结合遗传和蚁群算法的图像边缘特征提取

              **以下是我读了相关文章的总结**

因为图像主要信息来源于边缘，以前用Roberts算子和Sobel算子。其中遗传和蚁群算法具体如下：
1）遗传算法：前期收敛快，而后期迭代次数多了，手链开始变得缓慢；
2）蚁群算法：前期因为“信息素”较少，所以收敛速度慢，但是后期收敛速度加快，且其具有并行性和全局搜索能力。

图像边缘检测：有Step、Roof等。下图就是上述两种算法的收敛图：

在混合模型开始，进行遗传算法直到设置的终止条件，将最优解作为蚁群算法的“信息素”初始浓度，然后实现蚁群算法。

算法如下：
设置“信息素”的初始值

为常数，表示“信息素”，相当于在NMAS中的值；
是前期遗传算法获得的最优解。

具体步骤：
（1）初始值构造
每一个个体有4个参数，每一个参数有16位二进制编码。所以初始共有64位编码，其中：
1——16 ：表示状态转移概率的“信息素”影响因素α的值；
17——32：表示启发式方向函数的影响因素β的值；（启发式策略如果感兴趣的你自己可以深入去了解）
33——48：表示“信息素”发散系数λ的值；
49——64：表示迭代次数N。

（2）目标函数的设计
随机把m个人工蚂蚁放在n个像素中，评估通过每个个体和目标函数产生的边缘提取的图像。
目标函数： Objv = std2（u）
其中：u为迭代的边缘图像和原始图像的能量差，即u=I1-I2。

（3）访问下一个像素值的选择
Gｋ是节点的集合，没访问之前的；
Sｋ是访问下一步节点的集合，根据概率转移公式得：

Cij为状态函数，从蚁群的转移公式获得；q0位常数，范围为0~1；q为随机数，q=（0，1]，if q<=q0，且选择下一个最小像素，若q>q0，则用下面公式：

其中：
α为“信息素”启发式因子，β为启发式方向函数的影响因子，pij（t）是蚂蚁k从像素i到j在时间t的概率。

（4）更新每个像素的“信息素”浓度
设置“信息素”范围为[δmin，δmax]，防止其陷入局部最小值。
（i）全局“信息素”更新；
（ii）局部“信息素”更新。

（5）如果满足终止条件，则退出算法，否则进入（3）。

最后实验结果：