王棟，尚堃

(中國空空導(dǎo)彈研究院，河南洛陽471009)

基于改進蟻群算法的紅外圖像邊緣檢測方法

王棟，尚堃

(中國空空導(dǎo)彈研究院，河南洛陽471009)

蟻群算法應(yīng)用在紅外圖像邊緣檢測方面具有良好的效果，但個體螞蟻的參數(shù)需要針對不同圖像進行手動配置，這種情況既不利于工程化應(yīng)用，又降低了算法的效率。針對該問題，提出了一種基于改進蟻群算法的圖像邊緣檢測方法，該方法采用估計個體螞蟻的分布區(qū)域來代替以往全局隨機分布的方式，提高算法在敏感區(qū)域的搜索效率;同時根據(jù)圖像邊緣復(fù)雜程度給出個體螞蟻的移動步長、禁忌列表長度等參數(shù)用于算法迭代，促進算法在邊緣豐富區(qū)域搜索的同時抑制了算法結(jié)果早熟。多組仿真結(jié)果證明該方法能夠自動給出較為合適的參數(shù)，同時在不影響邊緣檢測效果的前提下縮短運行時間。

邊緣檢測;蟻群;自適應(yīng)參數(shù)

紅外圖像呈現(xiàn)的是視場內(nèi)的灰度分布情況，其分辨率一般不如可見光圖像。于是紅外圖像邊緣成為了最重要特征之一，包含了目標(biāo)的重要信息，主要表現(xiàn)為圖像局部特征的不連續(xù)性，一般定義圖像中位于灰度發(fā)生急劇變化的區(qū)域像素集合為圖像的邊緣。圖像邊緣檢測［1］通常是一系列圖像處理過程的第一個階段，直接影響后續(xù)處理的效果，是近年來研究的熱點，引起了國內(nèi)外學(xué)者的廣發(fā)關(guān)注。傳統(tǒng)邊緣檢測方法主要是借助空域微分算子利用卷積來實現(xiàn)，如Sobel算子，Robert算子，Canny算子和拉普拉斯高斯算子等［2］;同時還有從圖像全局能量最小化出發(fā)，將邊緣檢測問題轉(zhuǎn)化為函數(shù)最優(yōu)求解問題的方法，如:數(shù)學(xué)形態(tài)法，神經(jīng)網(wǎng)絡(luò)法，小波變換法等。蟻群算法(Ant Colony Algorithm)作為一種新的智能化優(yōu)化算法由意大利學(xué)者Dorigo于20世紀(jì)90年代提出［3］，算法模擬自然界螞蟻交換信息的方式，每只個體螞蟻都依據(jù)一定原則移動并釋放信息素，具有并行性好、魯棒性強、同時結(jié)果一直趨向于正反饋等特點，迅速應(yīng)用在各個領(lǐng)域并成為一種解決優(yōu)化組合問題的有效方法。近幾年，蟻群算法被應(yīng)用在圖像處理方面也取得了良好的效果，但其算法內(nèi)部運行過程復(fù)雜，需要進行改進以適應(yīng)圖像邊緣檢測的特點。

1 蟻群算法圖像邊緣檢測

1.1 蟻群邊緣檢測算法原理

蟻群算法是模仿螞蟻釋放信息素尋找最短路徑的方法來尋找實際問題的最優(yōu)解。對于圖像邊緣檢測過程來說，算法將整幅圖像視為一張二維節(jié)點圖。初始階段首先將一定數(shù)量螞蟻隨機放置在節(jié)點上，每只螞蟻會向相鄰節(jié)點移動并在節(jié)點上釋放信息素。在迭代過程中，螞蟻會依據(jù)節(jié)點轉(zhuǎn)移策略傾向于選擇信息素濃度高、梯度值高的節(jié)點［4］。由于圖像的邊緣點梯度值一般較高，并且被多只螞蟻經(jīng)過的節(jié)點信息素濃度也較高，螞蟻會向圖像邊緣節(jié)點聚集。最后通過總結(jié)全局信息素濃度便可以得到目標(biāo)邊緣，由于是大量個體螞蟻搜索交互得來，比一般的梯度檢測算子具有更強的探索邊緣的能力。

1.2 改進算法原理

根據(jù)前述的蟻群算法思想，可知在搜索過程中螞蟻起始位置的設(shè)定、目的節(jié)點選擇策略、信息素保留機制3個環(huán)節(jié)，分別對應(yīng)影響個體螞蟻搜索起點，邊緣點選擇和最終全局邊緣總結(jié)3方面進而影響整個算法處理過程，是蟻群算法最關(guān)鍵的步驟。學(xué)界也出現(xiàn)了多種改進方式來提高算法處理效率，主要集中在信息素釋放機制設(shè)置和螞蟻初始位置設(shè)置兩方面。自適應(yīng)信息素釋放機制［5］是在不同階段采取不同的信息素釋放策略，前期使用較高濃度釋放引導(dǎo)螞蟻向邊緣點匯聚，后期使用較低濃度釋放來促進發(fā)現(xiàn)新的邊緣點。文獻［6］中提出了在對螞蟻初始釋放位置的自適應(yīng)選擇，減少了非邊緣區(qū)域的螞蟻數(shù)。但此方式會導(dǎo)致蟻群算法早熟得到次優(yōu)解，最終出現(xiàn)邊緣提取不連續(xù)等問題。

本文利用Sobel算子檢測出的邊緣區(qū)域與來引導(dǎo)蟻群算法中個體螞蟻的釋放，增加在邊緣豐富區(qū)域搜索的時間，從而提高算法效率。為了避免算法搜索結(jié)果的早熟，于是通過調(diào)整信息素揮發(fā)濃度和個體螞蟻記憶步長的方法使其不會反復(fù)經(jīng)過已檢測出邊緣點，以增大對全局邊緣的搜索能力，抑制算法結(jié)果過快收斂，最終保證了圖像邊緣檢測結(jié)果的效果。

1.2.1 初始參數(shù)的自適應(yīng)設(shè)置

根據(jù)蟻群算法的原理可計算出其時間復(fù)雜度為O(I· n2·m)，其中I為算法總體迭代次數(shù)，n為圖像總像素數(shù)，m為螞蟻總數(shù)。根據(jù)時間復(fù)雜度可知應(yīng)盡量減少全局遍歷的次數(shù)，使用較多的螞蟻進行并行運算來提高算法效率。

依據(jù)式(1)控制每只螞蟻行進總步長S在螞蟻總只數(shù)的1.5倍左右。依照式(2)控制個體螞蟻行進禁忌列表長度在總步數(shù)S的0.5倍左右，這樣設(shè)置使得個體螞蟻既不會在小范圍繞圈，又不會因為禁忌列表過長而出現(xiàn)目標(biāo)邊緣提取不連續(xù)現(xiàn)象，同時個體參數(shù)波動也使其更接近于真實自然情況?？傮w迭代次數(shù)設(shè)置為3來盡量減小全局遍歷的次數(shù)。

1.2.2 鄰域節(jié)點選擇策略

個體螞蟻在選擇移動目標(biāo)節(jié)點時，主要參考的是鄰域節(jié)點的殘留信息素濃度值和啟發(fā)信息值，其中啟發(fā)信息值由節(jié)點的梯度幅值來決定。移動過程中，螞蟻根據(jù)式(3)來計算鄰域節(jié)點到(l，m)節(jié)點(l，j)的轉(zhuǎn)移概率并進行隨機選擇移動

其中:τ與η表示從節(jié)點(l，m)到節(jié)點(i，j)的信息素濃度和啟發(fā)信息;α和β表示對其的控制因子;Ω是移動范圍，即節(jié)點(l，m)的8個鄰域節(jié)點，同時由于禁忌列表的存在，已經(jīng)經(jīng)過的節(jié)點是不會被選擇的。

1.2.3 全局信息素更新

信息素矩陣記錄了圖像全節(jié)點的信息素濃度值，不僅為個體螞蟻選擇目標(biāo)節(jié)點時提供參考，也是最終繪制整幅邊緣圖像的依據(jù)。信息素矩陣更新分為2種方式，一是在迭代過程中，節(jié)點信息素會不斷揮發(fā)，同時如果螞蟻經(jīng)過該節(jié)點則會留下新的信息素

式(5)體現(xiàn)了這個過程，其中ψ為弱化因子。

1.3 算法流程

改進蟻群邊緣檢測算法整體流程如圖1所示。

2 實驗仿真及結(jié)果分析

仿真試驗在主頻3.4 GHz計算機，WinXP SP3操作系統(tǒng)下的Matlab7.1環(huán)境下進行，包含2組仿真結(jié)果，第一組仿真驗證了Sobel算子引導(dǎo)下螞蟻放置的有效性，第二組仿真驗證了給出的自適應(yīng)參數(shù)具有較高的效率。

圖1 檢測算法流程

1)初始位置引導(dǎo)釋放的有效性驗證試驗

圖2(b)和圖3(b)是經(jīng)過Sobel邊緣檢測算子處理得到的結(jié)果，可以看出Sobel算子僅能對灰度變化劇烈的邊緣區(qū)域進行檢測，一旦圖像中灰度變化較緩慢(如客機的窗戶)，梯度算子便難以提取邊緣，丟失了較多的圖像信息。圖2 (d)與圖3(d)是本文算法的仿真結(jié)果，相比于圖2和圖3顯示的原始蟻群算法結(jié)果，本文算法檢測出了更多處于灰度緩慢變化區(qū)域細致的邊緣(如客機的機艙和建筑的窗戶)，保留了更多的圖像信息。

圖2 有效性驗證試驗仿真結(jié)果一

圖3 有效性驗證試驗仿真結(jié)果二

2)自適應(yīng)參數(shù)配置的有效性

本組仿真使用尺寸為151×137的飛機紅外圖像和197 ×222的頂樓鐵塔紅外圖像。

表1是算法給出的自適應(yīng)參數(shù)以及對不同參數(shù)進行放大后的算法表現(xiàn)。首先依據(jù)原圖4(a)的信息給出的參數(shù)是螞蟻只數(shù)A=144，總步長S在(144，288)范圍波動，禁忌列表長度在(72，144)處波動以及針對圖5(a)的信息給出螞蟻只數(shù)A=209，總步長S在(209，418)范圍波動，禁忌列表長度在(105，209)處波動。圖4(b)和圖5(b)是算法自適應(yīng)設(shè)置參數(shù)運算后的結(jié)果，圖4(c)和圖4(d);圖5(c)和圖5(d)是在現(xiàn)有參數(shù)基礎(chǔ)上增大后的算法結(jié)果，通過對比算法效果和運行時間說明自適應(yīng)參數(shù)的合理性。

圖4 自適應(yīng)參數(shù)配置的有效性仿真結(jié)果一

圖5 自適應(yīng)參數(shù)配置的有效性仿真結(jié)果二

表1 不同參數(shù)仿真時間對比

由仿真結(jié)果可以看出螞蟻個數(shù)的增加或者個體螞蟻步長以及禁忌列表的增加對圖像邊緣檢測效果的改善都比較有限，但都不同程度上增加了算法運行的時間。螞蟻個數(shù)的增加導(dǎo)致在邊緣密集區(qū)域集中的次數(shù)較多，在檢測結(jié)果上呈現(xiàn)為邊緣變寬(如圖4(c)的機翼部分)，這屬于一種早熟的情況。而禁忌列表隨著總步長加倍使得螞蟻很難多次往返于邊緣點，檢測結(jié)果呈現(xiàn)出圖像邊緣提取出現(xiàn)不連續(xù)(如圖4(d)和圖5(d)的邊緣)，這對檢測是有害的，同時大幅增加了算法運行時間，符合時間復(fù)雜度的預(yù)期。由此可見，算法給出的自適應(yīng)參數(shù)在一定區(qū)間內(nèi)是比較合適的，能在較短時間內(nèi)保證檢測結(jié)果。

4 結(jié)束語

蟻群算法應(yīng)用于圖像邊緣檢測具有很大優(yōu)勢，但個體螞蟻參數(shù)需要人工配置難以滿足實際情況需要。本文算法使用Sobel算子引導(dǎo)螞蟻釋放在邊緣豐富區(qū)域，增大對敏感區(qū)域的搜索效率，同時自適應(yīng)的給出螞蟻在一次迭代中行進的步長和禁忌列表長度，防止螞蟻在較小范圍內(nèi)反復(fù)選擇邊緣點，增大發(fā)現(xiàn)新邊緣的概率，抑制算法檢測結(jié)果過早收斂。仿真結(jié)果表明，該算法能夠?qū)D像邊緣進行有效檢測，給出的參數(shù)也證明比較合適，在保證檢測結(jié)果的前提下算法運行時間最短，是一種有效的圖像邊緣檢測方法。

［1］段瑞玲，李慶祥，李玉和.圖像邊緣檢測方法研究綜述［J］.光學(xué)技術(shù)，2005，31(3):415－419.

［2］孫軍，黎琪，李和睿.基于集合映射的彩色圖像邊緣檢測［J］.四川兵工學(xué)報，2012，33(10):86－87.

［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):116－118.

［4］殷小莉，黃曉彤.蟻群算法在低對比度圖像邊緣檢測中的應(yīng)用［J］.計算機技術(shù)與發(fā)展，2013，23(5):180－183.

［5］詹曉倩，何坤.基于改進蟻群算法的圖像邊緣檢測［J］.四川大學(xué)學(xué)報，2010，47(6):141－145.

［6］張志協(xié)，曹陽.基于改進型蟻群算法的最優(yōu)路徑問題求解［J］.計算機系統(tǒng)應(yīng)用，2012，21(10):76－80.

［7］Yuan Chun－lan，Xiong zong－long.Study of Infrared Image Edge Detection Based on Sobel Operator［j］.Laser＆Infrared，2009(39):85－87.

［8］Ma Yan，Zhang Zhi－h(huán)ui.Contrast of Several Edge Detection Operator［J］.Inoustry and Mine Automation，2004(2):54－56.

［9］Marco Dorigo，Christian Blum.Ant Colony Optimzation theory:A Survey［J］.Theoretical Computer Science，2005，344，Issues 2－3(17):243－278.

［10］Jing Tian，Weiyu Yu.An Ant Colony Optimization Algorithm For Image Edge Detection［C］//IEEE Congress on Evolutionary Computation(CEC).Hongkong，2008:751－756.

［11］趙娜，王希常，劉江.自適應(yīng)蟻群算法優(yōu)化紅外圖像分割［J］.計算機應(yīng)用研究，2009，11:4375－4377，4381.

［12］于勇，郭雷.噪聲圖像中提取邊緣的蟻群搜索算法［J］.電子與信息學(xué)報，2008，30(6):1271－1275.

［13］田原嫄，孔銀昌，崔凱，等.噪聲對邊緣定位精度的影響［J］.武漢理工大學(xué)學(xué)報，2012(7):141－145.

［14］張馳，李麗芳，鮑濟民，等.利用邊緣檢測算子所顯示的數(shù)字圖像本底噪聲差異辨識偽造、變造圖像［J］.重慶理工大學(xué):自然科學(xué)版，2013(4):110－112.

(責(zé)任編輯楊繼森)

Edge Detection Algorithm of Image Based on Im proved Ant Colony Optim ization

WANG Dong，SHANG Kun
(China Airborne Missile Academy，Luoyang 471009，China)

Ant colony algorithm(ACA)has performed well in infrared image edge detection，but the parameters of ants need to bemanually configured according to the different image，this kind of situation is not conducive to the engineering application also reduces the algorithm efficiency.The paper proposed an edge detection algorithm of infrared image based on improved ant colony algorithm，and it used estimating ants`distribution area instead of random arranging the ants，increased the searching efficiency at sensitive area.At the same time a series of self－adaptive parameter was given to optimize the algorithm process and restrain precocious convergence，like the number of ants，the total lengthy of steps of a single ant，and the length of tabu－list.The results of themultiple－group experiments indicate that the parameters are suitable and it can shorten the time without reducing the effect.

edge detection;ant colony;adopted－parameter

:A

1006－0707(2014)07－0087－04

format:WANG Dong，SHANG Kun.Edge Detection Algorithm of Image Based on Improved Ant Colony Optimization［J］.Journal of Sichuan Ordnance，2014(7):87－90.

本文引用格式:王棟，尚堃.基于改進蟻群算法的紅外圖像邊緣檢測方法［J］.四川兵工學(xué)報，2014(7):87－90.

10.11809/scbgxb2014.07.025

2014－03－12

王棟(1987—)，男，碩士，助理工程師，主要從事紅外圖像處理研究。

TP391.4