基于模糊理论和蚁群算法的图像边缘连接方法

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (3): 168-172.

基于模糊理论和蚁群算法的图像边缘连接方法

胡慧1，何聚厚1，2，何秀青1

1.陕西师范大学计算机科学学院，西安 710062
2.现代教学技术教育部重点实验室，西安 710062

出版日期:2014-02-01 发布日期:2014-01-26

Edge linking method based on fuzzy theory and ant colony algorithm

HU Hui1, HE Juhou1，2, HE Xiuqing1

1.School of Computer Science, Shaanxi Normal University, Xi’an 710062, China
2.Key Laboratory of Modern Teaching Technology, Ministry of Education, Xi’an 710062, China

Online:2014-02-01 Published:2014-01-26

摘要/Abstract

摘要： 针对边缘检测的断点问题，提出一种基于模糊理论和蚁群机制的断点连接方法。以原图像和传统检测算法得到的边缘为基础，分析出边缘端点，根据端点邻域内各像素的梯度信息，采用模糊判决方法，计算隶属度矩阵；由各像素的灰度梯度、隶属度和信息素确定转移函数，减小蚁群寻优的盲目性，提高边缘点定位的准确性。实验结果表明，该方法不仅能有效改善边缘不连续现象，且补偿边缘能更真实地反映原图像边缘信息。

关键词: 图像处理, 边缘检测, 断点连接, 模糊判决, 蚁群算法

Abstract: In order to compensate broken edges produced by traditional edge detectors, an effective Edge Linking method is proposed based on Fuzzy theory and Ant Colony Optimization algorithm（EL-FACO）. The method analyzes the endpoints of all the line segments from the edge image obtained by traditional detection approaches; according to the gradient information of each pixel within clique, it calculates the membership matrix based on fuzzy logic; the transition function is determined by gray level variation, membership and pheromone of each pixel, thus reducing the blindness of ant colony optimization and improving the accuracy of indexing edge points. The experimental results show the method can efficiently link disjointed edges and the compensating edges reflect the original edge information more accurately.

Key words: image processing, edge detection, broken edges linking, fuzzy logic, Ant Colony Optimization（ACO） algorithm

胡慧1，何聚厚1，2，何秀青1. 基于模糊理论和蚁群算法的图像边缘连接方法[J]. 计算机工程与应用, 2014, 50(3): 168-172.

HU Hui1, HE Juhou1，2, HE Xiuqing1. Edge linking method based on fuzzy theory and ant colony algorithm[J]. Computer Engineering and Applications, 2014, 50(3): 168-172.

[1]	张波，徐黎明，黄志伟，要小鹏. 梯度策略的多目标GANs帕累托最优解算法[J]. 计算机工程与应用, 2021, 57(9): 89-95.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[4]	张松灿，普杰信，司彦娜，孙力帆. 基于种群相似度的自适应改进蚁群算法及应用[J]. 计算机工程与应用, 2021, 57(8): 70-77.
[5]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[6]	杨培伟，周余红，邢岗，田智强，许夏瑜. 卷积神经网络在生物医学图像上的应用进展[J]. 计算机工程与应用, 2021, 57(7): 44-58.
[7]	云旭，宋焕生，梁浩翔，侯景严，戴喆. 基于深度学习的关键岗位人员行为分析系统[J]. 计算机工程与应用, 2021, 57(6): 225-231.
[8]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[9]	卜冠南，刘建华，姜磊，张冬阳. 一种自适应分组的蚁群算法[J]. 计算机工程与应用, 2021, 57(6): 67-73.
[10]	马向华，张谦. 改进蚁群算法在机器人路径规划上的研究[J]. 计算机工程与应用, 2021, 57(5): 210-215.
[11]	李壮阔，常凯旋. 合作博弈的连续蚁群算法求解[J]. 计算机工程与应用, 2021, 57(24): 198-204.
[12]	马庆禄，唐小垚. 融合时域和分水岭信息的车辆检测算法[J]. 计算机工程与应用, 2021, 57(24): 227-233.
[13]	卢苇，刘丹，邵敏，吴扬东. 改进Mask R-CNN网络在医学图像识别与分割中的应用[J]. 计算机工程与应用, 2021, 57(24): 234-241.
[14]	张德，林青宇，郭茂祖. 单幅图像超分辨重建的深度学习方法综述[J]. 计算机工程与应用, 2021, 57(22): 28-41.
[15]	齐小祥，李敏，朱颖，宋雨，杜卫东. 基于边缘检测的SAR图像自适应区域分割[J]. 计算机工程与应用, 2021, 57(22): 232-240.