基于思維進(jìn)化算法的圖像邊緣檢測(cè).pdf

1、邊緣檢測(cè)是圖像處理中的重要內(nèi)容，是圖像的最基本特征。所謂邊緣，是指圖像中灰度發(fā)生急劇變化的區(qū)域。邊緣檢測(cè)在圖像分割、圖像檢索、模式識(shí)別、機(jī)器視覺(jué)等領(lǐng)域中有重要的應(yīng)用。傳統(tǒng)邊緣檢測(cè)算法的主要思路是通過(guò)使用2*2 或者3*3檢測(cè)模板作為核與圖像中每一個(gè)像素點(diǎn)進(jìn)行卷積運(yùn)算，求得梯度值；然后選取合適的分割閾值以提取邊緣。該方法中存在一定的缺陷：(1)檢測(cè)模板的系數(shù)固定，缺乏可調(diào)性。針對(duì)不同的圖像，檢測(cè)效果一般，只能檢測(cè)出圖像的大致輪廓，缺乏自適

2、應(yīng)性。(2)閾值的選取需要靠人工測(cè)試選擇，存在一定的盲目性。
　　 本文針對(duì)傳統(tǒng)邊緣檢測(cè)算法存在的問(wèn)題，采用一種新的進(jìn)化理論-思維進(jìn)化算法，并結(jié)合傳統(tǒng)邊緣算法的思想，提出了基于思維進(jìn)化算法的圖像邊緣檢測(cè)方法。把傳統(tǒng)邊緣檢測(cè)問(wèn)題轉(zhuǎn)換成函數(shù)尋優(yōu)過(guò)程，利用思維進(jìn)化算法的快速尋優(yōu)特性，在待處理問(wèn)題的解空間搜索最佳解，即在參數(shù)解空間范圍內(nèi)搜索最佳模板系數(shù)和最佳分割閾值，實(shí)現(xiàn)模板系數(shù)和閾值的人工智能選取，大量實(shí)驗(yàn)結(jié)果證明了該方法的可行性，有

3、效地解決了傳統(tǒng)邊緣算法存在的缺陷問(wèn)題。基本思維進(jìn)化算法具有快速的全局收斂能力，但是在解空間收縮的解越接近最佳解時(shí)，收斂速度慢，局部搜索能力差，為了提高思維進(jìn)化算法的局部搜索能力，本文對(duì)基本思維進(jìn)化算法進(jìn)行了的改進(jìn)，即引進(jìn)最速下降法來(lái)改進(jìn)思維進(jìn)化算法的局部收斂能力。最速下降法在解空間搜索最佳解的過(guò)程具有方向性，沿著目標(biāo)函數(shù)負(fù)梯度下降方向搜索一維解，又稱梯度法，是無(wú)約束化中最簡(jiǎn)單的方法，具有快速的局部收斂特性，采用該方法對(duì)思維進(jìn)化算法進(jìn)行改

4、進(jìn)，能夠改善思維進(jìn)化算法的局部收斂特性，加快搜索速度。在采用思維進(jìn)化算法優(yōu)化模板系數(shù)過(guò)程中，由于模板系數(shù)之間存在相互約束關(guān)系，對(duì)于約束條件的處理，本文引進(jìn)罰函數(shù)的思想，對(duì)于違反約束條件的種群，做出相應(yīng)的懲罰，根據(jù)懲罰項(xiàng)及時(shí)調(diào)整思維進(jìn)化算法中的目標(biāo)函數(shù)，降低違反約束條件種群的適應(yīng)度，使該種群進(jìn)入下一代進(jìn)化的機(jī)率較少，最終讓搜索的解盡量滿足約束條件。對(duì)于閾值的選取，本文結(jié)合最大類間方差法，采用改進(jìn)思維進(jìn)化算法在求解問(wèn)題的參數(shù)范圍內(nèi)尋找最佳的