基于蚁群算法的玉米植株热红外图像边缘检测

1 2
—节点 （ i， j） 的信息素值；
m） 的相邻节点； Ω （ l， m） — 节点 （ l ， j） 的启发信息； η （ i， j） — 节点 （ i ， ρ、 θ —分别为信息素矩阵和启发矩阵的相对 重要程度。 在执行过程中， 有两个关键问题。 第 1 个问题是 公式（ 1 ） 中启发信息如何确定。 这里启发信息由像素 j） 处的局部统计量决定。该统计量定义为 点 （ i， h i， j = 1 V （ I j） E c i，
2
蚁群优化算法热红外图像边缘检测过程
基于蚁群优化算法的图像边缘检测方法 ， 将图像
中的每个像素看作一个点 ， 利用若干只蚂蚁在一副二 维图像上运动来构建信息素矩阵 ， 其中矩阵的每个元 蚂蚁 代表了图像每个像素点位置的边缘信息 。 此外 ， 们的移动方向可由图像强度值的局部变化来调整
［7 ］
ቤተ መጻሕፍቲ ባይዱ
。
· 49·
DOI:10.13427/ki.njyi.2015.06.011
0
引言
由于作物叶片温度与抗旱性有密切的关系 ， 而热
理领域研究的较少 。 张景虎
［3 ］
等人提出了基于蚁群
LU D S［4］ 等提出了基于优 算法的图像边缘检测研究 ， 化蚁群算法的边缘检测研究 。 为此 ， 笔者在前人研究 提出一种针对热 蚁群算法检测可见光图像的基础上 ， 红外图像特点而改进的蚁群优化算法 ， 并将其应用于 玉米植株红外图像边缘检测 。
红外图像能准确地反映物体的温度分布情况 ， 因此采 用一定的设备来获取叶片的热红外图像 ， 然后进行图 像处理 ， 便有望测定作物的抗旱性 。 边缘检测是数字 图像处理的重要内容 ， 是对作物热红外图像处理时测 量作物抗旱性的前提 。 传统边缘检测的基本原理是 利用图像在边缘处的阶跃性 ， 按照某种方法检测出边 缘点并将其链接构成分割区域 ， 从而实现目标与背景 具有目标与 的分离 。 热红外图像与可见光图像相比 ， 边缘模糊 、 噪声大等特点 ， 采用传统边 背景对比度差 、 Ｒoberts 、 Sobel 、 Canny 、 Laplacian 缘检测 原 理 的 Priwitt 、 等边缘检测方法 ， 在检测热红外图像时难以取得理想 的结果
［6 ］
。
ACO ） 是 蚁群优化算法 （ Ant Colony Optimization ， 对自然界蚂蚁觅食时所走路径进行模拟而得出的一 它利用一种称 为 信 息 素 （ Pheromone ） 的 种仿生算法 ， 物质进行信息传递 ， 并通过蚂蚁间的协同与交互找到 许多学者致力于蚁群算法 最优的觅食路径 。 近年来 ， 的研究 ， 并将其成功用于 TSP （ Traveling Salesman Problem ） 问题
［1 ］
1
蚁群优化算法原理
蚁群优化算法 （ ACO ） 由意大 利 学 者 Macro Dori［5 ］
go
于 1992 年在他的博 士 论 文 中 首 次 提 出 ， 是一种
用来在图中寻找最优化路径的概率型算法 。 生物学 研究表明 ： 蚂蚁在运动时会在所经过的路径上释放出 一种称为“信息素 ” 的化学物质 ， 后续的蚂蚁可根据此 选择路径 。 前面的蚂蚁遇到一个路口时 ， 会随机选择 路径越长信 其中的一条路径并释放出相应的信息素 ， 息素越少 。 后面的蚂蚁来到相同的路口时 ， 就会根据 信息素的多少做出路径选择 ， 信息量大的路径被选择 的概率相对较大 ， 同时释放信息素 ， 这样就形成了信 息正反馈 。 最优路径上的信息量越来越大 ， 而其他路 径上的信息量越来越少 ， 最终整个蚁群会找到最佳路 径
100097 ）
Sobel 、 Canny 等 边 缘 检 测 方 法 难 要： 针 对 热 红 外 图 像 目 标 与 背 景 区 分 不 明 显 、 效果模糊， 以 及 传 统 的 Ｒoberts 、
以取 得 理 想 检 测 效 果 的 特 点 ， 以玉米植株为 测 试 对 象， 首次将蚁群优化算法应用于热红外图像边缘检测。该算 进行 N 步迭代构造信息素矩阵， 然后执行信息素过更新过程， 最后图像边缘由决策过程给 法由 初 始 化 过 程 开 始 ， 出。仿真实验结果表明 ， 该算法与传统边缘检测算法相比， 能够较好地得到边缘检测结果， 可为农作物热红外图 像处理提供一种新的方法。 关键词： 蚁群优化算法； 玉米植株； 热红外图像； 边缘检测 中图分类号： TP391． 41 ；S126 文献标识码： A 文章编号： 1003 － 188X（ 2015 ） 06 － 0049 － 04
{0
1
α i， j ≥ T else
N
（ l）
（ 9）
2015 年 6 月
农 机 化 研 究
第6 期
j） 是边缘， F i， 若像素位置 （ i， j = 1 ； 否则 F i， j = 0 。
8］中的方法对 行环境为 MATLAB2012a 。 根据文献［ 蚁群优化 算 法 中 的 各 项 参 数 设 置 如 下 ： 取 蚂 蚁 数 量 75 ， 信息素重要程度因子 1． 5 ， 启发函数重要程度因子 5， 信息素挥发因子 0． 6 。 仿真结果如图 2 所示 。
（ 0）
每个元素的初始值为常数 α init 。
使用
执行过程 在第 n 步执行过程中， 从上述 K 只蚂蚁中随机选
阈值 T ， 可以对某一个像素点是否是边缘点做出决策 。 这里 ， 上述阈值 T 采用如下方法自适应计算法得出 。
（ 0） 阈值的初始值 T 可以选用信息素矩阵的平均 （ 0） 值， 接着信息素矩阵的元可以按照大于 T 和小于
2015 年 6 月
农 机 化 研 究
第6 期
基于蚁群算法的玉米植株热红外图像边缘检测
陈 浩
1， 2
，方
1 2 勇 ， 朱大洲 ， 王
2 2 成 ， 陈子龙
（ 1． 西北农林科技大学 信息工程学院，陕西 杨凌 摘
712100 ； 2 ． 北 京 农 业 智 能 装 备 技 术 研 究 中 心 ， 北 京
3
仿真结果与分析
Intel （ Ｒ ） Core （ TM ） 实验环境 ： Windows7 旗舰版 ，
2 Quad CPU Q8300 ， 主频 2． 50GHz ， 内存 2GB ； 程序运
图2
玉米植株热红外图像边缘检测结果
由图 2 可知 ， 采用 Sobel 算子检测的边缘不连续 ， 且把一些噪声当做边缘点检测出来 ， 而一些真正的边 缘点却未被检测出 。 采用传统蚁群算法检测的边缘 与 Sobel 算子相比检测出的细节太多 ， 且有些细节检 测失真 、 不连续 。 采用本文算法能够将边缘完整连续 的检测出来 ， 且检测结果高效 、 准确 。 为了进一步说明本文算法的有效性 ， 对 Sobel 算 子、 传统蚁群算法 、 本文算法的时间性能进行比较 ， 如 表 1 所示 。 由表 1 可知 ， 本文算法在时间性能上优于 传统边缘检测算法 。
照式（ 5 ） 执行， 则 α 式中 2． 4
（ n）
2． 1
初始化过程 在大小为 M1 × M2 的图像 I 上随机分布 K 只蚂蚁，
= （ 1 － φ） ·α （ n － 1 ） + φ·α （ 0 ）
（ 5）
φ —信息素衰减系数。 决策过程 在此过程中 ， 通过对最终的信息素矩阵 α
（ N）
该图像的每个像素点可视为一个节点 。 设置信息素矩 阵α 2． 2
［2 ］
。 采用蚁群优化算法的边缘检测 N － S 流程图 ，
、 QAP （ Quadratic Assignment Problem ） 问题
如图 1 所示 。
等经典的组合优化问题 ， 但用于农作物热红外图像处
收稿日期 ： 2014 － 06 － 20 基金项目 ： 北京市自然科学基金项目（ 4142019 ） ； 北京市科技新 星 计 划项目（ Z111105054511051 ） 作者简介 ： 陈 通讯作者 ： 方 （ E － mail ） 浩（ 1988 － ） ， 男， 河南南阳人， 硕士研究生， 勇（ 1979 － ） ， 男， 江西崇仁人， 教授， 博士生导师 。 moshui396@ 163． com 。
（ n －1）
=
{
n －1） k） （ 1 － σ） ·α （i， + σ·V （i， j j
α i， j
（ n －1）
（ 4）
else
σ —蒸发率；
（ k） （ k） = η i， Δ i， 即 Δ i， j — 由启发矩阵决定 ， j j 。
2 ） 第 2 次更新在每步中所有蚂蚁完成运动之后按
图1 蚁群优化算法边缘检测
（ n －1） i， j r q r q
（α
（ n －1） i， j
∑ （ i，j） ∈W
（ l， m）
） （ h i， j）
（ 1）
平均数 。 这个过程不断重复 ， 直到阈值不再改变 。 上 述的迭代过程可以总结如下 ： 1 ） 初始化 T （ 0） 为 T
（ 0） N） ∑ i = 1： M ∑ j = 1： M α（i， j
出 1 只， 接着这只蚂蚁将在图像上连续地移动 L 步。 这只蚂蚁按照式 （ 1 ） 定义的一种变换概率从节点 （ l， m） 移动到邻近节点 （ i， j） ， 则 pn （ l， m） ， （ i， j） = 式中 α i， j
（ n －1）
T （ 0） 分成两组 ， 然后新的阈值取值为这两组元各自的 ） （ h i， j） （α
∑ i = 1 ： M ∑ j = i： M V C （ I i， j）
m
l U
=
I i， j） 处像素点的强度值； j — （ i， V C （ I i， j ） — 一组局部像素点的函数 。 V C （ I i， 其中， j ） 值由 C 的图像强度变化决定 。 更具 体地说， 对于像素点 I i， 函数 V C （ I （ i， j ， j） ） 为 V C （ I i， j ） = f（ | I i －2， j －1 － I i +2， j + 1 | +| I i － 2 ， j +1 － I i +2， j －1 | + | I i －1， j －2 － I i +1， j + 2 | +| I i － 1 ， j －1 － I i +1， j +1 | + | I i －1， j － I i +1， j | +| I i － 1 ， j +1 － I i －1， j －1 | + | I i －1， j +2 － I i －1， j － 2 | +| I i， j － 1 － I i， j +1 | ） （ 3）