CN113744296A - 一种基于人工黏菌群体智能的图像边缘检测方法 - Google Patents

Abstract

一种基于人工黏菌群体智能的图像边缘检测方法，包括以下步骤：步骤1，图像边缘检测模型初始化；步骤2，黏菌群体分工检测图像边缘；步骤3，黏菌群体交叉学习图像边缘；步骤4，黏菌群体输出图像边缘检测结果。本发明将图像边缘检测问题描述为多食物源节点情况下的黏菌群体觅食问题，将图像中灰度梯度较大的点作为食物源，黏菌群体通过步骤2的分工检测和步骤3的交叉学习，不断更新黏菌群体所搜索到的图像边缘点或食物源信息，最终所有黏菌将集中到真正的图像边缘点上，并输出黏菌群体的所有图像边缘曲线。本发明通过模仿黏菌的觅食行为来求解图像边缘检测问题，以期提高图像边缘检测的精确度和效率。

Description

一种基于人工黏菌群体智能的图像边缘检测方法

技术领域

本发明属于计算机技术领域，具体说是一种基于黏菌群体智能的图像边缘检测方法。

背景技术

近二十年来,国内外学者提出了成百上千的图像边缘检测算法,在这些算法中,阈值技术是最流行的技术之一。经典的阈值边缘检测算法中,一幅图像通常根据所选择的阈值被分割为对象和背景。然而当图像结构复杂,灰度分布较广,则阈值分割效果不理想。基于阈值分割的边缘检测技术采用优化算法获得最优阈值后再进行边缘检测,如Otsu算法虽能获得较好的检测结果,但算法中不能反映出图像像素间的空间相关信息,因此很难获得满意的边缘检测效果。针对这一问题，有学者提出二维直方图技术,分别是像素灰度级分布及其邻域平均灰度分布,构成的直方图含有邻域空间信息,基于二维直方图的阈值分割也就是在利用图像像素间的空间相关信息上迈进了一步。还有学者提出用Otsu方法获得阈值趋于得到更接近聚类的结果,这种聚类是用一幅图像中大量的像素或方差进行聚类。另外，还提出最小类内方差的方法,这种方法是基于最小化类内像素方差获得的最优阈值，当图像受到外界环境的影响或噪声干扰时,这种方法就不是很可靠了。一幅图像中出现歧义性是由图像本性决定的,这种歧义性也来源与不确定性的出现。为了判定一个像素是归类为白还是黑，有的学者还提出定量衡量图像中呈现的模糊程度。

在基于目标函数的聚类边缘检测方法中,C均值聚类算法最为常用,其中,由于FCM算法(模糊C均值算法)更加符合实际情况,且具有良好的聚类性能,因此被许多研究人员应用于图像的边缘检测，但是用FCM算法进行图像边缘检测时存在对初始化敏感及容易陷入局部极小的两大缺陷。目前解决此问题的方法通常是根据一定的经验准则选取初始参数。在实际应用中,由于初始聚类中心和样本的输入次序对最终结果有重大影响,往往是用若干不同的初始聚类中心和聚类数目分别聚类,然后选择最满意的聚类作为最终结果。这种方法实验的次数和耗时往往令人难以接受，而且也不能保证全局最优。自上世纪90年代,出现了许多模仿昆虫群体社会行为的新算法,如蚁群算法、粒子群算法、鱼群算法和蜂群算法。如何利用这些群体智能来解决图像分割问题,也就成了研究热点。

黏菌优化算法的研究真正起源于2010年。同一年，西英格兰大学的AndrewAdamatzky教授也做了类似研究，使用燕麦片和黏菌(slime mold)绘制了14个国家的公路网。其研究后发现，比利时、加拿大和中国的高速公路网和黏菌计算的结果最为相似，而美国和非洲的交通网效率最低。近9年来，不少研究交通运输网络优化问题的学者就开始注意到黏菌来求解。2014年，Xiaoge Zhang等人发表了一篇改进的黏菌算法论文。在实验中，在迷宫出口和入口处放置黏菌的食物燕麦片，入口和出口间有长短不同的路径能够连接两处的食物源。然后，将黏菌放到迷宫里，黏菌最终能够找到迷宫出口，全程花费96小时。

黏菌个体天然就是一个具有细胞核节点的多分支黏变形体结构，借助黏菌群体的分工与合作，特别适合求解交通网络节点选择和网络优化问题。以上文献均使用真实的黏菌对问题进行求解，虽然有一些优势，但也有不少缺点。其一，使用真实黏菌求解问题花费的时间比较长(如Atsushi Tero等人研究成果中26小时，Xiaoge Zhang等人研究成果中96小时)。其二，直接使用黏菌求解问题需要专业的生物学技能和专业的设施、场地、设备，这是很多研究人员所缺乏的。其三，培养黏菌求解问题的精度也不够高，基本上都是使用培养皿作为地图和使用燕麦片颗粒作为节点，培养皿空间有限且燕麦片体积较大，加上培养液的影响，显然限制了求解精度。其四，养殖黏菌还需要占据宝贵的空间和时间和人力，配套复杂的环境调节设备、营养和水份供应，实验前的生长环境控制、实验设计、数据处理和实验后清理都需要花费成本和专业操作。

但到目前为止，市场上和各类文献中仍然没有发现一种基于黏菌群体智能的基于黏菌图像边缘检测方法。该算法不但具有智能搜索、全局优化能力，而且具有鲁棒性、正反馈、并行分布式计算等特点。

发明内容

本发明的目的是将黏菌优化算法引入图像边缘检测中，以提高图像边缘检测的精确度、鲁棒性及效率，而提出的一种基于人工黏菌群体智能的图像边缘检测方法。

一种基于人工黏菌群体智能的图像边缘检测方法，包括以下步骤：

步骤1，图像边缘检测模型初始化；将需边缘检测的目标图像转化为灰度图，初始化图像的灰度值，将图像边缘检测问题描述为多食物源节点情况下的黏菌群体觅食问题；

步骤2，黏菌群体分工检测图像边缘；

步骤3，黏菌群体交叉学习图像边缘；

步骤4，黏菌群体输出图像边缘检测结果。

在步骤1中，图像边缘检测模型初始化；将需边缘检测的目标图像转化为灰度图，初始化图像的灰度值，将图像边缘检测问题描述为多食物源节点情况下的黏菌群体觅食问题；图像中灰度梯度较大的点即为图像边缘点，又称食物源；多只黏菌初始化时以随机方式分布在图像中不同位置，黏菌群体以分布式搜索方式实现图像边缘检测；初始化黏菌群体的营养浓度值，图像中图像边缘点表示营养浓度更高的食物源，反之，图像中灰度梯度较小的点表示营养浓度更低的食物源；

在步骤2中，黏菌群体分工检测图像边缘；多个黏菌的黏变形体在图像上不同位置开始不断寻找食物源，图像中图像边缘点或食物源能够为黏菌群体提供更高的营养浓度，黏变形体在随机搜索中更容易聚集在灰度梯度更大的点或食物源上；黏菌群体能够互相分工，通过每个黏菌个体的多个黏变形体寻找周边的图像边缘点或食物源，单只黏菌的多个黏变形体在图像上搜索梯度较大的食物源的行为是随机的，黏菌群体中多个黏菌各自的黏变形体能够并行工作，分布式搜索图像边缘的食物源；

在步骤3中，黏菌群体交叉学习图像边缘；多个黏菌的黏变形体在图像上不同位置可能会出现交叉，交叉的不同黏菌的黏变形体能够互相学习营养浓度信息；单只黏菌能够通过黏变形体的互相交叉学习到其他黏菌搜索到的附近食物源或图像边缘点，不同黏菌的不同黏变形体更容易聚集到与之交叉的其他黏菌发现的灰度梯度更大的点或食物源上；黏菌群体的单只黏菌根据交叉学习的情况，更新黏菌黏变形体上的食物源或图像边缘点信息，更新黏菌群体的交叉信息和营养浓度信息；

在步骤4中，黏菌群体输出图像边缘检测结果；黏菌群体通过步骤2的分工检测和步骤3的交叉学习，不断更新黏菌群体所搜索到的图像边缘点或食物源信息，提取黏菌群体的所有图像边缘曲线，并判断是否结束搜索，如是则将本次黏菌群体搜索到的图像边缘曲线输出，作为最终的黏菌群体的图像边缘检测结果；优选地，使用预定的循环次数来判断黏菌群体是否结束搜索，当预定的循环次数已经达到，则黏菌群体图像边缘检测结束；如未达到预定的循环次数，则更新黏菌群体的营养物质浓度值，并返回步骤2的黏菌群体分工检测和步骤3的黏菌群体交叉学习。

在步骤1中，在进行图像边缘检测模型初始化时，具体包括以下步骤：

步骤1-1，将目标图像转化为灰度图；

首先，获取需边缘检测的目标图像；图像边缘检测可以建模为随机分布在目标图像上的黏菌群体搜索食物源的过程，不同像素点具有不同的营养浓度；

其次，对目标图像的像素点进行预处理；将目标图像转换为灰度图像，并计算不同像素点的灰度梯度；在图像边缘点上营养浓度较大，在非图像边缘点上，图像的灰度梯度较小，营养浓度较小，甚至为0；将灰度图像中的每一个像素点看成是一个数据样本,将该点灰度值处理后构成其边缘点信息的特征向量；

再次，将预处理后的目标图像转换为黏菌群体的食物源特征向量；图像中灰度梯度较大的点即为图像边缘点，又称食物源；给定原始图像X,每个像素点X_i(i＝1,2,…n)看作是食物源C，具有不同营养浓度值，从而构造一个描述边缘点信息的特征向量，即黏菌群体的食物源特征向量；进一步地，可使用Sobel算子来获取可能的边缘节点；进一步地，每个食物源是还可结合灰度值、灰度梯度值和邻域特征构建三维向量，为每个像素点构建三维边缘点特征向量，形成具有三维特征的数据集，为黏菌群体觅食提供更精确的食物源特征向量；

步骤1-2，黏菌群体初始化；

首先，对黏菌个体的数量和位置进行初始化；设置黏菌群体中包含的黏菌个体数量，通常为大于1的整数；每个黏菌个体的细胞核随机分布于图像的像素上，并记录每一个黏菌个体的初始位置和对应的像素点坐标；

其次，对黏变形体的搜索方向进行初始化；黏菌群体使用多只黏菌个体搜索图像边缘点，模仿黏菌群体活动的分工合作行为；每个黏菌个体使用多条黏变形体搜索图像边缘点，每个黏菌个体的黏变形体数量初始化为整数随机数，以便各自向不同方向搜索食物源或图像边缘点；

再次，在每个阶段搜索时，黏菌群体以上一阶段搜索的局部最优解为起点，在邻域内扩张搜索新的食物源或图像边缘点，依次不断循环，直至检测到全部边缘点或达到中止条件为止；

步骤1-3，初始化黏菌群体的营养浓度值；

为每个黏菌个体建立图像边缘点集合；黏菌初始化时，每个黏菌个体或每个黏变形体搜索到的食物源或图像边缘点集合设为空集，即初始化没有找到任何食物源；每条黏变形体的营养浓度值初始化为0，即没有任何营养浓度从外界食物源吸收到黏变形体内。

在步骤2中，在黏菌群体分工检测图像边缘时，具体包括以下步骤：

步骤2-1，黏菌群体分工；

首先，黏菌群体的每个黏菌个体自行分工，分别对初始化后的图像进行图像边缘检测，并将搜索到的图像边缘点添加到黏菌个体所搜索到的图像边缘点集合中；

其次，所有黏菌个体更新搜索到的图像边缘点集合，并构成整个黏菌群体所搜索到的图像边缘点集合；

步骤2-2，黏变形体随机搜索；

首先，每个黏菌的多条黏变形体也自行分工，每条黏变形体在目标图像上向周围随机搜索图像边缘点，将图像边缘点上的营养运输回体内，并将搜索到的图像边缘点添加到黏菌个体的图像边缘点集合中；每个黏菌个体的不同黏变形体在图像边缘检测中的随机行为能够学习到整个目标图像的局部信息；

其次，每个黏菌个体所有黏变形体搜索到的图像边缘点集合，构成了单个黏菌个体所搜索到的图像边缘点集合；单只黏菌的不同黏变形体搜索行为是随机的、分布的，而且单个黏菌个体的不同黏变形体能够互相学习，知道本黏菌周围的图像边缘点分布情况，并及时更新本黏变形体的营养浓度值；

再次，灰度梯度较大的图像边缘点能够向黏菌运输更多的营养，与较高营养浓度的图像边缘点相连接的黏变形体在学习和正反馈作用下，能够不断加强与之相连的黏变形体的营养浓度值。

在步骤3中，在进行黏菌群体交叉学习图像边缘时，具体包括以下步骤：

步骤3-1，黏菌群体交叉；

由于每个黏菌的不同黏变形体在图像边缘检测中的随机搜索，导致不同黏菌个体的黏变形体可能出现交叉，不同黏菌个体的黏变形体能够通过交叉点学习其他黏菌个体的黏变形体营养浓度信息；不同黏菌个体的不同黏变形体在图像边缘检测中的交叉行为能够学习到整个目标图像的全部信息；

子步骤3-2，交叉的黏变形体互相学习；

不同黏菌个体的黏变形体在交叉点上营养浓度趋于一致；其中，原来营养浓度较低的黏变形体会在交叉点从较高营养浓度的黏变形体中吸收营养，从而提高本黏变形体的营养浓度值；反之，原来营养浓度较高的黏变形体会在交叉点将营养运输到较低营养浓度的黏变形体中，从而降低了本黏变形体的营养浓度值；因此，不同黏菌个体通过黏变形体的交叉，从其他黏菌个体处学习到了自己未搜索到的图像边缘点信息；

子步骤3-3，更新黏菌群体的交叉信息和营养浓度信息；

首先，在交叉点上的所有黏菌的黏变形体都需要更新营养浓度信息，并将交叉点添加到黏菌个体搜索到的图像边缘点集合中；

其次，由于黏变形体本身也会消耗营养，营养浓度也会相应降低；在远离图像边缘点处的黏变形体会因为营养的消耗而逐渐衰竭，甚至收缩而消失；反之，在图像边缘点处的黏变形体会从图像边缘点处吸收营养而提高营养浓度；

再次，更新交叉点处的营养浓度。

在步骤4中，在黏菌群体输出图像边缘检测结果时，具体包括以下步骤：

步骤4-1，判断是否结束搜索；

黏菌群体通过步骤2的分工检测和步骤3的交叉学习，不断搜索目标图像上的图像边缘点，并由于自身的营养消耗而远离无图像边缘点的区域；进一步地，可以设置一个循环次数作为图像分割结束条件，判断黏菌群体的图像分割是否已经完成；如果预设的循环次数已经达到，黏菌群体将所有黏变形体搜索到的图像边缘点集合输出，本次图像分割任务完成；

子步骤4-2，反之，如果预设的循环次数未达到，则返回步骤2的黏菌群体分工检测和步骤3的黏菌群体交叉学习，不断循环迭代计算，直至符合图像分割结束条件。

特征向量是通过利用图像边缘点具有的邻域内灰度分布有序性、灰度突变具有结构性及方向性构造而成；

所述邻域内灰度分布有序性、灰度突变具有结构性及方向性分别为：

1)邻域一致性分量：

图像边缘点邻域内的灰度分布和非边缘点邻域内的灰度分布不同,边缘点邻域内灰度分布差异较大，设图像当前像素点的坐标为(i,j),灰度值为gray(i,j)，以其为中心的邻域Ne＝{(x,y)||x-i|≤L,|y-i|≤L}中,L是邻域长度的一半,过中心点(i,j)以方向θ_k将该邻域分成两个部分K_Ne1和K_Ne2，其中,0°≤θ_k≤180°,k＝1,2,…N，定义邻域一致性分量为Ne(i,j)＝max{|Gray_k1-Gray_k2|},

k＝1,2,…N，其中中,Gray_k1，Gray_k2分别为线素方向θ_k两侧的灰度平均值；

2)结构性分量：

设图像当前像素点的坐标为(i,j),以其为中心的邻域Ne(i,j)＝max{|Gray_k1-Gray_k2|}中,L是邻域长度的一半,l_θ是过中心点且角度为θ的一条直线,定义结构性分量为

其中，gray(m,n)表示点(m,n)处的梯度幅值；

3)方向性分量：

设图像当前像素点的坐标为(i,j),在以其为中心的邻域Ne＝{(x,y)||x-i|≤L,|y-i|≤L}中,L是邻域长度的一半,l_θ是过中心点且角度为θ的一条直线,l_θ将该邻域分成两部分K_V1和K_V2,定义方向性信息测度分量为

其中

这样可以得到描述边缘点特征的三维向量，那么食物源可以表示为C_j(V,G,Ne),j＝1,2…n。

一种图像边缘检测模型的初始化方法，包括以下步骤：

步骤1-1，将目标图像转化为灰度图；

步骤1-2，黏菌群体初始化；

步骤1-3，初始化黏菌群体的营养浓度值；

在步骤1-1中，采用以下步骤：

首先，获取需边缘检测的目标图像；图像边缘检测可以建模为随机分布在目标图像上的黏菌群体搜索食物源的过程，不同像素点具有不同的营养浓度；

其次，对目标图像的像素点进行预处理；将目标图像转换为灰度图像，并计算不同像素点的灰度梯度；在图像边缘点上营养浓度较大，在非图像边缘点上，图像的灰度梯度较小，营养浓度较小，甚至为0；将灰度图像中的每一个像素点看成是一个数据样本,将该点灰度值处理后构成其边缘点信息的特征向量；

再次，将预处理后的目标图像转换为黏菌群体的食物源特征向量；图像中灰度梯度较大的点即为图像边缘点，又称食物源；给定原始图像X,每个像素点X_i(i＝1,2,…n)看作是食物源C，具有不同营养浓度值，从而构造一个描述边缘点信息的特征向量，即黏菌群体的食物源特征向量；每个食物源是还可结合灰度值、灰度梯度值和邻域特征构建三维向量，为每个像素点构建三维边缘点特征向量，形成具有三维特征的数据集，为黏菌群体觅食提供更精确的食物源特征向量。

在步骤1-2中，在进行黏菌群体初始化时，采用以下步骤；

首先，对黏菌个体的数量和位置进行初始化；设置黏菌群体中包含的黏菌个体数量，通常为大于1的整数；每个黏菌个体的细胞核随机分布于图像的像素上，并记录每一个黏菌个体的初始位置和对应的像素点坐标；

其次，对黏变形体的搜索方向进行初始化；黏菌群体使用多只黏菌个体搜索图像边缘点，模仿黏菌群体活动的分工合作行为；每个黏菌个体使用多条黏变形体搜索图像边缘点，每个黏菌个体的黏变形体数量初始化为整数随机数，以便各自向不同方向搜索食物源或图像边缘点；

再次，在每个阶段搜索时，黏菌群体以上一阶段搜索的局部最优解为起点，在邻域内扩张搜索新的食物源或图像边缘点，依次不断循环，直至检测到全部边缘点或达到中止条件为止。

在步骤1-3中，在初始化黏菌群体的营养浓度值时，采用以下步骤；

为每个黏菌个体建立图像边缘点集合；黏菌初始化时，每个黏菌个体或每个黏变形体搜索到的食物源或图像边缘点集合设为空集，即初始化没有找到任何食物源；每条黏变形体的营养浓度值初始化为0，即没有任何营养浓度从外界食物源吸收到黏变形体内。

采用上述技术方案，能带来以下技术效果：

1)发明通过计算机仿真黏菌群体觅食行为，快速求得图像边缘检测的边缘点，而且真实的黏菌几乎无法用于求解图像边缘检测问题；本仿真方法省去了使用真实黏菌群体求解问题时涉及的黏菌群体养殖、实验设计、生物学专业操作、实验后处理等所产生的各种问题，大大方便了各类研究问题求解；

2)本发明具有群体智能特性，适合图像分割这种节点特别多的复杂问题求解；深入挖掘没有大脑的黏菌群体觅食行为的内部机理，并用于图像边缘检测问题，建立比较完整的黏菌群体觅食生物学行为的数学模型；人工黏菌算法中黏变形体和黏菌个体搜索的过程彼此独立，仅通过营养浓度值进行通信。因此人工黏菌群体算法可看作是一个分布式多Agent***，它在图像边缘检测问题空间的多点同时开始独立的解搜索，不仅增加了算法的可靠性，也使得算法具有较强的全局搜索能力。

3)本发明能有效提高整个图像边缘检测的效果和效率，减少了图像处理的成本；不同的人工黏菌在图像边缘检测求解过程中行为并不相同，不仅有自身的随机搜索和局部学习，也有和其他黏菌的交叉和全局学习，整个黏菌群体共同分工和合作完成图像边缘检测，而整个图像边缘检测问题的求解不会因为某只人工黏菌无法成功获得解而受到影响；

4)本发明求解图像边缘检测问题时完全不同于传统的人工智能和机器学习理论，借助无脑黏菌群体的觅食过程和分工合作，能够完成图像的边缘检测、学习和优化，从而为人工智能理论和机器学习理论提供新的研究方法工具。

附图说明

下面结合附图和实施例对本发明作进一步说明：

图1是本发明的方法步骤图；

图2是本发明中实施例使用的测试图片；

图3是本发明中实施例得到的实验结果。

具体实施方式

如图1所示，为一种基于黏菌群体智能的图像边缘检测方法所用的黏菌群体仿生结构图，模仿了单细胞黏菌群体在觅食过程中的分工和合作行为，根据营养物质浓度来提取真实的边缘曲线。将多个像素点模拟成多个外部食物源，将需边缘检测的目标图像的链路模仿成黏变形体，将图像模拟成覆盖所有外部食物源的黏菌群体原质团，将图像边缘检测的过程模拟成黏菌群体运输体内营养物质，将图像像素点聚类优化问题模拟成黏菌群体觅食优化问题。

优选地，黏菌群体对应于图像边缘点选择问题的可行解集合；黏菌个体对应于图像边缘点选择问题的单个可行解；各黏菌的细胞核随机的散落在个像素点，即个体搜索到的最优解节点；黏菌个体自身营养物质约束对应于单个解的搜索范围；黏菌群体原质团对应于图像边缘；外部食物源对应于解空间中待归类的像素点；非食物源对应于目标图像中非图像边缘点的节点或区域；黏变形体对应于目标图像之间的图像边缘；黏菌群体运输体内营养物质对应于图像灰度梯度变化；黏菌个体的移动对应于单个解的搜索；交叉操作对应于黏菌群体寻找不同可行解时以一定的概率进行联系和传递消息；合并操作对应于黏菌群体寻找可行解时能够共享食物源；收缩操作对应于黏菌群体的黏变形体以一定比率减少联系。

步骤1，图像边缘检测模型初始化，包括子步骤1-1，子步骤1-2，子步骤1-3；

子步骤1-1，将目标图像转化为灰度图；优选地，使用Sobel算子求解图像的灰度梯度值；该算子包括两组3×3的矩阵，分别为横向以及纵向，将图像X作平面卷积，即可分别得出横向纵向的亮度差分近似值G_x，G_y。G＝|G_x|+|G_y|,当G大于阈值G_MIN的时候,(x,y)作为可能的边像素点，即以下步骤作为黏菌的可选食物源，可定义为：C＝{(x₀,y₀),(x₁,y₁)…(x_N-1,y_N-1)}＝{t₀,t₁,…t_N-1},N为候选开始点的总数，候选起始点被选中的概率依赖它的梯度幅值。

子步骤1-2，黏菌群体初始化；每个黏菌个体随机分布于目标图像像素点上，每个黏菌个体自行分工，在各自所处位置上进行原质团扩张操作完成觅食，即找到图像边缘点；优选地，每个黏菌个体细胞核的候选起始点t_i引入一个连续随机变量称为活动变量，例如v_i是候选起始点t_i的活动变量，它表示候选起始点被选为搜索起始点的优先级，此连续随机变量v_i的概率密度函数为与对应候选起始点的梯度幅值f_i相关的指数分布：

在黏菌算法的每一个循环中，通过反复执行下述随机选择过程。

优选地，黏菌个体细胞核随机地散落在图像上任何区域，为所有的黏菌确定搜索起始点：首先将活动变量赋给每个候选起始点，并且对每一个活动变量v_i，都由它的随机变量产生器产生一个实现值u_i；然后扫描所有的实现值，寻找最小值u_i，对应的候选起始点t_j被定为搜索起始点，其坐标为(x_j,y_j)。将路径信息的黏菌体内营养浓度值置为0，即τ_ij(0)＝0；

优选地，根据黏菌个体细胞核在图像中的位置可以建立黏菌个体的坐标矩阵，即每个黏菌个体k(k＝1,2…m)细胞核坐标为NODE矩阵随机值RAND{(x_k,y_k)∈NODE|k＝1,2…m}；具体实验个数m。

子步骤1-3，初始化黏菌群体的营养浓度值；

在初始化时，黏菌群体的营养浓度值均为0。当黏菌完成一次搜索后，访问路径的营养浓度及黏菌体内的营养物质被运输和消化，从节点(r,s)到节点(i,j)路径上的信息更新为：

其中ω_max为营养物质极大值，

表示本次循环从节点(r,s)到(i,j)路径上的增量。

其中m为黏菌数量，

表示黏菌k在本次循环中留下的营养浓度。启发信息为：

其中f_(i,j)，θ_(i,j)为节点(i,j)的梯度幅值与相位角度。由于营养物质浓度的更新，对于离图像边缘点较近的黏变形体，其营养物量较突出。

步骤2，黏菌群体分工检测图像边缘，包括子步骤2-1，子步骤2-2；

子步骤2-1，黏菌群体分工；

黏菌群体的不同黏菌个体搜索的扩展点在其当前节点的3×3邻域内随机选择，黏菌个体搜索的每一像素点，它能感知以下两种信息，一种是从当前节点到其8邻域点的路径上分布的营养浓度；另外一种是每一路径所对应节点的梯度幅值与相位构成的启发信息。在搜索过程中，黏菌的黏变形体根据各路径上的营养浓度及路径的启发信息来计算转移概率令R为节点(r,s)8邻域点的集合。

子步骤2-2，黏变形体随机搜索；

黏菌在随机搜索过程中，黏变形体从节点(r,s)到节点(i,j)∈R的转移概率为

其中

与

分别表示像素点之间路径上的黏变形体内营养物质量和启发信息。α、β分别为像素聚类过程中所积累的信息以及启发引导函数对路径选择的影响因子，在黏菌原生质体转移时相对重要。S＝{X_S|D_sj≤r,s＝1,2,…N}为可行性路径集合。

α为信息启发因子，反映了黏菌原生质体在向另一个像素点转移时，这目标像素点所累积的营养物质在指导黏菌搜索中选择像素点转移时的相对重要程度，反映了黏菌在路径搜索中随机性因素作用的强度；β为期望值启发式因子，反映了黏菌在搜索过程中启发信息在指导黏菌搜索中的相对重要程度，期望值启发因子β的大小反映了黏菌群体在道路搜索中先验性、确定性因素作用的强度，其值越大，黏菌在某个局部点上选择局部最短路径的可能性越大。虽然它使搜索的收敛速度得以加快，但黏菌在最优路径的搜索过程中随机性减弱，容易陷入局部最优；扩展点的选择具有优先级，对节点(r,s)的8邻域点引入8个联系随机变量表示黏菌搜索邻域时优先级

它的概率密度如下：

步骤3，黏菌群体交叉学习图像边缘，包括子步骤3-1，子步骤3-2，子步骤3-3；

子步骤3-1，黏菌群体交叉；

模仿黏菌群体活动的分工合作行为。黏菌群体以步骤2中局部最优解为起点，在邻域内搜索营养浓度比图像边缘点还大的像素点，一直作为起点一次循环下去，直至达到结束条件，将所有做过起点的点标记起来就构成了图像的边缘信息。黏菌群体通过学习自己过去的经验以及其他黏菌共享的信息，更新自己黏变形体的位置，一方面黏菌根据自己所处的位置，以个体学习概率学习自己黏变形体搜索到的像素点信息，并移动到下一个像素点，尝试寻找更优的像素点；另一方面通过黏菌个体与个体之间的交叉、合作、收缩等操作，以邻居学习概率学习更远的邻居黏菌个体觅食信息和像素点信息，供自己黏变形体移动选择；对每一组聚类中心进行适应度排序，适应度越大，黏菌个体聚集效果越好；在这个步骤中，非图像边缘的像素点具有营养浓度值低，黏菌个体密度低的特点，且随着黏菌群体的不断移动，该部分像素点上的黏菌变形体越来越少，每当有一个黏菌个体离开，则该像素点的上营养物质就越低；反之，真正的图像边缘点上的营养物质浓度就越高，黏菌数量也可能更多，即黏菌形体更容易在真正的图像边缘点上形成交叉。黏变形体每次移动，营养浓度信息也随之更新。

由于黏变形体的随体行为，容易发生交叉，通过控制交叉的几率，可以控制黏菌群体的全局搜索能力。对每一个随机变量

都有它的随机变量产生器产生一个实现值

然后扫描所有的实现值，寻找具有最小值的

对应节点(r,s)被定义为搜索点。计算该节点的邻域节点(i,j)被选择为搜索像素点的概率

交叉概率大的节点容易被选作为图像边缘点。

子步骤3-2，交叉的黏变形体互相学习；

在黏变形体交叉学习的过程，需要检测该交叉点是否满足图像边缘点，如果满足，那么该点被添加到黏菌群体的边缘检测点集合中，否则将选择下一个扩展点。假设一只黏菌当前的搜索轨迹(r,s)，在其8邻域中选择，若对所有的(i,j)∈R，活动变量

的实现值

满足：

其中

S_max为停止阈值。由于多只黏菌在交叉点处共享图像边缘信息，加上黏变形体活动过程中的营养消耗，最终导致黏菌群体搜索的路径随循环次数的增加逐渐向真实的图像边缘收敛，也就是在达到指定循环次数W后如果节点(r,s)到(i,j)的营养物质量达到：

时定位为真实边缘点，ω_min为判断门限值，根据标记的边缘点可提取边缘。

子步骤3-3，更新黏菌群体的交叉信息和营养浓度信息；

将图像边缘检测问题描述为多食物源节点情况下的黏菌群体觅食问题；通过黏菌群体的随机搜索和交叉学习突出边缘信息；根据黏菌群体搜索曲线的距离更新黏菌黏变形体上的营养浓度分布，使搜索逐渐向真实的边缘收敛；

步骤4，黏菌群体输出图像边缘检测结果，包括子步骤4-1，子步骤4-2；

子步骤4-1，判断是否结束搜索；

黏菌搜索的终止条件点是沿其搜索轨迹的连续局部边缘曲线的端点，黏菌搜索中止条件用以标志某只黏菌当前搜索过程的结束。

子步骤4-2，返回迭代计算；

如不符合结束条件，则返回步骤2和步骤3进行迭代计算。本方法模仿了黏菌群体觅食过程中的信息传输、共享机制、和迭代计算过程，不但能够反复利用最有效的食物运输网络(营养物质浓度高)，还能在不成功的线路上用化学物质(例如黏液)标记。本方法模仿了黏菌群体觅食扩张时的信息传递机制，在已经探索过的路径上如没有发现外部食物源，原质团和黏变形体将会收缩，并留下化学物质(例如亲和性不好的黏液)，其他黏菌的黏变形体接触到该黏液便自行收缩，促使所有黏菌群体的原质团和黏变形体将向其他未探索过的区域(如无黏液)扩张，扩大范围继续寻找外部食物源。

如图2和图3所示，为一种基于黏菌群体智能的图像边缘检测方法的一个实施例。图2是原始图像，来源于国内外图像研究常用的数据库，图3是本发明方法实施图像边缘检测后的结果图像。实验结果表明，一种基于人工黏菌群体智能的图像边缘检测方法能够顺利完成图像边缘检测任务，检测结果符合预期的要求。

步骤1，图像边缘检测模型初始化，利用传统的图像边缘检测算法获取可能边缘节点。即包含了N个局部最优解。这些解对应于散布再图像各边缘上的像素点即局部的候选最优食物源。

子步骤1-1，将目标图像转化为灰度图；给定原始图像X,每个像素点X_i(i＝1,2,…n)看作是食物源C,利用图像边缘点的这三个本质特征构造其特征向量。那么食物源可以表示为C_j(V,G,Ne),j＝1,2…n。

子步骤1-1a：Sobel算子图像边缘检测。

子步骤1-1b：构造两组3×3的矩阵，分别为横向以及纵向，将图像X作平面卷积，即可分别得出横向纵向的亮度差分近似值G_x，G_y。

子步骤1-1c：G＝|G_x|+|G_y|,当G大于阈值G_MIN的时候,(x,y)作为可能的边像素点。

子步骤1-1d：定义黏菌的可选食物源为：C＝{(x₀,y₀),(x₁,y₁)…(x_N-1,y_N-1)}＝{t₀,t₁,…t_N-1},N为候选开始点的总数，候选起始点被选中的概率依赖它的梯度幅值。

子步骤1-2，黏菌群体初始化；

每个候选起始点t_i引入一个连续随机变量称为活动变量，例如v_i是候选起始点t_i的活动变量，它表示候选起始点被选为搜索起始点的优先级，此连续随机变量v_i的概率密度函数为与对应候选起始点的梯度幅值f_i相关的指数分布：

在黏菌算法的每一个循环中，通过反复执行下述随机选择过程。

子步骤1-3，初始化黏菌群体的营养浓度值；模仿黏菌群体活动的信息传递行为。

步骤2，黏菌群体分工检测图像边缘，模仿黏菌群体活动的分工行为。

子步骤2-1，黏菌群体分工；

子步骤2-1a：黏菌个体随机的散落在可能的边缘点上，为所有的黏菌确定搜索起始点：首先将活动变量赋给每个候选起始点，并且对每一个活动变量v_i，都由它的随机变量产生器产生一个实现值u_i；然后扫描所有的实现值，寻找最小值u_i，对应的候选起始点t_j被定为搜索起始点，其坐标为(x_j,y_j)。将路径信息的黏菌体内营养浓度值置为0，即ω_ij(0)＝0，初始化黏菌群体参数。

子步骤2-1b:将各个黏菌细胞核随机放置于图像之中，即每个黏菌个体k(k＝1,2…m)细胞核坐标为NODE矩阵随机值RAND{(x_k,y_k)∈NODE|k＝1,2…m}；具体实验个数m。

子步骤2-2，黏变形体随机搜索

子步骤2-2a：在搜索过程中，黏菌黏变形体根据各路径上的营养浓度及路径的启发信息来计算转移概率令R为节点(r,s)8邻域点的集合，黏菌从节点(r,s)到节点(i,j)∈R的转移概率为

其中

与

分别表示像素点之间路径上的黏变形体内营养物质量和启发信息。本例中α值取为1。β取0.1。

子步骤2-2b：计算并选择扩展点的的概率，对节点(r,s)的8邻域点引入8个联系随机变量表示黏菌搜索邻域时优先级

它的概率密度如下：

步骤3，黏菌群体交叉学习图像边缘，模仿黏菌群体活动的合作行为。

子步骤3-1，黏菌群体交叉；

子步骤3-1a：交叉点的选择，需要通过以下两步：首先对每一个随机变量

都有它的随机变量产生器产生一个实现值

然后扫描所有的实现值，寻找具有最小值的

对应节点(r,s)被定义为交叉点。计算该节点的邻域节点(i,j)被选择为交叉点的概率

营养浓度较高的像素点容易被选作为交叉点，即图像灰度梯度较大的点容易成为交叉点为多只黏菌所分享。

子步骤3-1b：当黏菌完成一次搜索后，访问路径的营养浓度及黏菌体内的营养物质被运输和消化，从节点(r,s)到节点(i,j)路径上的信息更新为：

子步骤3-2，交叉的黏变形体互相学习；

子步骤3-2a：计算增量：

子步骤3-2b：计算启发信息为：

其中f_(i,j)，θ_(i,j)为节点(i,j)的梯度幅值与相位角度。

子步骤3-3，更新黏菌群体的交叉信息和营养浓度信息；

步骤4，黏菌群体输出图像边缘检测结果，判断是否中止图像边缘检测。

子步骤4-1，判断是否结束搜索；

子步骤4-1a：优选地，使用循环变量来判断是否中止图像边缘检测。图3使用200次循环作为边缘检测的终止条件。优选地，也可使用阈值判断是否终止边缘检测；进一步地，假设一只黏菌当前的搜索轨迹(r,s)，在其8邻域中选择，若对所有的(i,j)∈R，活动变量

的实现值

满足：

其中

S_max为停止阈值。当达到搜索阈值，则边缘检测终止。

子步骤4-1b：黏菌搜索的路径随循环次数的增加逐渐向真实的边缘收敛，在达到指定循环次数W后如果节点(r,s)到(i,j)的营养物质量达到：

时标记为真实边缘点，ω_min为判断门限值，根据定位标记的边缘点可向用户输出边缘检测结果。

图2、3可以看出该方法在对图像进行图像边缘检测时较好的模拟了生物界黏菌感知周围环境运输体内营养物质特性，该方法能够用于图像边缘检测问题，此方法可有效抑制噪声干扰，最大限度的保留细节信息,以达到有效提取图像边缘的目的。

子步骤4-2，反之，如果预设的循环次数未达到，则返回步骤2的黏菌群体分工检测和步骤3的黏菌群体交叉学习，不断循环迭代计算，直至符合图像分割结束条件。

本方法在求解过程中，模仿黏菌群体模型中不同黏菌个体在觅食过程中的分工与合作，主要完成以下几个功能：

1.使用黏菌群体的觅食聚集行为模拟图像边缘检测问题。在本方法中，将图像边缘检测模仿成为多个黏菌组成的有机体群体，图像边缘检测的拓扑结构模仿黏菌群体觅食网络的拓扑结构，由黏菌群体根据食物源远近自行分工就近寻找附近食物，以便以最小的代价找到最多的外部食物源。进一步地，图像的聚类能够模仿黏菌群体对不同亲和性的外部食物源或非食物源产生的不同应激反应，即包围外部食物源以进食，以及离开非食物源；进一步地，交通网络能够模仿黏菌群体在分工合作中的不同应激反应，即交叉、合并、收缩。

2.使用不同区域划分模仿黏菌群体确认食物节点。图像的边缘曲线模仿了黏菌群体原质团在寻找外部食物源时遇到的食物和非食物物体，如无机物、盐和其它原质团。不同的物质与黏菌群体接触时的亲和性不同，黏菌经过漫长的进化过程，已经具备了通过亲和性来识别不同物质的能力。在本方法中，交通网络节点能够模仿黏菌群体原质团和黏变形体通过亲和性和生化反应判断食物和非食物的特征，交通网络还能够模仿黏菌群的分工合作和对外部食物源的共享，黏菌群通过共享信息就近扩张或收缩，从而包围外部食物源并离开无食物源或非食物源的区域。

3.使用图像的边缘检测模仿黏菌群体在拓扑节点上的移动和选择行为。交通网络收缩成最优拓扑结构模仿了黏菌群体原质团寻找外部食物源的概率性搜索过程，以及共享外部食物源和运输网络的行为，以便多个黏菌共同通过进食网络分享和消化吸收外部食物源，并以最优的通道结构将营养物质运输回体内。在黏菌群体进食的整个过程中，体内营养物质能够从某个黏菌体内通过黏变形体的合并而流入到另一个黏菌体内，实现图像边缘信息的共享和链路的多黏菌复用。

4.模仿黏菌群体使用体内营养物质传递拓扑信息。另一方面，本方法模仿了黏菌群体进食收缩时的信息传递机制，如果已经找到外部食物源，则将外部食物源转化为体内营养物质运输回体内，运输营养物质的路线上体内营养物质的浓度要高于周围区域，所有黏菌群体能够共享运输链路，并进一步收缩到体内营养物质浓度较高的运输路线上。当探索到新的外部食物源时，黏菌群体会尽可能利用其他黏菌已经形成的黏变形体运输路线，这样重要节点和重要运输路线上的黏变形体中营养物质浓度将进一步得到正反馈加强。

Claims (9)

1.一种基于人工黏菌群体智能的图像边缘检测方法，其特征在于，包括以下步骤：

步骤1，图像边缘检测模型初始化；将需边缘检测的目标图像转化为灰度图，初始化图像的灰度值，将图像边缘检测问题描述为多食物源节点情况下的黏菌群体觅食问题；

步骤2，黏菌群体分工检测图像边缘；

步骤3，黏菌群体交叉学习图像边缘；

步骤4，黏菌群体输出图像边缘检测结果。

2.根据权利要求1所述的方法，其特征在于，在步骤1中，在进行图像边缘检测模型初始化时，具体包括以下步骤：

步骤1-1，将目标图像转化为灰度图；

首先，获取需边缘检测的目标图像；图像边缘检测可以建模为随机分布在目标图像上的黏菌群体搜索食物源的过程，不同像素点具有不同的营养浓度；

其次，对目标图像的像素点进行预处理；将目标图像转换为灰度图像，并计算不同像素点的灰度梯度；在图像边缘点上营养浓度较大，在非图像边缘点上，图像的灰度梯度较小，营养浓度较小，甚至为0；将灰度图像中的每一个像素点看成是一个数据样本,将该点灰度值处理后构成其边缘点信息的特征向量；

再次，将预处理后的目标图像转换为黏菌群体的食物源特征向量；图像中灰度梯度较大的点即为图像边缘点，又称食物源；给定原始图像X,每个像素点X_i(i＝1,2,…n)看作是食物源C，具有不同营养浓度值，从而构造一个描述边缘点信息的特征向量，即黏菌群体的食物源特征向量；进一步地，可使用Sobel算子来获取可能的边缘节点；进一步地，每个食物源是还可结合灰度值、灰度梯度值和邻域特征构建三维向量，为每个像素点构建三维边缘点特征向量，形成具有三维特征的数据集，为黏菌群体觅食提供更精确的食物源特征向量；

步骤1-2，黏菌群体初始化；

首先，对黏菌个体的数量和位置进行初始化；设置黏菌群体中包含的黏菌个体数量，通常为大于1的整数；每个黏菌个体的细胞核随机分布于图像的像素上，并记录每一个黏菌个体的初始位置和对应的像素点坐标；

其次，对黏变形体的搜索方向进行初始化；黏菌群体使用多只黏菌个体搜索图像边缘点，模仿黏菌群体活动的分工合作行为；每个黏菌个体使用多条黏变形体搜索图像边缘点，每个黏菌个体的黏变形体数量初始化为整数随机数，以便各自向不同方向搜索食物源或图像边缘点；

再次，在每个阶段搜索时，黏菌群体以上一阶段搜索的局部最优解为起点，在邻域内扩张搜索新的食物源或图像边缘点，依次不断循环，直至检测到全部边缘点或达到中止条件为止；

步骤1-3，初始化黏菌群体的营养浓度值；

为每个黏菌个体建立图像边缘点集合；黏菌初始化时，每个黏菌个体或每个黏变形体搜索到的食物源或图像边缘点集合设为空集，即初始化没有找到任何食物源；每条黏变形体的营养浓度值初始化为0，即没有任何营养浓度从外界食物源吸收到黏变形体内。

3.根据权利要求1所述的方法，其特征在于：

在步骤2中，在黏菌群体分工检测图像边缘时，具体包括以下步骤：

步骤2-1，黏菌群体分工；

首先，黏菌群体的每个黏菌个体自行分工，分别对初始化后的图像进行图像边缘检测，并将搜索到的图像边缘点添加到黏菌个体所搜索到的图像边缘点集合中；

其次，所有黏菌个体更新搜索到的图像边缘点集合，并构成整个黏菌群体所搜索到的图像边缘点集合；

步骤2-2，黏变形体随机搜索；

首先，每个黏菌的多条黏变形体也自行分工，每条黏变形体在目标图像上向周围随机搜索图像边缘点，将图像边缘点上的营养运输回体内，并将搜索到的图像边缘点添加到黏菌个体的图像边缘点集合中；每个黏菌个体的不同黏变形体在图像边缘检测中的随机行为能够学习到整个目标图像的局部信息；

其次，每个黏菌个体所有黏变形体搜索到的图像边缘点集合，构成了单个黏菌个体所搜索到的图像边缘点集合；单只黏菌的不同黏变形体搜索行为是随机的、分布的，而且单个黏菌个体的不同黏变形体能够互相学习，知道本黏菌周围的图像边缘点分布情况，并及时更新本黏变形体的营养浓度值；

再次，灰度梯度较大的图像边缘点能够向黏菌运输更多的营养，与较高营养浓度的图像边缘点相连接的黏变形体在学习和正反馈作用下，能够不断加强与之相连的黏变形体的营养浓度值。

4.根据权利要求1所述的方法，其特征在于：

在步骤3中，在进行黏菌群体交叉学习图像边缘时，具体包括以下步骤：

步骤3-1，黏菌群体交叉；

由于每个黏菌的不同黏变形体在图像边缘检测中的随机搜索，导致不同黏菌个体的黏变形体可能出现交叉，不同黏菌个体的黏变形体能够通过交叉点学习其他黏菌个体的黏变形体营养浓度信息；不同黏菌个体的不同黏变形体在图像边缘检测中的交叉行为能够学习到整个目标图像的全部信息；

子步骤3-2，交叉的黏变形体互相学习；

不同黏菌个体的黏变形体在交叉点上营养浓度趋于一致；其中，原来营养浓度较低的黏变形体会在交叉点从较高营养浓度的黏变形体中吸收营养，从而提高本黏变形体的营养浓度值；反之，原来营养浓度较高的黏变形体会在交叉点将营养运输到较低营养浓度的黏变形体中，从而降低了本黏变形体的营养浓度值；因此，不同黏菌个体通过黏变形体的交叉，从其他黏菌个体处学习到了自己未搜索到的图像边缘点信息；

子步骤3-3，更新黏菌群体的交叉信息和营养浓度信息；

首先，在交叉点上的所有黏菌的黏变形体都需要更新营养浓度信息，并将交叉点添加到黏菌个体搜索到的图像边缘点集合中；

其次，由于黏变形体本身也会消耗营养，营养浓度也会相应降低；在远离图像边缘点处的黏变形体会因为营养的消耗而逐渐衰竭，甚至收缩而消失；反之，在图像边缘点处的黏变形体会从图像边缘点处吸收营养而提高营养浓度；

再次，更新交叉点处的营养浓度。

5.根据权利要求1所述的方法，其特征在于：

在步骤4中，在黏菌群体输出图像边缘检测结果时，具体包括以下步骤：

步骤4-1，判断是否结束搜索；

黏菌群体通过步骤2的分工检测和步骤3的交叉学习，不断搜索目标图像上的图像边缘点，并由于自身的营养消耗而远离无图像边缘点的区域；进一步地，可以设置一个循环次数作为图像分割结束条件，判断黏菌群体的图像分割是否已经完成；如果预设的循环次数已经达到，黏菌群体将所有黏变形体搜索到的图像边缘点集合输出，本次图像分割任务完成；

子步骤4-2，反之，如果预设的循环次数未达到，则返回步骤2的黏菌群体分工检测和步骤3的黏菌群体交叉学习，不断循环迭代计算，直至符合图像分割结束条件。

6.根据权利要求2所述的方法，其特征在于，所述特征向量是通过利用图像边缘点具有的邻域内灰度分布有序性、灰度突变具有结构性及方向性构造而成；

所述邻域内灰度分布有序性、灰度突变具有结构性及方向性分别为：

1)邻域一致性分量：

图像边缘点邻域内的灰度分布和非边缘点邻域内的灰度分布不同,边缘点邻域内灰度分布差异较大，设图像当前像素点的坐标为(i,j),灰度值为gray(i,j)，以其为中心的邻域Ne＝{(x,y)||x-i|≤L,|y-i|≤L}中,L是邻域长度的一半,过中心点(i,j)以方向θ_k将该邻域分成两个部分K_Ne1和K_Ne2，其中,0°≤θ_k≤180°,k＝1,2,…N，定义邻域一致性分量为Ne(i,j)＝max{|Gray_k1-Gray_k2|},

k＝1,2,…N，其中中,Gray_k1，Gray_k2分别为线素方向θ_k两侧的灰度平均值；

2)结构性分量：

设图像当前像素点的坐标为(i,j),以其为中心的邻域Ne(i,j)＝max{|Gray_k1-Gray_k2|}中,L是邻域长度的一半,l_θ是过中心点且角度为θ的一条直线,定义结构性分量为

其中，gray(m,n)表示点(m,n)处的梯度幅值；

3)方向性分量：

设图像当前像素点的坐标为(i,j),在以其为中心的邻域Ne＝{(x,y)||x-i|≤L,|y-i|≤L}中,L是邻域长度的一半,l_θ是过中心点且角度为θ的一条直线,l_θ将该邻域分成两部分K_V1和K_V2,定义方向性信息测度分量为

其中

这样可以得到描述边缘点特征的三维向量，那么食物源可以表示为C_j(V,G,Ne),j＝1,2…n。

7.一种图像边缘检测模型的初始化方法，其特征在于，包括以下步骤：

步骤1-1，将目标图像转化为灰度图；

步骤1-2，黏菌群体初始化；

步骤1-3，初始化黏菌群体的营养浓度值；

在步骤1-1中，采用以下步骤：

首先，获取需边缘检测的目标图像；图像边缘检测可以建模为随机分布在目标图像上的黏菌群体搜索食物源的过程，不同像素点具有不同的营养浓度；

其次，对目标图像的像素点进行预处理；将目标图像转换为灰度图像，并计算不同像素点的灰度梯度；在图像边缘点上营养浓度较大，在非图像边缘点上，图像的灰度梯度较小，营养浓度较小，甚至为0；将灰度图像中的每一个像素点看成是一个数据样本,将该点灰度值处理后构成其边缘点信息的特征向量；

再次，将预处理后的目标图像转换为黏菌群体的食物源特征向量；图像中灰度梯度较大的点即为图像边缘点，又称食物源；给定原始图像X,每个像素点X_i(i＝1,2,…n)看作是食物源C，具有不同营养浓度值，从而构造一个描述边缘点信息的特征向量，即黏菌群体的食物源特征向量；每个食物源是还可结合灰度值、灰度梯度值和邻域特征构建三维向量，为每个像素点构建三维边缘点特征向量，形成具有三维特征的数据集，为黏菌群体觅食提供更精确的食物源特征向量。

8.根据权利要求7所述的方法，其特征在于，

在步骤1-2中，在进行黏菌群体初始化时，采用以下步骤；

首先，对黏菌个体的数量和位置进行初始化；设置黏菌群体中包含的黏菌个体数量，通常为大于1的整数；每个黏菌个体的细胞核随机分布于图像的像素上，并记录每一个黏菌个体的初始位置和对应的像素点坐标；

其次，对黏变形体的搜索方向进行初始化；黏菌群体使用多只黏菌个体搜索图像边缘点，模仿黏菌群体活动的分工合作行为；每个黏菌个体使用多条黏变形体搜索图像边缘点，每个黏菌个体的黏变形体数量初始化为整数随机数，以便各自向不同方向搜索食物源或图像边缘点；

再次，在每个阶段搜索时，黏菌群体以上一阶段搜索的局部最优解为起点，在邻域内扩张搜索新的食物源或图像边缘点，依次不断循环，直至检测到全部边缘点或达到中止条件为止。

9.根据权利要求7所述的方法，其特征在于，

在步骤1-3中，在初始化黏菌群体的营养浓度值时，采用以下步骤；

为每个黏菌个体建立图像边缘点集合；黏菌初始化时，每个黏菌个体或每个黏变形体搜索到的食物源或图像边缘点集合设为空集，即初始化没有找到任何食物源；每条黏变形体的营养浓度值初始化为0，即没有任何营养浓度从外界食物源吸收到黏变形体内。

Images