基于蚁群优化边缘提取技术的研究成果

云图像的边缘特征主要与像素点密切相关，因此，本小节利用蚁群优化算法对图像像素计算，从而提取图像的边缘。蚁群优化算法是把图像作为一个二维空间，每个像素点为一个节点［16-17］。在计算过程中，以8个相邻像素的信息强度和信息值，优先选定信息素分布多，信息值大的节点，并释放信息素。如果某点的蚂蚁走过越多，那么该点的信息素越大，同时将对其他蚂蚁产生更大的吸引，从而，附近的蚂蚁不断朝边缘聚集；因此，处于边缘点上信息素大于非边缘点。从而根据信息素的分布完成边缘的提取。本文蚁群优化算法的边缘提取主要由四部分组成：

步骤1：初始化设置。对于图像I，随机选择大小为M1×M2区域的k个像素点，每只蚂蚁随机分布于像素点上，令每个信息素矩阵Tn的初始值为常数T0。

步骤2：路径构造。由于每个节点对蚂蚁的吸引力不同，在第n次移动中，每只蚂蚁可选择新的路径的概率可通过如下定义：

其中，表示从像素（i，j）到（l，m）发生的概率，Ti，j，ηi，j分别为像素点（i，j）的信息素强度和启发信息，ωΔ为权重函数，Δ为蚂蚁移动过程中相对之前的方向变量，Δ=0，，Δ的变化量越大，ωΔ越小，反之亦然。α，β为信息素强度和启发信息的控制因子，根据公式（4），ηi，j可定义如下：

步骤3：信息素更新。经过每次移动后，信息素的值进行一次更新，更新函数如下所示：(www.xing528.com)

其中，ρ为控制更新因子。根据所有蚂蚁的移动，信息素矩阵更新如下：

其中，ξ为信息素衰变系数，T（0）为信息素初始值。通过步骤2和步骤3的N次迭代，获得了能够表示图像的信息素T（n）。

步骤4：边缘判断。为了对每个像素点进行决策判断，确定其是否处于边缘上，对T（n）引入一个阈值τ求解。令初始阈值为τ0，根据T（n）与τ0的大小关系，将像素划分成G1和G2两部分，其中G1符合：T（n）＞τ0，G2符合：T（n）＜τ0。分别计算G1和G2的平均值和，然后，根据得到的平均值计算新的阈值τ，表示为：

不断迭代，重复以上操作，直到得到的τ小于预设设定的值ε。