基于蚁群算法的智能图像识别应用研究

总结了对蚁群算法进行改进的方法，希望对相关研究有所帮助。

蚁群算法是一种仿生学算法，其本质在于模仿蚂蚁在寻找食物的过程中选择路径。起源于1992年意大利学者MarcoDo-figo在他的博士论文中提出的一种基于蚂蚁觅食行为的算法模型埘，到1996年，MarcoDofigo在其论文中再次对蚁群算法做了详细概述，并对蚁群算法的优点进行了综合分析。从那时起，国际学者关于蚁群算法的研究热情不断高涨，促进了蚁群算法理论的不断改进和应用。

在我国的发展蚁群算法虽然起步要晚于国外，但发展得很快。1999年，吴庆洪在原有蚁群算法的基础上，提出了一种具有变异策略的蚁群算法，通过改变变异方式，克服了传统蚁群算法收敛速度慢的缺点。2001年，吴斌提出了一种问题分段的求解蚁群算法。2005年，袁立提出了一种多线程蚁群算法，重点分析了蚁群在觅食过程中的策略选择和搜索能力，将该算法用于求解TSP问题，其结果表明该算法具有很好的全局寻优能力。从以上的研究中不难看出，蚁群算法在不断推进的理论研究中其研究及应用领域得到了极大的推广，并作为一种重要的计算机算法在实践应用中取得了很大的进步，在算法的模型改进与其他仿生优化算法的融合方面取得了比较满意的成果。本文研究了蚁群算法在图像识别中的作用，探讨了蚁群算法的基本原理和改进方法，为后续图像识别技术的发展奠定了理论基础。

1研究方法

本文采用蚁群算法实现了图像的智能识别的过程。蚁群算法是仿生学中的一种，主要模仿蚂蚁在觅食过程中的各种行为，包括释放信息素、食物搜寻、路径选择等。蚁群算法的路线图如图1所示，在此图中，蚂蚁可以从多条路径向食物的目的地前进，无论选择哪条路径，它们最终都会到达目的地，而且蚂蚁还必定可以通过信息素和同伴引导等方法找到到达目的地的最优路径，这就是蚁群算法在计算机化算法中的具体应用。

蚂蚁的觅食过程总是以群体为主，当很多蚂蚁外出时，路径选择的问题就会出现，刚开始的时候，由于所有路径上都没有信息素，蚂蚁完全随机选择一条路径前行，同时在其经过的路径上释放与路径长度相关的信息素，其他蚂蚁经过时能感受到这种物质存在并根据其强度来决定前进的方向，路径上信息素的浓度越高，经过的蚂蚁就越多，如果一条路径被很多蚂蚁行走，这条路径的信息素浓度会不断增加，并在此基础上促使更多的蚂蚁选择这条路径作为最佳路径，其他路径则逐渐被放弃。蟻群在觅食过程中相互合作，能随外界环境的变化不断调整自己的方向并重新找到一条最短路径，这就是蚁群算法中的路径选择。

根据蚁群算法的特点，对蚁群算法的综合分析可以通过以下步骤实现：首先，设置参数。假设蚂蚁经过N个城市，蚂蚁总数为M，在蚁群算法中设置激励因子、初始位置的信息素浓度、不同路径的信息素浓度、循环指数等;设定参数后，允许蚂蚁的随机觅食，单只蚂蚁表示为

它在移动过程中的转移概率可以表示为Pij^k（t），在此基础上，蚂蚁开始从一个城市转移到另一个城市，最后穿越所有的城市;在移动过程中，蚂蚁将逐渐更新信息素，将每条路线的长度设为Lk，保留信息素浓度最高的部分，蚂蚁在移动过程中，一个城市只允许被访问一次，当蚂蚁经过一个城市时，修改禁忌列表，更新禁忌列表中的信息;如果蚂蚁没有经过所有的城市，它会再次更新信息素，由循环指数决定蚂蚁穿越所有城市的时间，在达到最佳解决方案之前不会停止循环。

上述蚁群算法的执行过程中由于信息素浓度不断持续增长，蚂蚁会优先选择觅食的路径，导致其他路径被忽略，容易造成循环迭代并出现停滞。因此我们在算法中引入迭代范围改进算法，以消除在停滞现象，如果迭代范围超出该范围，则更新路径信息素以提高蚂蚁的运动区域，否则，则更新整个信息素。

假设算法在循环过程中的最大迭代次数可表示为NCmax，用公式（2）计算得出不同区域值，判断结果是否超过固定值ε（ε=0.0001）;在实际循环过程中，如果达到迭代边缘，则比较最后两个最优解，确定是否存在停滞线性。将当前的最优解设为L（N+1）BEST，得到λ：

上述公式的p为信息传递系数，当系数较大时，将增加选择最佳解的概率，降低所有路径的全局更新概率;这样更容易得到局部最优解，优化解的优劣直接影响算法的运算效率，因此，在实际应用的过程中，往往采用较低的p，但p的值不能太小，否则会导致搜索时间过长。本文以p为研究对象，对实际操作过程中的实时值进行调整，并将其应用到图像识别中。

2分析和讨论

2.1蚁群算法的图像识别分析

通过以上分析可以得到蚁群算法的基本原理，以下为算法在智能图像识别中开展应用，图像因为不仅包括图像本身的像素信息，还包括一些噪声效应等冗余信息，这给图像识别带来了一定的困难。而蚁群算法在图像识别应用是分析图像中不同对象的像素边界上发生的突变来区别图片的背景和目标，因此蚁群算法的图像识别主要集中在边缘检测上。图像边缘信息主要存在于不同的像素值中，因此，通过蚁群算法检测全局图像，以整体图像信息为全局信息，将图像中的所有像素作为蚁群运动的信息素就可以形成图像边缘检测的基础。

图3显示了蚁群算法在图像检测边缘过程中的进展，最左面的是原始图像，可以看出图像中存在一些噪声干扰，而且边缘像素不够清晰，首先要对图像进行锐化滤波处理，然后通过蚁群算法对图像进行识别，得到图像的边缘，右边的图像显示了由相应像素标记的完整边缘。在应用蚁群算法前对图像进行滤波处理，可以消除图像中的各种噪声，提高图像的整体感知能力。

2.2蚁群算法图像识别过程的分析

在蚁群算法的图像识别过程中，蚁群算法会检测整个图像的不同像素，覆盖所有的像素并查找出所有的像素值，然后根据像素是否有突变来判断像素是否位于同一区域，将图像划分成不同的区域，标记边缘区域，从而得到相应的边界。在此基础上，实现了对图像中不同目标的有效识别。

蚁群算法图像识别中路径的移动过程如图4所示，在检测之前，图像可以被看作是由许多像素组成的待检测图像组，然后蚂蚁被均匀地分布并根据蚁群算法移动，蚂蚁根据转移概率在初始位置和周围下一点不断移动，经过连续的循环迭代过程直到所有像素都被覆盖，根据信息素的不同，将整个图像转换成不同信息素浓度区分的图像区域，从中得到不同的路径就是图像的边缘区域。根据边缘区域将图像进行区域划分成可以识别图像。由以上分析可知，蚁群算法的智能图像识别主要是将像素视为不同的城市，检测不变值，最终形成多条路径;不同的路径会有不同的信息素浓度，因此，通过对不同浓度的分析，可以得到图像的边缘部分，然后得到相应的边缘分界点，对图像进行分割。

2.3基于蚁群算法的图像分割的应用

就图像分割而言，在实际分割过程中，主要依据是图像的特征和灰度值。通过蚁群算法可以有效地采集图像像素，而图像中的所有像素都有其对应的灰度值，蚁群算法对灰度值相同的像素进行聚集，从微观的角度看就是一组具有相似灰阶的像素，也是一组边界不同的像素。然后，对图像中的所有对象进行分类和处理，在此基础上找到边缘位置和灰度突变的位置，从而检测出像素的背景和目标区域。删除背景部分，突出顯示图像前景部分，基于蚁群算法原理的图像识别效果如图5所示。

如图5所示，左侧的是识别前的图像，其主要部分是动植物，背景是蓝天。通过蚁群算法识别的图像去除了背景中的蓝天，这一部分的像素接近，很容易实现去除背景的处理。在动物和植物的各个部分被完整地显示后，就可以获得整个图像的关键部分，在此基础上可以收集到区域边缘内的像素点。

需要注意的是，在图像识别过程中，并不是简单地通过蚁群算法来计算，还需要与其他算法相结合嘲。首先，对图像进行分类和处理，以消除图像中的噪声，将图像分割成不同区域，并在不同区域进行蚁群算法的识别以提高多区域同时开展图像识别效率。算法运行后，将所有区域整合，收集信息素浓度相同的边界，将整个图像转换成一个由不同信息素浓度区分的图像区域，这些路径就是图像的边缘区域。在此基础上，结合改进的蚁群算法，图像识别覆盖图像不同区域所有像素，避免整个过程中的停滞，发挥蚁群算法的作用，实现图像的智能识别。

3结论

本文对蚁群算法进行了研究，分析了该算法在图像智能识别的应用。蚁群算法主要是在图像识别过程中检测整个图像，覆盖所有像素，找到所有像素值，然后根据像素是否会发生突变来判断像素是否在同一区域，标记边缘区域，得到相应的边界，实现了对不同目标的有效识别。在实际的分割过程中，先对图像中的所有对象进行分类和处理，选取图像的主要特征和灰度值，通过蚁群算法对图像像素进行聚焦。在此基础上找到边界位置和灰度突变点，进而检测出像素的背景和目标区域。通过以上分析，可以实现图像的智能识别，发挥蚁群算法的作用。

推荐访问:算法 识别 图像 智能 研究