基于多窗口的蚁群图像边缘检测及并行算法

《基于多窗口的蚁群图像边缘检测及并行算法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第1章绪论1．1研究背景及意义图像边缘是图像的基本特征之一，它包含了用于图像识别的主要信息。因此，图像边缘检测算法的优劣直接影响着图像分析处理的效果。所以，边缘检测在图像处理和机器视觉中占据着重要位置。现实生活中的图像处理常常是针对一些数据信息量庞大的复杂图像，如卫星图像处理，利用气象卫星发送回来的卫星图像，对地球上的河流、海洋、山川I、陆地等进行分析，从而得到可靠的气象预报；利用侦查卫星对海陆空进行拍摄，以便于了解国家的军事设施、兵力部署和基本地形等情况；利用遥感卫星图像对农作物进行估产，进而很好地控制生态

2、环境和畜牧业的发展11J。还有如指纹识别、人脸识别等，当需要在数以万计甚至更多的指纹中查到目标人员的指纹信息时，需要处理的数据量是非常庞大的【2J。然而，遥感卫星图像的处理却没有与之匹配的图像实时处理能力，使得接收到的图像数据无法立即被识别或提取重要信息。显然，这类应用领域对图像处理的实时性要求越来越高，单纯改进算法已难以满足其实时性要求，只有并行处理才能大幅度提高图像处理的速度。随着计算机技术的发展，并行运算己不存在技术障碍，因此，研究并行处理技术及相关算法就成为这～领域的迫切需求。针对上述图像边缘检测的实

3、时性要求，本文探索几类多窗口图像边缘检测方法并研究了相关的并行算法。这种多窗口机制可将原始图像分割为多个窗口区域，并把每个窗口作为一个独立的任务，分别分配到不同的并行处理器去执行，从而为并行算法奠定了基础。同时，采用多窗口后，每个窗口可以根据本窗口的图像信息丰富程度设置不同的阈值及其他算法参数，使算法更加灵活高效，检测效果更好。将图像分为若干个窗口后，在每个窗口内的边缘检测理论上可以采用任意一种图像边缘检测算法。但考虑到蚁群算法具有群体智能和并行性特点，特别有利于并行算法的设计和运行。因此，本文选用蚁群算法来

4、提取图像的边缘。蚁群算法具有良好的离散性、鲁棒性和并行性等特点，对于数字图像非常的适用，再加上其特有的启发因子和正反馈机制，使得蚁群算法在图像边缘检测领域得到了广泛的应用pJ。同时蚁群算法潜在的并行性也为边缘检测提供了一种新的研究思路。随着大规模计算问题的不断增多，并行设计理念逐渐成为研究热点。由于蚁群算法具有天然的并行性，人们对并行蚁群算法的研究也越来越多，目前常用于工第1章绪论程优化、经济管理、军事运筹等领域的计算。并行蚁群的策略也是多种多样，如并行独立蚁群、并行交互蚁群【4J等，尽可能使得蚂蚁之间充分并

5、行，较快完成任务。然而，并行蚁群算法目前尚未在图像处理领域进行使用。针对图像本身的并行处理，也多是以像素点为单位的边缘检测算法的并行研究。如基于Robeas算子法的图像边缘检测并行研究【5』，和基于区域增长的图像分割并行研究【6J等等。仍然无法大幅度地提高图像边缘检测的执行时间。本文从图像本身出发，根据不同图像的局部性特点，探索出多窗口并行检测机制。将原始图像划分为不同的窗口区域，在每个窗口上进行独立的边缘搜索。并且在边缘搜索的过程中，利用蚁群算法的并行性特点，设计并行蚁群策略，使得每只蚂蚁之问并行地寻找边缘

6、点。因此，在多窗口并行机制和并行蚁群算法的基础上，进行图像边缘检测的并行计算，充分利用了并行算法的特点，大大提高了边缘检测的效率。蚁群算法是近几年发展起来的一种新型概率搜索算法，它利用生物信息激素作为蚂蚁选择后续行为的依据，并通过蚂蚁间的协同与交互来完成全局寻优搜索过程[71。蚁群算法因其良好的离散性、鲁棒性、并行性、正反馈性等特点，已被许多学者用来解决图像边缘检测的问题。自从基于蚁群算法的图像边缘检测技术成功实现后，众多学者也提出很多改进算法，比如基于启发因子的优化改进瞵J，与遗传算法等群智能算法的结合【引

7、，或者与经典图像边缘检测技术融合110J等等。但是，这些边缘检测技术依然有很多缺陷，例如蚂蚁在图像非边缘区域进行了很多无关计算，基于信息素的搜索机制也过于复杂，并且需要蚂蚁大量循环迭代才能得到比较完整的图像边缘，增加了执行时间，同时不能有效抑制噪声。另外，经典的图像边缘检测方法主要有sobel算子法⋯j、Robe,s算子法¨引、Log算子法『13]、Prewitt算子法【14]、Canny算子法等[15】。这些算子法运用图像的梯度信息来提取边界，最后依次将单个边缘点相连从而构造出一条完整的边缘。但缺点是需要遍

8、历整个图像空间才能检测出图像的边缘，而且常出现边缘遗漏或边缘冗余的情况。如果图像空间较大或者图像背景情况较为复杂时，那么检测时间以及检测结果都不理想。综上所述．采用蚁群算法进行图像边缘检测是一种研究趋势，同时多窗口并行算法的研究也会带来突破性的进展。因此，本文在目前基于改进蚁群算法的边缘检测技术的基础上，提出多窗口并行策略，利用图像的窗口化分割和蚁群算法的潜在并行性，设计出双层并行模型，采用CUDA