一、获取代码方式
获取代码方式1：
完整代码已上传我的资源：【边缘检测】基于matlab蚁群算法图像边缘检测【含Matlab源码 1189期】
获取代码方式2：
通过订阅紫极神光博客付费专栏，凭支付凭证，私信博主，可获得此代码。
备注：
订阅紫极神光博客付费专栏，可免费获得1份代码（有效期为订阅日起，三天内有效）；
二、蚁群算法图像边缘检测简介
1 蚁群优化算法原理
蚁群优化算法(ACO) 由意大利学者 Macro Dori- 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，会随机选择其中的一条路径并释放出相应的信息素，路径越长信
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。采用蚁群优化算法的边缘检测N-S流程图，如图1所示。
2 蚁群优化算法图像边缘检测过程
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，其中矩阵的每个元代表了图像每个像素点位置的边缘信息。此外，蚂蚁们的移动方向可由图像强度值的局部变化来调整。
下面详细介绍各个过程。
2.1 初始化过程
2.2 执行过程
2.3 更新过程
2.4 决策过程
三、部分源代码
function edge_ACO%参考文献："An Ant Colony Optimization Algorithm For Image Edgeclose all; clear all; clc;% 读入图像filename = 'ant128';raw=imread('ant.jpg');img=rgb2gray(raw);img = double(img)./255;[nrow, ncol] = size(img);subplot(2,3,1);imshow(raw); %显示源图像%公式（3.24.4）初始化for nMethod = 2:5;%四种不同的核函数, 参见式 (3.24.7)-(3.24.10)%E: exponential; F: flat; G: gaussian; S:Sine; T:Turkey; W:Wavefprintf('Image edge detection using ant colony.\nPlease wait......\n');v = zeros(size(img));v_norm = 0;for rr =1:nrowfor cc=1:ncol%定义像素团temp1 = [rr-2 cc-1; rr-2 cc+1; rr-1 cc-2; rr-1 cc-1; rr-1 cc; rr-1 cc+1; rr-1 cc+2; rr cc-1];temp2 = [rr+2 cc+1; rr+2 cc-1; rr+1 cc+2; rr+1 cc+1; rr+1 cc; rr+1 cc-1; rr+1 cc-2; rr cc+1];temp0 = find(temp1(:,1)>=1 & temp1(:,1)<=nrow & temp1(:,2)>=1 & temp1(:,2)<=ncol & temp2(:,1)>=1 & temp2(:,1)<=nrow & temp2(:,2)>=1 & temp2(:,2)<=ncol);temp11 = temp1(temp0, :);temp22 = temp2(temp0, :);temp00 = zeros(size(temp11,1));for kk = 1:size(temp11,1)temp00(kk) = abs(img(temp11(kk,1), temp11(kk,2))-img(temp22(kk,1), temp22(kk,2)));endif size(temp11,1) == 0v(rr, cc) = 0;v_norm = v_norm + v(rr, cc);elselambda = 10;switch nMethodcase 1%'F'temp00 = lambda .* temp00; case 2%'Q'temp00 = lambda .* temp00.^2; case 3%'S'temp00 = sin(pi .* temp00./2./lambda);case 4%'W'temp00 = sin(pi.*temp00./lambda).*pi.*temp00./lambda;endv(rr, cc) = sum(sum(temp00.^2));v_norm = v_norm + v(rr, cc);endendend% 归一化v = v./v_norm; v = v.*100;p = 0.0001 .* ones(size(img));% 信息素函数初始化%参数设置。alpha = 1;%式（3.24.4）中的参数beta = 0.1;%式（3.24.4）中的参数rho = 0.1;%式（3.24.11）中的参数%式（3.24.12）中的参数phi = 0.05;%equation (12), i.e., (9) in IEEE-CIM-06ant_total_num = round(sqrt(nrow*ncol));% 记录蚂蚁的位置ant_pos_idx = zeros(ant_total_num, 2); % 初始化蚂蚁的位置rand('state', sum(clock));temp = rand(ant_total_num, 2);ant_pos_idx(:,1) = round(1 + (nrow-1) * temp(:,1)); %行坐标ant_pos_idx(:,2) = round(1 + (ncol-1) * temp(:,2)); %列坐标search_clique_mode = '8'; %Figure 1% 定义存储空间容量if nrow*ncol == 128*128A = 40;memory_length = round(rand(1).*(1.15*A-0.85*A)+0.85*A); elseif nrow*ncol == 256*256A = 30;memory_length = round(rand(1).*(1.15*A-0.85*A)+0.85*A);elseif nrow*ncol == 512*512A = 20;memory_length = round(rand(1).*(1.15*A-0.85*A)+0.85*A); endant_memory = zeros(ant_total_num, memory_length);% 实施算法if nrow*ncol == 128*128% 迭代的次数total_step_num = 300; elseif nrow*ncol == 256*256total_step_num = 900; elseif nrow*ncol == 512*512total_step_num = 1500; endtotal_iteration_num = 3;for iteration_idx = 1: total_iteration_numdelta_p = zeros(nrow, ncol);for step_idx = 1: total_step_numdelta_p_current = zeros(nrow, ncol);for ant_idx = 1:ant_total_numant_current_row_idx = ant_pos_idx(ant_idx,1);ant_current_col_idx = ant_pos_idx(ant_idx,2);% 找出当前位置的邻域if search_clique_mode == '4'rr = ant_current_row_idx;cc = ant_current_col_idx;ant_search_range_temp = [rr-1 cc; rr cc+1; rr+1 cc; rr cc-1];elseif search_clique_mode == '8'rr = ant_current_row_idx;cc = ant_current_col_idx;ant_search_range_temp = [rr-1 cc-1; rr-1 cc; rr-1 cc+1; rr cc-1; rr cc+1; rr+1 cc-1; rr+1 cc; rr+1 cc+1];end%移除图像外的位置temp = find(ant_search_range_temp(:,1)>=1 & ant_search_range_temp(:,1)<=nrow & ant_search_range_temp(:,2)>=1 & ant_search_range_temp(:,2)<=ncol);ant_search_range = ant_search_range_temp(temp, :);%计算概率转换函数ant_transit_prob_v = zeros(size(ant_search_range,1),1);ant_transit_prob_p = zeros(size(ant_search_range,1),1);for kk = 1:size(ant_search_range,1)temp = (ant_search_range(kk,1)-1)*ncol + ant_search_range(kk,2);if length(find(ant_memory(ant_idx,:)==temp))==0ant_transit_prob_v(kk) = v(ant_search_range(kk,1), ant_search_range(kk,2));ant_transit_prob_p(kk) = p(ant_search_range(kk,1), ant_search_range(kk,2));else ant_transit_prob_v(kk) = 0;ant_transit_prob_p(kk) = 0;endendif (sum(sum(ant_transit_prob_v))==0) | (sum(sum(ant_transit_prob_p))==0)for kk = 1:size(ant_search_range,1)temp = (ant_search_range(kk,1)-1)*ncol + ant_search_range(kk,2);ant_transit_prob_v(kk) = v(ant_search_range(kk,1), ant_search_range(kk,2));ant_transit_prob_p(kk) = p(ant_search_range(kk,1), ant_search_range(kk,2));endend ant_transit_prob = (ant_transit_prob_v.^alpha) .* (ant_transit_prob_p.^beta) ./ ((sum(sum((ant_transit_prob_v.^alpha) .* (ant_transit_prob_p.^beta))))+eps); % 产生一个随机数来确定下一个位置rand('state', sum(100*clock));temp = find(cumsum(ant_transit_prob)>=rand(1), 1);ant_next_row_idx = ant_search_range(temp,1);ant_next_col_idx = ant_search_range(temp,2);if length(ant_next_row_idx) == 0ant_next_row_idx = ant_current_row_idx;ant_next_col_idx = ant_current_col_idx;endant_pos_idx(ant_idx,1) = ant_next_row_idx;ant_pos_idx(ant_idx,2) = ant_next_col_idx;delta_p_current(ant_pos_idx(ant_idx,1), ant_pos_idx(ant_idx,2)) = 1;if step_idx <= memory_lengthant_memory(ant_idx,step_idx) = (ant_pos_idx(ant_idx,1)-1)*ncol + ant_pos_idx(ant_idx,2);elseif step_idx > memory_lengthant_memory(ant_idx,:) = circshift(ant_memory(ant_idx,:),[0 -1]);ant_memory(ant_idx,end) = (ant_pos_idx(ant_idx,1)-1)*ncol + ant_pos_idx(ant_idx,2);end%更新信息素函数 p = ((1-rho).*p + rho.*delta_p_current.*v).*delta_p_current + p.*(abs(1-delta_p_current));end delta_p = (delta_p + (delta_p_current>0))>0;p = (1-phi).*p; end end
四、运行结果
五、matlab版本及参考文献
1 matlab版本
a
2 参考文献
[1] 蔡利梅.MATLAB图像处理——理论、算法与实例分析[M].清华大学出版社，.
[2]杨丹,赵海滨,龙哲.MATLAB图像处理实例详解[M].清华大学出版社，.
[3]周品.MATLAB图像处理与图形用户界面设计[M].清华大学出版社，.
[4]刘成龙.精通MATLAB图像处理[M].清华大学出版社，.
[5]陈浩,方勇,朱大洲,王成,陈子龙.基于蚁群算法的玉米植株热红外图像边缘检测[J].农机化研究. ,37(06)
如果觉得《【边缘检测】基于matlab蚁群算法图像边缘检测【含Matlab源码 1189期】》对你有帮助，请点赞、收藏，并留下你的观点哦！
