導(dǎo)函數(shù)里面4種不同的核函數(shù)。4-3（b）至（e）的算法運行時間為59.10195秒，4-3（f）至（i）的算法運行時間為48.364634秒，算法運行效率提高22.2%。圖4-4是用Bob進行的比較。其中，4-4（a）是原圖，4-4（b）至（e）是原版蟻群算法實驗所得的結(jié)果，4-4（f）至（i）是基于偵察能力的蟻群算法的圖像邊緣檢測所得到的結(jié)果，4副圖分辨對應(yīng)著啟發(fā)式引導(dǎo)函數(shù)里面4種不同的核函數(shù)。4-4（b）至（e）的算法運行時間為51.105778秒，4-4（f）至（i）的算法運行時間為42.562880秒，算法運行效率提高27.1%。圖4-5是用Cat進行的比較。其中，4-5（a）是原圖，4-5（b）至（e）是原版蟻群算法實驗所得的結(jié)果，4-5（f）至（i）是基于偵察能力的蟻群算法的圖像邊緣檢測所得到的結(jié)果，4副圖分辨對應(yīng)著啟發(fā)式引導(dǎo)函數(shù)里面4種不同的核函數(shù)。4-5（b）至（e）的算法運行時間為486.783639秒，4-5（f）至（i）的算法運行時間為420.878560秒，算法運行效率提高15.7%。圖4-6是用Eye進行的比較。其中，4-6（a）是原圖，4-6（b）至（e）是原版蟻群算法實驗所得的結(jié)果，4-6（f）至（i）是基于偵察能力的蟻群算法的圖像邊緣檢測所得到的結(jié)果，4副圖分辨對應(yīng)著啟發(fā)式引導(dǎo)函數(shù)里面4種不同的核函數(shù)。4-6（b）至（e）的算法運行時間為496.191297秒，4-6（f）至（i）的算法運行時間為438.878560秒，算法運行效率提高13.1%。通過分析實驗結(jié)果，可以發(fā)現(xiàn)算法效率提高的原因如下：在大部分圖像中，邊緣的比例往往是低于其他部分的比例的。在傳統(tǒng)的蟻群算法中，進行圖像的邊緣檢測需要遍歷整個圖像，包括邊緣區(qū)域和非邊緣區(qū)域。由于非邊緣的區(qū)域的比例過大，因此螞蟻把大量的時間花費在非邊緣區(qū)域的搜索上，形成了許多無效的搜索。通