摘 要: 為了提高圖像的邊緣檢測性能，將蟻群算法引入圖像邊緣檢測。闡述了提取圖像邊緣特征的方法和蟻群算法的基本原理，提出了一種基于改進的蟻群算法的邊緣檢測方法。將圖像的形態學梯度值作為蟻群的信息激素強度值和啟發信息值，使用最大類間方差法獲得圖像的邊緣信息。實驗結果表明該算法能成功地提取邊緣信息并抑制背景紋理細節，具有較好的檢測效果。
關鍵詞: 蟻群算法； 邊緣檢測； 特征提取； 形態學梯度
圖像處理和視覺信息中，邊緣是最簡單且最重要的特征之一，作為對圖像的預處理，通過邊緣檢測提取圖像中感興趣的物體邊緣達到識別目標的目的，可以為后續的圖像處理奠定良好的基礎。傳統的邊緣檢測主要起到高通濾波的作用，使用空域微分算子卷積來實現，如Sobel算子、Prewitt算子、Robert算子和Canny算子等[1]。
蟻群算法(Ant Colony Algorithm)是近些年新發展起來的一種優化計算方法，它依據螞蟻之間留下的信息激素，利用概率路徑選擇方法，通過個體之間的信息交流來完成尋求全局最優解的搜索過程[2]。該算法具有并行性、正反饋性、離散型和魯棒性等特點，易于與其他優化算法相結合，已被應用于解決諸如TSP、車間調度和圖著色等問題[2]。蟻群算法的并行性和離散性對于數字圖像非常適用。參考文獻[3]提出將圖像的梯度作為蟻群算法的信息激素值和啟發式函數值，取得了較好的效果。本文則提出了一種基于蟻群算法的圖像邊緣檢測改進方法，將圖像的形態學梯度值設置為信息激素值和啟發式函數值，使用最大類間方差閾值分割方法獲得圖像的邊緣，與傳統邊緣檢測方法進行了對比。實驗結果表明，該方法不失為一種性能優良的邊緣檢測方法。
1 邊緣特征的提取策略
形態學一般用于處理動物和植物的形狀和結構，在圖像處理領域中，數學形態學作為提取圖像分量的一種工具，其包含了一組形態學算子，最基本的有膨脹、腐蝕、開運算和閉運算[4]。其基本思想是使用結構元素填放在圖像的內部，看是否能有效地對圖像進行改善。
本文使用半徑為1的圓盤型結構元素對圖像進行膨脹和腐蝕，將圖像中較弱的細節部分增強并將不清晰的過小細節和背景噪點腐蝕，從而獲得圖像的形態學梯度。圖像是由背景、邊緣和目標組成的，邊緣特征表達了圖像輪廓信息，一般反映在像素的灰度梯度值上，梯度值越大，其在圖像上的灰度變化就越大；反之，梯度值越小灰度像素的變化范圍也就越小。lena圖像的普通梯度及其形態學梯度如圖1所示。從圖1可以看出，形態學梯度的灰度像素變化比普通梯度變化劇烈，對輪廓信息表現較好，故本文選用圖像的形態學梯度值歸一化后作為該像素點的梯度值。
2 基于蟻群算法的邊緣檢測
2.1 蟻群優化的基本原理
蟻群算法是由意大利學者DORIGO M等人在1991年受到螞蟻搜索食物過程中依據同伴遺留下的信息激素進行最短路徑選擇的啟發而提出的一種新的仿生優化計算方法[5]。螞蟻是一種社會生物，從同一巢穴出發的螞蟻在尋找食物的過程中會在其走過的路徑上留下信息激素，該激素隨著時間不斷揮發，其他螞蟻則按照信息素的強度依概率選擇下一步的路徑，當越來越多的螞蟻選擇最短路徑進行覓食時，這條路徑上的信息素濃度就會得到增強，使得大多數螞蟻都會以較大的概率沿著這條最短路徑進行搜尋，這種正反饋的過程使得蟻群在經過多次選擇后最終可以找到最短的路徑[4]。
2.2 邊緣檢測蟻群算法
基于蟻群算法的邊緣檢測方法的原理是將一幅大小為M×N的灰度圖像f(i,j)看作一個二維圖,每一個像素點就是螞蟻所在的位置，每個螞蟻根據其8領域像素中信息激素強度和啟發式引導函數的值，以較大的概率選擇一個信息激素強度和啟發式引導函數較大的點作為下一步的前進方向。這樣，螞蟻逐漸地向信息素濃度大的點靠攏，而圖像的邊緣反映在圖像每個像素的灰度梯度值上，邊緣處的灰度梯度值較背景的灰度梯度值大，將信息激素強度的值定義為灰度圖像的形態學梯度值，則邊緣的點的信息素濃度就較大，就能較好地檢測出圖像的邊緣。
景左側和頭發)沒有完全檢測出來，Canny算子檢測出來的圖像細節部分有稍許失真，而本文算法檢測出來的結果在細節和視覺真實性部分表現較好。
在圖3中，原圖背景比較復雜，細節和紋理信息比較豐富，Sobel算子雖然部分去除了圖像的紋理信息，但是出現了邊緣部分不連續的現象，這給后續的圖像處理增加了難度。Canny算子雖然對熊貓的邊緣檢測比較準確，沒有出現輪廓不完整的現象，但是將背景中不需要的紋理圖像也檢測出來，同樣對下一步處理產生了難度。本文算法很好地檢測出了熊貓的邊緣輪廓，同時也減少了背景中不需要的紋理信息。
本文利用圖像的形態學梯度將其作為蟻群算法中信息激素值和啟發函數值，利用最大類間方差法(Otsu)確定閾值，成功提取了圖像的邊緣信息。實驗結果表明，通過改變蟻群算法中的參數設置，可以對不同的復雜圖像進行較為有效的邊緣提取。蟻群算法在處理圖像邊緣檢測的問題上體現了其正反饋性和強魯棒性的優異特性。如何解決邊緣檢測的部分區域的螞蟻聚集過多而導致邊緣過于“粗壯”以及更為合理且自適應地選擇參數等問題，是下一步研究的工作重點。
參考文獻
[1] GONZALEZ R C. 數字圖像處理(Matlab版)[M].阮秋琦,等，譯.北京：電子工業出版社,2005.
[2] MULLEN R J, MONEKOSSO D, BARMAN S, et al. A review of ant algorithms[J]. Expert Systems with Applications, 2009,36(6):9608-9617.
[3] 張景虎,邊振興.基于蟻群算法的圖像邊緣檢測研究[J]. 火力與指揮控制,2010，35(2):115-118.
[4] 夏平,劉馨瓊,向學軍,等.基于形態學梯度的圖像邊緣檢測算法[J].計算機技術與發展, 2007,17(12):107-109.
[5] 肖曦，彭良玉. 基于改進的邊緣檢測蟻群算法的大米輪廓檢測[J].微型機與應用,2012,31(13):42-45.
[6] 張健,何坤,鄭秀清,等.基于蟻群優化的圖像邊緣檢測算法[J].計算機工程，2011,37(2)：191-193.
[7] OTSU N.A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems，Man and Cybernetics,1979(9):62-66.