摘 要： 在蚁群算法的基础上针对大米轮廓检测提出了一种改进的边缘检测蚁群算法。该算法能有效地检测出米粒的边缘信息，解决了传统大米颗粒检测方法的不稳定和不精确等问题。与此同时，还将其结果与原蚁群算法、Roberts、Sobel和Prewitt等边缘检测算子对图像处理的结果进行了研究对比，实验结果表明，采用改进的边缘检测蚁群算法对大米粒形的检测效果较好，正确率较高，且具有适应性强、效率高等特点。
关键词： 蚁群算法；大米粒形；图像分割；边缘检测
大米颗粒的形状是进行大米质量检测的重要参数之一，同时也是影响谷物产量和品质的重要指标之一。而传统的检测方法多采用目视比较法，受人的主观因素和环境干扰因素的影响较大。由于计算机图像处理技术具有客观性和准确性等特点，应用图像处理技术来评定稻米品质，能在一定程度上减少传统检测法检测结果的不稳定性和不精确性。
本文针对大米边缘特征的提取提出了一种改进的边缘检测蚁群算法。蚁群算法具有鲁棒性好、适应度强和正确率高等特点，从而加速了大米轮廓的检测过程，提高了产品的生产效率，克服了检测员主观因素的影响，并获得了较好的检测效果。与此同时，将其结果同蚁群算法、Roberts、Sobel和Prewitt等边缘检测算子对图像进行检测的效果进行了研究比较，从而显示出改进的边缘检测蚁群算法的优越性，证明了该方法的有效性。
1 边缘检测蚁群算法
1.1 蚁群算法基本原理
蚁群算法是由意大利科学家DORIGO M等人受自然界蚂蚁觅食过程启发而率先提出的一种新型搜索优化算法。昆虫学家经过观察发现，蚂蚁在觅食过程中能在走过的路径上释放一种分泌物（称为信息激素），那么在觅食过程中通过较短路径找到食物源的蚂蚁可以在相同时间内在自己经过的路径上留下更多的信息激素，以致该路径上的信息激素强度不断增强，从而影响后来的蚂蚁选择该路径的概率，更加增强了该路径上信息激素的强度，这样一个正反馈的过程就使得最终大多数蚂蚁都会选择这条最短的路径去搬运食物，这就是蚁群算法搜索寻优的过程。
1.2 边缘检测的具体算法及过程
边缘检测蚁群算法旨在利用一群蚂蚁在一张二维图像上运动（其运动方向是由所在像素点邻域位置的转移概率值来决定的），从而不断更新信息激素矩阵，然后由最终生成的信息激素矩阵推出图像的阈值，最后根据阈值将图像分成边缘和非边缘两部分，分别以0和1进行表示并输出图像。这种算法的整体流程图如图1所示。
人工蚂蚁具有记忆功能，能够记忆所走过的路径。蚂蚁在选择新的路径时必须把走过的路径排除。记忆路径长度反映了本算法对图像细节的敏感程度，其值越小，对图像中小目标即细节部分的分割效果越好，但容易使处在小目标边缘上的蚂蚁过早陷入无效循环运动；记忆路径长度值越大，检测出的小目标边缘会出现不连续现象。
1.2.3 信息激素的更新
本算法中有两处需要对信息激素矩阵进行更新。第1次更新是在每只蚂蚁行走一步之后，要对每个顶点上的信息激素强度进行更新。顶点（i，j）处信息激素强度依据式（9）更新：
使用Roberts、Sobel、Prewitt边缘算子对图像进行检测处理的结果如图7（a）、图7（b）、图7（c）所示。可以看出，Roberts算子提取边缘的结果边缘比较粗，间断点多，没有完整的米粒轮廓；Sobel算子对于灰度变化较小的部分没有检测出来，而且对边缘定位不是很准确；Prewitt算子检测方法所检测到的米粒轮廓边缘较宽，而且间断点多，细节处有明显失真。
采用改进的边缘蚁群算法的检测结果如图7（d）所示。可以看出，检测出的边缘连续性很好，完整性也占优势，同时具有较好的抗噪性能和边缘检测性能，鲁棒性强，能够得到比较细化、完整和连续的图像边缘。
实验结果表明，在对米样图像进行边缘提取时，采用改进的边缘蚁群算法能够较好地提取连续的大米轮廓边缘，得到稳定的边缘提取结果，具有适应性强、效率高和效果好等特点，为大米等级的分类做好了前期准备工作。
参考文献
[1] Tian Jing， Yu Weiyu， Xie Shengli. An ant colony optimization algorithm for image edge detection[C]. IEEE Congress on Evolutionary Computation， 2008：751-755.
[2] NEZAMABADI-POUR H， SARYAZDI S， RASHEDI E. Edge detection using ant algorithms[J]. Soft Computing， 2006（10）：623-628.
[3] LU D S， CHEN C C. Edge detection improvement by ant colony optimization[J]. Pattern Recognition Letters， 2008（29）：416-425.
[4] OTSU N. A threshold selection method from gray level histograms[J]. IEEE Transactions on Systems， Man and Cybernetics， 1979（9）：62-66.
[5] 张景虎，边振兴.基于蚁群算法的图像边缘检测研究[J].火力与指挥控制，2010，35（2）：115-118.
[6] 刘光蓉，周红，管庶安．基于图像处理技术的大米轮廓检测[J].粮食与饲料工业，2004（6）：14-15.
[7] 任景英，谢泽会.基于图像处理的大米粒形检测技术研究[J].农机化研究，2011（3）：198-200.
[8] 刘军，姚子建.用边缘检测算子实现图像边缘检测[J].福建电脑，2006，39（4）：759-763.