遺伝と蟻群アルゴリズムを組み合わせた画像エッジ特徴抽出

              **             **

画像の主な情報はエッジに由来するため,以前はRoberts演算子とSobel演算子を用いていた.その中で遺伝と蟻群アルゴリズムは具体的に以下の通りである:1)遺伝アルゴリズム:前期の収束が速く、後期の反復回数が多くなり、ブレスレットが緩やかになり始めた.2)蟻群アルゴリズム:前期は「情報素」が少なかったため収束速度は遅かったが,後期は収束速度が速く,並列性とグローバル探索能力を有した.
画像エッジ検出:Step、Roofなどがあります.次の図は、上記の2つのアルゴリズムの収束図です.
混合モデルから開始し,設定された終端条件まで遺伝アルゴリズムを行い,蟻群アルゴリズムの「情報素」初期濃度として最適解を行い,その後蟻群アルゴリズムを実現した.
アルゴリズムは以下の通りである:“情報素”の初期値を定数に設定して、“情報素”を表して、NMASの中の値に相当します;前期遺伝アルゴリズムで得られた最適解である.
具体的な手順:(1)初期値は、各個体に4つのパラメータがあり、各パラメータに16ビットのバイナリ符号化があるように構成される.従って、初期には64ビット符号化が行われ、そのうち、1〜16:状態遷移確率を表す「情報素」影響因子αの双曲線コサインを返します.17-32:イニシアチブ方向関数の影響因子を表すβの双曲線コサインを返します.(啓発的な戦略興味のある人は自分で深く理解することができます)33-48:「情報素」の発散係数を表すλの双曲線コサインを返します.49～64:反復回数Nを表します.
(2)ターゲット関数の設計は,m個の人工アリをn個の画素にランダムに配置し,個体およびターゲット関数ごとに生成されたエッジ抽出画像を評価する.ターゲット関数:Objv=std 2(u)ここで、uは反復エッジ画像と元の画像のエネルギー差、すなわちu=I 1−I 2である.
(3)次の画素値にアクセスする選択Gkはノードの集合であり、アクセス前ではない.Skは次のノードにアクセスする集合であり,確率遷移式から得られる:Cijは状態関数であり,蟻群の遷移式から得られる.q 0ビット定数、範囲は0~1である.qは乱数であり、q=(0,1),if q<=q 0であり、次の最小画素が選択され、q>q 0の場合、以下の式が用いられる.α情報素のヒント因子として、βヒント方向関数の影響因子としてpij(t)は、画素iからjまでの時間tにおけるアリkの確率である.
(4)各画素の「情報素」濃度を更新「情報素」範囲を[δmin,δmax]は、ローカル最小値に陥ることを防止します.(i)グローバル「情報素」更新;(ii)ローカル「情報素」更新.
(5)終了条件が満たされた場合はアルゴリズムを終了し,そうでなければ(3)に進む.
最終的な実験結果: