欢迎来到天天文库
浏览记录
ID:35178925
大小:7.02 MB
页数:81页
时间:2019-03-20
《基于蚁群算法的图像边缘检测方法研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、—'::V苗rv,妃皆V,,奇密级:;保密期限:掌4乂爹.■...硕±学位论文。*?''?■、./.'口■-.:JI基于败群算法的图像边缘检测方法研究ImageEdgeDetectionMethodBasedonAntColonyAlorithmg?■■学号E14301116姓名T远远学位类别工程硕±学科专业软件工程江程巧細领域)指导教师邹海副教授
2、完成时间2016年玉月答辩委员会主席签名呀/\独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的。研究成果据我所知,除了义中特别加W标注和致谢的地方外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含为获得安徽大学或其他教育机构的学位或证书而使用过的材料一。与我同工作的同志对本研究所做的任何贡献均邑在论义中作了明确的说明并表示谢意。学位论文作者签名:签字日期么0^年女月5〇日学位论文版权使巧授权书本学位论文作者完全了解
3、安徽大学有关保留、使用学位论文的规定,有权保留并向国家有关部口戎机构送交论文的复印件和碰盘,允许论文被查阅和借阅。本人授权安徽大学可W将学位论文的全部或部分巧容编入有关数据库进行检索,可W采用影印、缩印或扫描等复制手段保存、汇编学位论文。(保密的学位论文在解密后适用本授权书)学位论文作者签名;^导师签名;’签字曰期:以^年之月言〇曰签字曰期:/扛年主月如曰/>^摘要一蚁群算法作为种模拟进化算法,主要采用信息素来进行方向的选择,通过全局性的搜索得到较优解。
4、具有正反馈性,分布性,鲁棒性等优点。在网络路由优化,,车辆调度,数据挖掘群体智能等领域具有广泛应用。本文针对蚁群算法易陷入局部最优解和出现停滞的问题一,提出了种改进的蚁群算法。该算法引入蜂群算法的思想,将蚁群分为不同的群体,赋予其不同的路径探索概率,同时结合初始信息素的优化和信息素的更新策略,来改善算法的缺陷,获得全局最优解。利用eil51数据集,对该算法中蜗蚁的数量、信息素含量和信息素挥发因子等主要参数进行了实验研巧,得到了各參数的最优设置区间。计对经典图像边缘检测方法
5、中易出现细节性模糊、伪边缘W及边缘的不间断性问题,将改进的蚁群算法应用到图像的边缘检测,实验结果证实,该算法获得的边缘信息完整性较好。本文的主要工作和取得的成果如下:(1)采用蜂群算法的分类方法,将蚁群算法中的蚁群分为H种不同的群体,即侦查蚁,引领蚁和跟随蚁,负责不同的探索路径。这种分类方法不仅可W节约收敛的时间和得到更优的路径解集,而且充分体现了蚁群分工协作的特性。(2)针对蚁群的不同辭体,赋予不同的路径探索概率。对分类后的妈蚁分一与相结合的概率,步的别采用概率
6、P,来计算转移路径的概率进面选择下,A探索路径,较好地解决了蚁溝算法容易出现的早熟现象、陷入局部最优解、甚至出现停滞的问题。(3)在蚁群算法的初期,往往要经过长时间的路径探索,才能根据遗留的信息素含量判断出其下一步的路径方向。因此,本文对初始时期路径上的信息素含量进行了重新定义,进而得到初始时期的信息素区分,降低了算法初期的探索时间。同时,为避免由于巧始时期不是很优路径上的信息素含量逐渐增多,导致后来由于信息素的残留而造成错误的选择路径,陷入局部最优解。本文采用如下信息素
7、更新策略:如果当前妈蚁的路径值优于之前所有的最优路径,那么就对该妈蚁自身经过路径后遗留在路径上的信息素进行増强处理,否则进行削弱处理。I基于蚁群算法的图像边缘检测方法研究(4)蚁群算法中参数设置是否合理,对算法的性能有较大影响。本文采用eil51数据集,对改进的蚁群算法的参数进行了较为系统的实验研究,给出了信1-息素含量总值0、妈蚁的数量M、信息素挥发因子P、信息素启发因子aW及信息素期望启发因子片等参数的最佳取值范围。(5)针对图像边缘检测易出现的边缘不连续和
8、光滑性模糊等问题,本文将改进的蚁群算法应用于图像边缘检测问题,并具体给出了节点的信息素定义、信息素更新策略(信息素浓度的削弱或増强)、阀值的定义W及利用闽值来对信息素矩阵进行二值化的方法,同时在选择边缘时采用最大类间方差策略。通过对标准图片库中的两幅图像,分别进行15次仿真实验,其中图像分辨率采用256x2561,参数设置:信息素含量总值为000,妈蚁数量为256,信息素挥发因510。子为化,信息素权重为.,启发因子权重为3.0实验结果表明
此文档下载收益归作者所有