基于蟻群算法的智能圖像識別應(yīng)用研究

肖宇

摘要：由于受到干擾因素的影響，在圖像識別過程中很多圖像識別算法的效果都不太理想。蟻群算法能通過區(qū)分圖像像素的灰度，有效地對圖像像素進(jìn)行聚焦，從而實(shí)現(xiàn)智能圖像識別。本文在對蟻群算法進(jìn)行綜合分析的基礎(chǔ)上提出了一種改進(jìn)的蟻群算法，能夠有效消除傳統(tǒng)蟻群算法工作中存在的停滯現(xiàn)象，為其他相關(guān)研究提供理論參考。

關(guān)鍵詞：蟻群算法;圖像識別;圖像分割

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2019）31-0212-03

隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，圖像識別技術(shù)在計(jì)算機(jī)技術(shù)的幫助下取得了突破性進(jìn)展并在現(xiàn)實(shí)生活中得到了廣泛應(yīng)用。目前常見的圖像處理算法有很多種，各有優(yōu)缺點(diǎn)，蟻群算法作為目前比較流行一種圖像處理算法在圖像分割、圖像邊緣檢測和圖像識別等方面都具有一定優(yōu)勢，因此本文對蟻群算法進(jìn)行了研究，分析了蟻群算法在智能圖像識別中的應(yīng)用，并總結(jié)了對蟻群算法進(jìn)行改進(jìn)的方法，希望對相關(guān)研究有所幫助。

蟻群算法是一種仿生學(xué)算法，其本質(zhì)在于模仿螞蟻在尋找食物的過程中選擇路徑。起源于1992年意大利學(xué)者M(jìn)arcoDo-figo在他的博士論文中提出的一種基于螞蟻覓食行為的算法模型塒，到1996年，MarcoDofigo在其論文中再次對蟻群算法做了詳細(xì)概述，并對蟻群算法的優(yōu)點(diǎn)進(jìn)行了綜合分析。從那時(shí)起，國際學(xué)者關(guān)于蟻群算法的研究熱情不斷高漲，促進(jìn)了蟻群算法理論的不斷改進(jìn)和應(yīng)用。

在我國的發(fā)展蟻群算法雖然起步要晚于國外，但發(fā)展得很快。1999年，吳慶洪在原有蟻群算法的基礎(chǔ)上，提出了一種具有變異策略的蟻群算法，通過改變變異方式，克服了傳統(tǒng)蟻群算法收斂速度慢的缺點(diǎn)。2001年，吳斌提出了一種問題分段的求解蟻群算法。2005年，袁立提出了一種多線程蟻群算法，重點(diǎn)分析了蟻群在覓食過程中的策略選擇和搜索能力，將該算法用于求解TSP問題，其結(jié)果表明該算法具有很好的全局尋優(yōu)能力。從以上的研究中不難看出，蟻群算法在不斷推進(jìn)的理論研究中其研究及應(yīng)用領(lǐng)域得到了極大的推廣，并作為一種重要的計(jì)算機(jī)算法在實(shí)踐應(yīng)用中取得了很大的進(jìn)步，在算法的模型改進(jìn)與其他仿生優(yōu)化算法的融合方面取得了比較滿意的成果。本文研究了蟻群算法在圖像識別中的作用，探討了蟻群算法的基本原理和改進(jìn)方法，為后續(xù)圖像識別技術(shù)的發(fā)展奠定了理論基礎(chǔ)。

1研究方法

本文采用蟻群算法實(shí)現(xiàn)了圖像的智能識別的過程。蟻群算法是仿生學(xué)中的一種，主要模仿螞蟻在覓食過程中的各種行為，包括釋放信息素、食物搜尋、路徑選擇等。蟻群算法的路線圖如圖1所示，在此圖中，螞蟻可以從多條路徑向食物的目的地前進(jìn)，無論選擇哪條路徑，它們最終都會到達(dá)目的地，而且螞蟻還必定可以通過信息素和同伴引導(dǎo)等方法找到到達(dá)目的地的最優(yōu)路徑，這就是蟻群算法在計(jì)算機(jī)化算法中的具體應(yīng)用。

螞蟻的覓食過程總是以群體為主，當(dāng)很多螞蟻外出時(shí)，路徑選擇的問題就會出現(xiàn)，剛開始的時(shí)候，由于所有路徑上都沒有信息素，螞蟻完全隨機(jī)選擇一條路徑前行，同時(shí)在其經(jīng)過的路徑上釋放與路徑長度相關(guān)的信息素，其他螞蟻經(jīng)過時(shí)能感受到這種物質(zhì)存在并根據(jù)其強(qiáng)度來決定前進(jìn)的方向，路徑上信息素的濃度越高，經(jīng)過的螞蟻就越多，如果一條路徑被很多螞蟻行走，這條路徑的信息素濃度會不斷增加，并在此基礎(chǔ)上促使更多的螞蟻選擇這條路徑作為最佳路徑，其他路徑則逐漸被放棄。蟻群在覓食過程中相互合作，能隨外界環(huán)境的變化不斷調(diào)整自己的方向并重新找到一條最短路徑，這就是蟻群算法中的路徑選擇。

根據(jù)蟻群算法的特點(diǎn)，對蟻群算法的綜合分析可以通過以下步驟實(shí)現(xiàn)：首先，設(shè)置參數(shù)。假設(shè)螞蟻經(jīng)過N個(gè)城市，螞蟻總數(shù)為M，在蟻群算法中設(shè)置激勵(lì)因子、初始位置的信息素濃度、不同路徑的信息素濃度、循環(huán)指數(shù)等;設(shè)定參數(shù)后，允許螞蟻的隨機(jī)覓食，單只螞蟻表示為

它在移動過程中的轉(zhuǎn)移概率可以表示為Pij^k（t），在此基礎(chǔ)上，螞蟻開始從一個(gè)城市轉(zhuǎn)移到另一個(gè)城市，最后穿越所有的城市;在移動過程中，螞蟻將逐漸更新信息素，將每條路線的長度設(shè)為Lk，保留信息素濃度最高的部分，螞蟻在移動過程中，一個(gè)城市只允許被訪問一次，當(dāng)螞蟻經(jīng)過一個(gè)城市時(shí)，修改禁忌列表，更新禁忌列表中的信息;如果螞蟻沒有經(jīng)過所有的城市，它會再次更新信息素，由循環(huán)指數(shù)決定螞蟻穿越所有城市的時(shí)間，在達(dá)到最佳解決方案之前不會停止循環(huán)。

上述蟻群算法的執(zhí)行過程中由于信息素濃度不斷持續(xù)增長，螞蟻會優(yōu)先選擇覓食的路徑，導(dǎo)致其他路徑被忽略，容易造成循環(huán)迭代并出現(xiàn)停滯。因此我們在算法中引入迭代范圍改進(jìn)算法，以消除在停滯現(xiàn)象，如果迭代范圍超出該范圍，則更新路徑信息素以提高螞蟻的運(yùn)動區(qū)域，否則，則更新整個(gè)信息素。

假設(shè)算法在循環(huán)過程中的最大迭代次數(shù)可表示為NCmax，用公式（2）計(jì)算得出不同區(qū)域值，判斷結(jié)果是否超過固定值ε（ε=0.0001）;在實(shí)際循環(huán)過程中，如果達(dá)到迭代邊緣，則比較最后兩個(gè)最優(yōu)解，確定是否存在停滯線性。將當(dāng)前的最優(yōu)解設(shè)為L（N+1）BEST，得到λ：

上述公式的p為信息傳遞系數(shù)，當(dāng)系數(shù)較大時(shí)，將增加選擇最佳解的概率，降低所有路徑的全局更新概率;這樣更容易得到局部最優(yōu)解，優(yōu)化解的優(yōu)劣直接影響算法的運(yùn)算效率，因此，在實(shí)際應(yīng)用的過程中，往往采用較低的p，但p的值不能太小，否則會導(dǎo)致搜索時(shí)間過長。本文以p為研究對象，對實(shí)際操作過程中的實(shí)時(shí)值進(jìn)行調(diào)整，并將其應(yīng)用到圖像識別中。

2分析和討論

2.1蟻群算法的圖像識別分析

通過以上分析可以得到蟻群算法的基本原理，以下為算法在智能圖像識別中開展應(yīng)用，圖像因?yàn)椴粌H包括圖像本身的像素信息，還包括一些噪聲效應(yīng)等冗余信息，這給圖像識別帶來了一定的困難。而蟻群算法在圖像識別應(yīng)用是分析圖像中不同對象的像素邊界上發(fā)生的突變來區(qū)別圖片的背景和目標(biāo)，因此蟻群算法的圖像識別主要集中在邊緣檢測上。圖像邊緣信息主要存在于不同的像素值中，因此，通過蟻群算法檢測全局圖像，以整體圖像信息為全局信息，將圖像中的所有像素作為蟻群運(yùn)動的信息素就可以形成圖像邊緣檢測的基礎(chǔ)。

圖3顯示了蟻群算法在圖像檢測邊緣過程中的進(jìn)展，最左面的是原始圖像，可以看出圖像中存在一些噪聲干擾，而且邊緣像素不夠清晰，首先要對圖像進(jìn)行銳化濾波處理，然后通過蟻群算法對圖像進(jìn)行識別，得到圖像的邊緣，右邊的圖像顯示了由相應(yīng)像素標(biāo)記的完整邊緣。在應(yīng)用蟻群算法前對圖像進(jìn)行濾波處理，可以消除圖像中的各種噪聲，提高圖像的整體感知能力。

2.2蟻群算法圖像識別過程的分析

在蟻群算法的圖像識別過程中，蟻群算法會檢測整個(gè)圖像的不同像素，覆蓋所有的像素并查找出所有的像素值，然后根據(jù)像素是否有突變來判斷像素是否位于同一區(qū)域，將圖像劃分成不同的區(qū)域，標(biāo)記邊緣區(qū)域，從而得到相應(yīng)的邊界。在此基礎(chǔ)上，實(shí)現(xiàn)了對圖像中不同目標(biāo)的有效識別。

蟻群算法圖像識別中路徑的移動過程如圖4所示，在檢測之前，圖像可以被看作是由許多像素組成的待檢測圖像組，然后螞蟻被均勻地分布并根據(jù)蟻群算法移動，螞蟻根據(jù)轉(zhuǎn)移概率在初始位置和周圍下一點(diǎn)不斷移動，經(jīng)過連續(xù)的循環(huán)迭代過程直到所有像素都被覆蓋，根據(jù)信息素的不同，將整個(gè)圖像轉(zhuǎn)換成不同信息素濃度區(qū)分的圖像區(qū)域，從中得到不同的路徑就是圖像的邊緣區(qū)域。根據(jù)邊緣區(qū)域?qū)D像進(jìn)行區(qū)域劃分成可以識別圖像。由以上分析可知，蟻群算法的智能圖像識別主要是將像素視為不同的城市，檢測不變值，最終形成多條路徑;不同的路徑會有不同的信息素濃度，因此，通過對不同濃度的分析，可以得到圖像的邊緣部分，然后得到相應(yīng)的邊緣分界點(diǎn)，對圖像進(jìn)行分割。

2.3基于蟻群算法的圖像分割的應(yīng)用

就圖像分割而言，在實(shí)際分割過程中，主要依據(jù)是圖像的特征和灰度值。通過蟻群算法可以有效地采集圖像像素，而圖像中的所有像素都有其對應(yīng)的灰度值，蟻群算法對灰度值相同的像素進(jìn)行聚集，從微觀的角度看就是一組具有相似灰階的像素，也是一組邊界不同的像素。然后，對圖像中的所有對象進(jìn)行分類和處理，在此基礎(chǔ)上找到邊緣位置和灰度突變的位置，從而檢測出像素的背景和目標(biāo)區(qū)域。刪除背景部分，突出顯示圖像前景部分，基于蟻群算法原理的圖像識別效果如圖5所示。

如圖5所示，左側(cè)的是識別前的圖像，其主要部分是動植物，背景是藍(lán)天。通過蟻群算法識別的圖像去除了背景中的藍(lán)天，這一部分的像素接近，很容易實(shí)現(xiàn)去除背景的處理。在動物和植物的各個(gè)部分被完整地顯示后，就可以獲得整個(gè)圖像的關(guān)鍵部分，在此基礎(chǔ)上可以收集到區(qū)域邊緣內(nèi)的像素點(diǎn)。

需要注意的是，在圖像識別過程中，并不是簡單地通過蟻群算法來計(jì)算，還需要與其他算法相結(jié)合嘲。首先，對圖像進(jìn)行分類和處理，以消除圖像中的噪聲，將圖像分割成不同區(qū)域，并在不同區(qū)域進(jìn)行蟻群算法的識別以提高多區(qū)域同時(shí)開展圖像識別效率。算法運(yùn)行后，將所有區(qū)域整合，收集信息素濃度相同的邊界，將整個(gè)圖像轉(zhuǎn)換成一個(gè)由不同信息素濃度區(qū)分的圖像區(qū)域，這些路徑就是圖像的邊緣區(qū)域。在此基礎(chǔ)上，結(jié)合改進(jìn)的蟻群算法，圖像識別覆蓋圖像不同區(qū)域所有像素，避免整個(gè)過程中的停滯，發(fā)揮蟻群算法的作用，實(shí)現(xiàn)圖像的智能識別。

3結(jié)論

本文對蟻群算法進(jìn)行了研究，分析了該算法在圖像智能識別的應(yīng)用。蟻群算法主要是在圖像識別過程中檢測整個(gè)圖像，覆蓋所有像素，找到所有像素值，然后根據(jù)像素是否會發(fā)生突變來判斷像素是否在同一區(qū)域，標(biāo)記邊緣區(qū)域，得到相應(yīng)的邊界，實(shí)現(xiàn)了對不同目標(biāo)的有效識別。在實(shí)際的分割過程中，先對圖像中的所有對象進(jìn)行分類和處理，選取圖像的主要特征和灰度值，通過蟻群算法對圖像像素進(jìn)行聚焦。在此基礎(chǔ)上找到邊界位置和灰度突變點(diǎn)，進(jìn)而檢測出像素的背景和目標(biāo)區(qū)域。通過以上分析，可以實(shí)現(xiàn)圖像的智能識別，發(fā)揮蟻群算法的作用。