蚁群算法应用实例.ppt

浪涌保护器（HTSP）安装在配电网的各个位置，包括总配电柜，分配电柜，配电箱等处 电磁干扰滤波器（EMFI）安装在仪表、数控设备、PLC等设备的电源输入端，达到以下目的： 混沌蚁群算法在图像边缘检测中的应用 * 1 背景介绍 2 问题分析 3 方法步骤 4 应用实例 5 结论 目录 * 背景介绍 检测的目的 ① 辨别图像中物体结构、纹理、形态的重要信息， ② 为图像后期处理和分析提供了重要的参数指标， ③ 对后续进一步的特征描述、匹配和识别等有着重大的影响。 边缘检测存在于目标与背景、目标与目标、区域与区域之间。 边缘检测：采用某种算法来提取出图像图像中对象与背景间的交界线。 * Roberts边缘检测算子 Canny边缘检测算子 小波变换和小波包的边缘检测法 传统检测方法 基于数学形态学的边缘检测算法 Log边缘检测算子 近年来，各种新的算法和人工智能理论被引入到数字图像处理领域。 模糊理论和神经网络的边缘检测法 遗传算法的边缘检测法 新型检测方法 背景介绍 * 蚁群算法是一种新型的仿生学优化算法，利用蚂蚁群体觅食所释放出的信息素为媒介进行间接的信息传递，后面的蚂蚁利用信息素的强度来对最近觅食或归巢路线进行判断选择。 背景介绍 * 蚁群算法具有较强的适应性、正反馈性和鲁棒性，但也存在易陷入局部最优解。 问题分析 混沌蚁群算法？ canny算子提取的边界较完整，细节清晰，但容易把噪声点误判为边界。 * 问题分析 混沌蚁群算法是利用混沌算法的全排列性。 改进蚁群算法存在的容易过早收敛、易陷于局部最优、对边缘定位不准确等问题。 混沌变量 遍历性 随机性 规律性 * ① 在图片范围内随机投放M×N只蚂蚁，利用蚂蚁随机搜索路径时，图像灰度值的变化情况不断更新信息素矩阵； ② 利用蚁群算法的正反馈性，最终产生的信息素矩阵计算图像的阈值； ③ 确定图像的边缘位置。 检测方法 * 结合混沌蚁群算法对图像进行边缘检测，其流程图右图所示。 检测方法 蚁群算法 混沌算法 边缘的最终提取 * 开始迭代时，进行混沌初始化。选择典型的混沌系统——Logistics映射作为混沌变量，按下式进行迭代： 检测方法 式中，μ为控制参数，当μ=4、 时，Logistics映射完全处于混沌状态。 利用全排列理论，每一个混沌量对应一个像素点上的信息素值，即每个像素点上的信息素初始值根据混沌量而给出。 * 步骤一 初始化阈值 。 其中， 为最终的信息素矩阵。 基本步骤 * 步骤二 根据阈值 的值可将信息素矩阵 划分为大于 和小于 的两部分，分别计算这两部分的平均值： 其中： 式中 基本步骤 * 步骤三 设置迭代系数 ，更新阈值 ： 步骤四 若 返回步骤2 继续划分阈值 ；若 则输出阈值 根据阈值划分图片为： 基本步骤 * Matlab上进行仿真 以128×128 的灰度图为例，分别运用 Canny边缘检测算子、蚁群算法和混沌蚁群算法对图像边缘进行提取。 应用实例 * 脑CT图 应用实例 Canny 算子：提取的边缘不够清晰，而且很多干扰信息被误检； 蚁群算法：边缘有部分丢失； 混沌蚁群算法：提取的边缘相对比较完整，细节处更加清晰。 * 胸CT图 应用实例 Canny 算子：边缘比较完整，但肺叶内部纹理几乎没有检测到； 蚁群算法：边缘不连续、有部分丢失，肺叶内部纹理几乎没有检测到。 混沌蚁群算法：提取的边缘相对完整清晰，肺内部纹理部分检出，但细小处也未能检测出。 * 细胞显微图 应用实例 细菌显微图 * 混沌蚁群算法的边缘检测更加完整、无断点。 线条更加粗实、清晰。 细节部分能够较为准确地检测到。 但还是存在一定的问题，如肺叶中的超细小的部分无法检测到，重叠部分区分不开等问题，有待于进一步的研究。 结论 应用实例表明： * 混沌蚁群算法 用改进的混沌蚁群算法对图像进行边缘检测能够快速、清晰、准确地找到图像边缘，证明了其有效性。 * The end! Thank you! * * m n * 浪涌保护器（HTSP）安装在配电网的各个位置，包括总配电柜，分配电柜，配电箱等处 电磁干扰滤波器（EMFI）安装在仪表、数控设备、PLC等设备的电源输入端，达到以下目的：