蚁群系统在微小多目标轮廓提取技术中的应用研究
蚁群系统在微小多目标轮廓提取技术中的应用研究[20200121204921]
摘 要
传统的细胞轮廓提取方法存在并行搜索能力差、普遍适用性差以及自动搜索能力差等问题。这些问题给轮廓研究带来了极大的挑战。
针对在低信噪比图像序列下的多目标轮廓提取，本毕业设计提出一种基于蚁群系统的细胞轮廓提取方法。首先根据图像的灰度方差来确定先验初始蚁群的位置,定义先验初始蚁群是为了加快蚁群算法的搜索速度，将蚁群的搜索范围锁定在目标轮廓的附近，同时也提升了轮廓提取的准确率，接着通过蚂蚁决策确定其搜索路径，确定信息素的释放以及信息素场的形成，最终根据信息素场来确定细胞的轮廓位置，提取目标的轮廓信息。
实验结果表明，该方法的并行搜索能力、普遍适用性以及自动搜索能力有了很大程度上的提高。
*查看完整论文请+Q: 351916072
关键字:细胞轮廓蚁群系统信息素场
Keywords：Cell Contour; Ant Colony System; Pheromone Field； 目 录
1.绪论 1
1.1目标轮廓提取的目的和意义 1
1.2蚁群算法研究现状 1
1.3细胞轮廓提取的研究现状 3
1.4本文的主要工作 4
2.蚁群优化算法原理 5
3.蚁群的微小多目标（细胞）轮廓提取 11
3.1先验初始蚁群分布 12
3.2蚂蚁决策 13
3.3信息素场的形成 15
3.4轮廓处理 17
4.实验仿真 19
4.1 多目标图像序列和参数设置 19
4.2 实验仿真 20
4.3 讨论 23
4.3.1信息素残留系数E和信息素扩散系数D两个参数对轮廓提取效果的影响 23
4.3.2 抑制杂波的方法研究 25
5.总结与展望 30
参考文献 31
附录：程序代码 33
致谢 38
1.绪论
1.1目标轮廓提取的目的和意义
近些年来，随着计算机视觉技术的飞速发展，它已然成为当今社会不可缺少的一大技术之一，它为高速发展的工业生产、医疗服务、交通运输等很多与人们息息相关的方面做出了巨大的贡献。
在现今的计算机视觉实现过程中，目标轮廓提取技术是一个决定性的环节。目标轮廓提取的主要目的是区分背景与目标，从而为接下来的图像分析领域与模式识别领域提供一个良好的支持，是图像理解和描述的一个重要参考依据，对计算机视觉处理中后期的图像特征的提取、识别与分类等有重要意义。
虽说目标轮廓提取技术有着巨大的现实意义但是其面临的难题也是极其巨大的，诸如图像的信噪比很低的情况下很难区分背景与目标，造成提取效果很差的后果，这是一个困难但是又不得不认真对待的问题。
本课题拟将蚁群系统的基本原理进行拓展，通过对其搜索行为进行建模，研究合适的信息素释放机制，形成相对稳定的环状轮廓信息素场，提取相应的多目标轮廓。从提取出的多目标轮廓中，可以直接估计目标的中心位置。将多目标轮廓提取技术应用到多细胞形态特征参数估计领域，是对一般多目标参数估计的领域的拓展，这一研究成果不仅拓展了传统蚁群系统的应用领域（优化为主），而且还将信息科学与生命科学进行交叉研究，为药物的研制提供了可靠的数据支持。
1.2蚁群算法研究现状
意大利学者Dorigo根据自然界中蚂蚁觅食行为而受到启发，并且首次系统地提出了一种基于蚂蚁种群的新型优化算法——蚁群算法(ACO)，并在求解旅行商(TSP)问题中得到非常成功的应用。在接下来的很长一段时间里，蚁群算法受到了很多专家学者的肯定和关注，在应用领域得到了迅速拓宽。近些年来,大量的学者一直在孜孜不倦的寻求改进蚁群算法的模型和应用方面的方法,大部分学者的主要研究方向是在合理时间复杂度和一定的空间复杂度的情况下, 让蚁群算法的寻优能力最大化,令其全局收敛得到相当的改进,让蚁群算法的应用领域的局限性降到最低。目前，蚁群算法的研究已经在很多领域得到应用；蚁群算法起初是用来解决简单的组合优化问题的，随着学者们的研究，现在的蚁群算法能够解决更加复杂的组合优化问题，从静态到动态，从一维到多维，以及从离散到连续域等等，相信随着人们对蚁群算法研究的深入，蚁群算法会对更多的领域提供一个良好的支持。人们通过长时间的积累总结，发现蚁群算法的理论可以用于处理数字图像，根据蚁群算法的一些相关特点使得蚁群算法相比于其它数字图像处理理论有气独特的优势，这使得越来越多研究图像处理技术的人对蚁群算法产生了浓厚的兴趣，促进了蚁群算法在图像处理方面的进一步发展。
蚁群算法具有良好的离散性、并行性、正反馈性和鲁棒性。这些良好的特性使得蚁群算法在图像分割技术中占有其一席之地。许多人在蚁群算法的基础上提出了一些自己的学术见解。杨立才等人[1]提出了一种基于蚁群算法的模糊C均值聚类图像分割算法。康晓东等人[2]对蚂蚁的信息素释放机制和路径的转移机制进行了重新定义，同时创造性的把蚂蚁搜索食物的过程与图像的搜索空间相结合，使其产生一定的模糊连接，这就给图像分割带来了一个人们大致的物理模型。蚁群算法往往会出现停滞和收敛过早等问题，赵娜等人[3]针对以上问题，引入自适应更新机制对信息素挥发系数进行动态赋值，增强了系统的稳定性。何小娜等人[4]根据二维直方图确定聚类中心的初始位置以此来保证分割效果的情况下尽可能降低循环次数，同时还对信息素更新机制进行改进，通过这两个方面的改善提高图像聚类的快速性。
在图像边缘检测中的应用，传统边缘检测[5,6]方法有很多：基于灰度直方图的边缘检测、基于梯度的边缘检测、Roberts算子、Sobel算子、Prewitt算子、Laplace算子、Canny算子等等。但是这些算法存在容易产生间断的边缘的缺陷，而蚁群算法在检测连续边缘上具有明显的优势。苗京等人[7]提出了一种基于蚁群动态模糊聚类算法的图像边缘检测。朱玲等人[8]把蚁群算法用于甲状腺结节超声图像边沿检测。于勇等人[9]提出一种算法：首先根据图像确定边缘可能存在的位置，接着把蚁群引导到这些位置，蚁群在这些位置的一定范围内进行边缘搜索，同时更新信息素的分布，这样就能够把不用浪费时间去搜索过多的不必要的图像空间了，大大提升了图像分割的效率。此算法与本设计的原理也是极其相似。
1.3细胞轮廓提取的研究现状
在医学方面，研究人员能够根据细胞的轮廓对细胞有一个良好的分析和理解。细胞轮廓提取技术自然也就十分重要，在这方面，研究人员给出了很多的轮廓提取方法。
先验知识法：在轮廓提取的概率方法中，主要是基于边缘的段连接，即从种子点开始，将图像中的边缘候选点根据物体轮廓线的先验知识连接成轮廓[10]。
数学形态学方法：数学形态学是一种非线性滤波方法，形态学边缘提取的思想是：经过某种变换后，待提取图像边缘的灰度值的变化程度比非边缘部分显著得多。很多学者提出了自己的轮廓提取方法，如J Yang等人[11]提出了基于方向形态学的方法，姚庆梅等人[12]对此方向形态学方法进行相关的改善；吴凤和[13]提出一种运用数学形态学的方法。
基于梯度的方法：在边缘检测时，一般需要利用梯度的幅值信息，并确定阈值，将边缘点与背景区分开[14]。对此，学者们的改进方法也有很多，如李立春等人[15]糅合了梯度的幅值信息和方向信息来加以改进；张小虎等人[16]根据梯度方向直方图提出一种直线轮廓提取的新方案。
水平集方法：水平集方法是s.0sher和J.A.Sethianfl[17]于1988年在研究曲线(曲面)以曲率相关的速度演化时提出来的，是处理封闭运动界面随时访问演化过程中几何拓扑变化的有效计算工具。
在细胞识别和分类中，细胞显微图像的轮廓提取技术是非常重要的。近些年来，很多新的细胞轮廓提取方法的提出促进了细胞学研究发展，这些方法主要是基于分水岭[18]、形态学 [19]和活动模型的等等，但这些方法都或多或少有一些缺陷，如无法准确定位轮廓，容易受到杂波的影响，计算起来太过于复杂、计算量大，能够适用的范围十分局限。在低信噪比的情况下，难以区分细胞和背景，这样就会使得细胞边缘断断续续甚至有些都不是细胞的边缘，造成提取不完整或者提取错误。然而对细胞特征的计算和决策的必要条件是提取的轮廓完整无误。要达到这样的要求，传统的细胞轮廓提取方法主要有Canny边缘检测方法和Snake模型的轮廓提取方法。
摘 要
传统的细胞轮廓提取方法存在并行搜索能力差、普遍适用性差以及自动搜索能力差等问题。这些问题给轮廓研究带来了极大的挑战。
针对在低信噪比图像序列下的多目标轮廓提取，本毕业设计提出一种基于蚁群系统的细胞轮廓提取方法。首先根据图像的灰度方差来确定先验初始蚁群的位置,定义先验初始蚁群是为了加快蚁群算法的搜索速度，将蚁群的搜索范围锁定在目标轮廓的附近，同时也提升了轮廓提取的准确率，接着通过蚂蚁决策确定其搜索路径，确定信息素的释放以及信息素场的形成，最终根据信息素场来确定细胞的轮廓位置，提取目标的轮廓信息。
实验结果表明，该方法的并行搜索能力、普遍适用性以及自动搜索能力有了很大程度上的提高。
*查看完整论文请+Q: 351916072
关键字:细胞轮廓蚁群系统信息素场
Keywords：Cell Contour; Ant Colony System; Pheromone Field； 目 录
1.绪论 1
1.1目标轮廓提取的目的和意义 1
1.2蚁群算法研究现状 1
1.3细胞轮廓提取的研究现状 3
1.4本文的主要工作 4
2.蚁群优化算法原理 5
3.蚁群的微小多目标（细胞）轮廓提取 11
3.1先验初始蚁群分布 12
3.2蚂蚁决策 13
3.3信息素场的形成 15
3.4轮廓处理 17
4.实验仿真 19
4.1 多目标图像序列和参数设置 19
4.2 实验仿真 20
4.3 讨论 23
4.3.1信息素残留系数E和信息素扩散系数D两个参数对轮廓提取效果的影响 23
4.3.2 抑制杂波的方法研究 25
5.总结与展望 30
参考文献 31
附录：程序代码 33
致谢 38
1.绪论
1.1目标轮廓提取的目的和意义
近些年来，随着计算机视觉技术的飞速发展，它已然成为当今社会不可缺少的一大技术之一，它为高速发展的工业生产、医疗服务、交通运输等很多与人们息息相关的方面做出了巨大的贡献。
在现今的计算机视觉实现过程中，目标轮廓提取技术是一个决定性的环节。目标轮廓提取的主要目的是区分背景与目标，从而为接下来的图像分析领域与模式识别领域提供一个良好的支持，是图像理解和描述的一个重要参考依据，对计算机视觉处理中后期的图像特征的提取、识别与分类等有重要意义。
虽说目标轮廓提取技术有着巨大的现实意义但是其面临的难题也是极其巨大的，诸如图像的信噪比很低的情况下很难区分背景与目标，造成提取效果很差的后果，这是一个困难但是又不得不认真对待的问题。
本课题拟将蚁群系统的基本原理进行拓展，通过对其搜索行为进行建模，研究合适的信息素释放机制，形成相对稳定的环状轮廓信息素场，提取相应的多目标轮廓。从提取出的多目标轮廓中，可以直接估计目标的中心位置。将多目标轮廓提取技术应用到多细胞形态特征参数估计领域，是对一般多目标参数估计的领域的拓展，这一研究成果不仅拓展了传统蚁群系统的应用领域（优化为主），而且还将信息科学与生命科学进行交叉研究，为药物的研制提供了可靠的数据支持。
1.2蚁群算法研究现状
意大利学者Dorigo根据自然界中蚂蚁觅食行为而受到启发，并且首次系统地提出了一种基于蚂蚁种群的新型优化算法——蚁群算法(ACO)，并在求解旅行商(TSP)问题中得到非常成功的应用。在接下来的很长一段时间里，蚁群算法受到了很多专家学者的肯定和关注，在应用领域得到了迅速拓宽。近些年来,大量的学者一直在孜孜不倦的寻求改进蚁群算法的模型和应用方面的方法,大部分学者的主要研究方向是在合理时间复杂度和一定的空间复杂度的情况下, 让蚁群算法的寻优能力最大化,令其全局收敛得到相当的改进,让蚁群算法的应用领域的局限性降到最低。目前，蚁群算法的研究已经在很多领域得到应用；蚁群算法起初是用来解决简单的组合优化问题的，随着学者们的研究，现在的蚁群算法能够解决更加复杂的组合优化问题，从静态到动态，从一维到多维，以及从离散到连续域等等，相信随着人们对蚁群算法研究的深入，蚁群算法会对更多的领域提供一个良好的支持。人们通过长时间的积累总结，发现蚁群算法的理论可以用于处理数字图像，根据蚁群算法的一些相关特点使得蚁群算法相比于其它数字图像处理理论有气独特的优势，这使得越来越多研究图像处理技术的人对蚁群算法产生了浓厚的兴趣，促进了蚁群算法在图像处理方面的进一步发展。
蚁群算法具有良好的离散性、并行性、正反馈性和鲁棒性。这些良好的特性使得蚁群算法在图像分割技术中占有其一席之地。许多人在蚁群算法的基础上提出了一些自己的学术见解。杨立才等人[1]提出了一种基于蚁群算法的模糊C均值聚类图像分割算法。康晓东等人[2]对蚂蚁的信息素释放机制和路径的转移机制进行了重新定义，同时创造性的把蚂蚁搜索食物的过程与图像的搜索空间相结合，使其产生一定的模糊连接，这就给图像分割带来了一个人们大致的物理模型。蚁群算法往往会出现停滞和收敛过早等问题，赵娜等人[3]针对以上问题，引入自适应更新机制对信息素挥发系数进行动态赋值，增强了系统的稳定性。何小娜等人[4]根据二维直方图确定聚类中心的初始位置以此来保证分割效果的情况下尽可能降低循环次数，同时还对信息素更新机制进行改进，通过这两个方面的改善提高图像聚类的快速性。
在图像边缘检测中的应用，传统边缘检测[5,6]方法有很多：基于灰度直方图的边缘检测、基于梯度的边缘检测、Roberts算子、Sobel算子、Prewitt算子、Laplace算子、Canny算子等等。但是这些算法存在容易产生间断的边缘的缺陷，而蚁群算法在检测连续边缘上具有明显的优势。苗京等人[7]提出了一种基于蚁群动态模糊聚类算法的图像边缘检测。朱玲等人[8]把蚁群算法用于甲状腺结节超声图像边沿检测。于勇等人[9]提出一种算法：首先根据图像确定边缘可能存在的位置，接着把蚁群引导到这些位置，蚁群在这些位置的一定范围内进行边缘搜索，同时更新信息素的分布，这样就能够把不用浪费时间去搜索过多的不必要的图像空间了，大大提升了图像分割的效率。此算法与本设计的原理也是极其相似。
1.3细胞轮廓提取的研究现状
在医学方面，研究人员能够根据细胞的轮廓对细胞有一个良好的分析和理解。细胞轮廓提取技术自然也就十分重要，在这方面，研究人员给出了很多的轮廓提取方法。
先验知识法：在轮廓提取的概率方法中，主要是基于边缘的段连接，即从种子点开始，将图像中的边缘候选点根据物体轮廓线的先验知识连接成轮廓[10]。
数学形态学方法：数学形态学是一种非线性滤波方法，形态学边缘提取的思想是：经过某种变换后，待提取图像边缘的灰度值的变化程度比非边缘部分显著得多。很多学者提出了自己的轮廓提取方法，如J Yang等人[11]提出了基于方向形态学的方法，姚庆梅等人[12]对此方向形态学方法进行相关的改善；吴凤和[13]提出一种运用数学形态学的方法。
基于梯度的方法：在边缘检测时，一般需要利用梯度的幅值信息，并确定阈值，将边缘点与背景区分开[14]。对此，学者们的改进方法也有很多，如李立春等人[15]糅合了梯度的幅值信息和方向信息来加以改进；张小虎等人[16]根据梯度方向直方图提出一种直线轮廓提取的新方案。
水平集方法：水平集方法是s.0sher和J.A.Sethianfl[17]于1988年在研究曲线(曲面)以曲率相关的速度演化时提出来的，是处理封闭运动界面随时访问演化过程中几何拓扑变化的有效计算工具。
在细胞识别和分类中，细胞显微图像的轮廓提取技术是非常重要的。近些年来，很多新的细胞轮廓提取方法的提出促进了细胞学研究发展，这些方法主要是基于分水岭[18]、形态学 [19]和活动模型的等等，但这些方法都或多或少有一些缺陷，如无法准确定位轮廓，容易受到杂波的影响，计算起来太过于复杂、计算量大，能够适用的范围十分局限。在低信噪比的情况下，难以区分细胞和背景，这样就会使得细胞边缘断断续续甚至有些都不是细胞的边缘，造成提取不完整或者提取错误。然而对细胞特征的计算和决策的必要条件是提取的轮廓完整无误。要达到这样的要求，传统的细胞轮廓提取方法主要有Canny边缘检测方法和Snake模型的轮廓提取方法。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/4747.html
