所示的是当时的运行结果。从检测结果中可以看出，随着值变大，算法的收敛性能有变差的趋势，导致蚁群搜索最佳路径的随机性减弱，其图像检测边缘边模糊。越大，它所在的状态转移概率就越接近贪心规则，所导致的结果是检测出来的边缘信息不够完整。图第九组基于蚁群算法的图像边缘检测运行结果信息素挥发因子对蚁群算法的影响具有两面性，它表示的是信息素随着时间推移的挥发程度。第九组数据控制和不变，改变信息素挥发因子的值。从图中可以看出，的改变使得之前第组数据未被检测出的边缘被检测出来了，然而也消失了部分的边缘。信息素挥发因子值的改变并没有从很大程度上影响图像的边缘。上海工程技术大学毕业设计论文基于蚁群算法的图像边缘检测，，，，图第十组基于蚁群算法的图像边缘检测运行结果根据上文对蚁群算法参数的对比研究，将参数设置为，，得出的检测效果最佳，并且边缘像素较宽，如图所示。与传统方法的比较本文将蚁群算法与传统的边缘检测算子进行比较。传统边缘检测算子的实验结果如图所示上海工程技术大学毕业设计论文基于蚁群算法的图像边缘检测图各种边缘检测算子检测结果算子使用局部差分方法甄别边缘，对和方向的边缘检测效果不错，边缘定位比较准确，但遗失边界比较容易发生，并且因为没有对成像采用平滑处理，所以干扰的能力并不良好。算子针对算子容易受到干扰的缺陷，所采用的算法是先进行加权平均，然后通过微分运算，从而使干扰的算子具有良好的抗干扰能力，筛选步骤边缘可以得出缘上的至少两个像素。类似算子可以得到边缘的相对精确位置和去向。然而，由于采用了局部平均的方法，这导致检测结果比较轻易出现多像素宽上海工程技术大学毕业设计论文基于蚁群算法的图像边缘检测度和遗失边缘。与算子和算子拥有相似的方法，它们都是通过局部差分平均的方法来寻找边缘的，这反映三对中的像素的像素值的概念上的差异的平均的边缘。所以此算子具有良好的抗噪性，但是假边界也不能完全忽视，使得边缘检测个多像素的易宽度。算子确定个阶跃边缘的精确定位，二阶微分算子的边缘的方向过于依赖的图像。这个算子对抗干扰能力不是很好，能使干扰的成分得到增加，这两个特点使该算子不能识别出边缘的方向性数据，造成些间断的凸边，所以该算子的抗干扰能力并不算很好。但是算子确定位置确切，我们可以发现它个很好的优势。算子做的图像高斯平滑化处理，然后拉普拉斯边缘检测，从而有效地克服了拉普拉斯算子与差的抗干扰能力和缺点，不过该算子的操作的同时干扰可以比较平滑原始尖锐的边缘，结果不会显示边缘。此外，高斯函数中参数的选择是特别重要的。对较高频率的抗干扰作用会随着的变大而变大，通频带变窄，能够使得虚假边缘不易被检出，但该问题是由边缘引起被平滑，从而产生的些边缘点的损失。相比之下，更少的带宽被确定扩大图像细节在更高的频率，很容易识别进蚁群算法兵工自动化，年期苗京,黄红星,程卫生,袁启勋基于蚁群模糊聚类算法的图像边缘检测武汉大学数学学院，年第期于勇,郭雷噪声图像中提取边缘的蚁群搜索算法电子与信息学报朱玲,施心陵,刘亚杰,田，但抗干扰性能下降，容易出现假边缘的可能。算子通过算出值，确定的八个方向上的平均差，从而使边缘检测，以获得良好的结果。该算子能够甄别边缘的方向性数据，有很好的对边缘的抗干扰作用。它可以保持细化的图像，但开始得到的图像边缘是粗糙的，大部分的应用中，阈值的方法来得到更清晰的边缘图像。然而，加工后的图像，很容易从梯度值较小的弱边缘丢失。即使算子是从思维和创新优化检测而得，但实际效果并不定是最好的。操作类似于算子，使用相同的图像，从而使高斯平滑，因而有有更好的抗干扰能力和更好的鉴定边缘连接器的，定位精度的边缘。该算子使用双阈值边缘检测和过尺度的接口测试，更好的搜索条件的方向。总结与展望本文提出了蚁群算法这仿生学算法，它是根据蚂蚁的性质，能够在自然界中找到食物与蚁巢间最短路径这智能行为而提出的种新型的进化算法，并提出了新的上海工程技术大学毕业设计论文基于蚁群算法的图像边缘检测边缘检测方法。通过系列的仿真实验改变参数值，得到了较佳的实验效果。实验结果表明，合适的参数值，可以成功的测试了图像中的边缘。与传统边缘检测算子相比，该算法具有强烈的鲁棒性，良好的正反馈特性和灵活的适应性，且能够快速收敛。作为这项研究的延续，建议进步检查参数值如何影响图像边缘的提取质量以及功能。蚁群算法目前已广泛应用于图像处理中，却仍旧存在些需要改进的地方。用适当的方式表达在将图像处理问题转换为蚁群算法的区域问题上。对于如何选择人工蚂蚁以及蚂蚁间路径上的信息素对象的分布状态等这些非直接通信的其他项目之间的合适的选择，这些问题都妨碍了使用蚁群算法来进行图像边缘检测。利用蚁群算法进行边缘检测时需要设置大量参数，这些参数的选择会显著影响检测结果，其知道的原则和方法以及迎战还没选择好合适的理论上，只能通过大量实验进行调整和比较，从而决定最佳参数的设置。由于蚁群算法展开搜索需要花费大量的时间，可以想出个蚁群优化算法来解决这方面的问题，例如将蚁群算法与其他优化算法诸如遗传算法免疫算法等相结合，以此提高算法性能，这样改善后的算法就可以用于求解决些复杂的问题图片。时至今日，蚁群算法仍然在不断改进和其在图像处理中地位的发展，特别是边缘检测将逐渐增加，上述些问题将得到解决。为了解决上述问题，有可能同时促进在更广泛的领域中的蚁群算法的发展，扩大其应用。由于蚁群算法的依赖，奠定长远发展基础，现已成为学术研究的焦点。随着计算机应用等技术的发展，不断提升和持续优化算法会使蚁群算法检测图像边缘有更好的机会。上海工程技术大学毕业设计论文基于蚁群算法的图像边缘检测参考文献张景虎,郭敏,王亚文基于改进的蚁群算法的图像边缘检测方法研究计算机应用，年期张景虎基于蚁群算法的图像边缘检测研究陕西陕西师范大学，邓祥龙图像边缘检测算法研究合肥工业大学，贾磊,焦淑红图像边缘检测技术研究综述科技风，年期,刘海军,彭绍雄,高传斌,邹强种基于信息素变化的改，作为参照，采用控制变量的方法，使得和不变，改变期望启发因子的值。图所示的是当时的运行结果，图溪基池面积上均匀分布。配水均匀性对冲洗效果影响很大。配水不均匀，部分滤层膨胀不足，而部分滤层膨胀过剩，甚至会招致局部承托层发生移动，造成漏砂现象。采用大阻力配水系统，其配水干管采用方形断面暗渠结构。配水干渠干渠始端流速采用干干渠始端流量干冲干渠断面面积,干干取干渠断面尺寸采用配水支管支管中心距采用支管总数根每侧根支管流量干支支管直径选用支，支管截面积支支支管流速支支支支管长度支校核支支，符合要求。支管孔眼取孔眼总面积与滤池面积的比值，则孔口直径采用单孔面积孔眼总数个每支管孔眼数分两排布置，孔口向下与中垂线夹角交错排列个孔眼中心距支孔眼平均流速干渠顶开两排孔，每排个孔，孔眼中心距为配水系统校核实际孔口数个实际孔口总面积实际孔口流速冲校核支符合配水性达到以上的要求。冲洗水箱冲洗水箱与滤池合建，置于滤池操作室屋顶上。水箱容量冲洗时间水箱容量水箱尺寸水箱水深箱圆形水箱直径箱箱水箱高度水箱至滤池管道总水头损失管道流量冲，管径采用冲，管长冲查水力计算表,冲冲洗管道上的主要配件及其局部阻力系数合计冲冲滤池配水系统水头损失式中冲洗强度，孔眼总面积与滤池面积的比值，流量系数，。代入数据得承托层水头损失式中冲洗强度，承托层厚度，。代入数据得，滤料层水头损失式中水的密度滤料的密度滤层孔隙率滤层厚度，。代入数据得备用水头水箱设置高度消毒消毒的目的是灭活致病微生物，以防止致病菌进入配水系统。尽管在饮用水过滤时也能去除致病菌，起到了补充的消毒作用，但水处理流程中总需有最后消毒工艺。通常在过滤后的水中投加足够量的消毒剂，以保持配水网中有剩余氯，消毒剂的投加浓度应该考虑到水在配水管网中的流动和储存时间，还包括消毒剂分解和衰减的可能性。加药量设计水量加氯量则总加氯量储氯量按个月考虑为月加氯间布置水厂所在地主导风向为东北偏北，加氯间靠近滤池和清水池，设在水厂的西南部，氯库和加氯间合建，用隔墙分隔。在加氯间氯库低处各设排风扇个，换气量每小时次，并安装漏氯检测器。其位置在室内地面以上。设置漏氯报警仪，当监测的漏氯量达到时即报警，切换有关阀门，切断氯源，同时排风扇动作。为搬运氯瓶方便，氯库内设单轨电动葫芦个，轨道在氯瓶正上方，高出地面以上，轨道通道氯库大门以外。加氯间外布置防毒面具抢救材料和工具箱，照明和通风设备在室外设开关。在加氯间引入根的给水管，水压大于,供加氯机投药使用。在氯库引入给水管，通向氯瓶上空。清水池设计计算清水池的作用所示的是当时的运行结果。从检测结果中可以看出，随着值变大，算法的收敛性能有变差的趋势，导致蚁群搜索最佳路径的随机性减弱，其图像检测边缘边模糊。越大，它所在的状态转移概率就越接近贪心规则，所导致的结果是检测出来的边缘信息不够完整。图第九组基于蚁群算法的图像边缘检测运行结果信息素挥发因子对蚁群算法的影响具有两面性，它表示的是信息素随着时间推移的挥发程度。第九组数据控制和不变，改变信息素挥发因子的值。从图中可以看出，的改变使得之前第组数据未被检测出的边缘被检测出来了，然而也消失了部分的边缘。信息素挥发因子值的改变并没有从很大程度上影响图像的边缘。上海工程技术大学毕业设计论文基于蚁群算法的图像边缘检测，，，，图第十组基于蚁群算法的图像边缘检测运行结果根据上文对蚁群算法参数的对比研究，将参数设置为，，得出的检测效果最佳，并且边缘像素较宽，如图所示。与传统方法的比较本文将蚁群算法与传统的边缘检测算子进行比较。传统边缘检测算子的实验结果如图所示上海工程技术大学毕业设计论文基于蚁群算法的图像边缘检测图各种边缘检测算子检测结果算子使用局部差分方法甄别边缘，对和方向的边缘检测效果不错，边缘定位比较准确，但遗失边界比较容易发生，并且因为没有对成像采用平滑处理，所以干扰的能力并不良好。算子针对算子容易受到干扰的缺陷，所采用的算法是先进行加权平均，然后通过微分运算，从而使干扰的算子具有良好的抗干扰能力，筛选步骤边缘可以得出缘上的至少两个像素。类似算子可以得到边缘的相对精确位置和去向。然而，由于采用了局部平均的方法，这导致检测结果比较轻易出现多像素宽上海工程技术大学毕业设计论文基于蚁群算法的图像边缘检测度和遗失边缘。与算子和算子拥有相似的方法，它们都是通过局部差分平均的方法来寻找边缘的，这反映三对中的像素的像素值的概念上的差异的平均的边缘。所以此算子具有良好的抗噪性，但是假边界也不能完全忽视，使得边缘检测个多像素的易宽度。算子确定个阶跃边缘的精确定位，二阶微分算子的边缘的方向过于依赖的图像。这个算子对抗干扰能力不是很好，能使干扰的成分得到增加，这两个特点使该算子不能识别出边缘的方向性数据，造成些间断的凸边，所以该算子的抗干扰能力并不算很好。但是算子确定位置确切，我们可以发现它个很好的优势。算子做的图像高斯平滑化处理，然后拉普拉斯边缘检测，从而有效地克服了拉普拉斯算子与差的抗干扰能力和缺点，不过该算子的操作的同时干扰可以比较平滑原始尖锐的边缘，结果不会显示边缘。此外，高斯函数中参数的选择是特别重要的。对较高频率的抗干扰作用会随着的变大而变大，通频带变窄，能够使得虚假边缘不易被检出，但该问题是由边缘引起被平滑，从而产生的些边缘点的损失。相比之下，更少的带宽被确定扩大图像细节在更高的频率，很容易识别进蚁群算法兵工自动化，年期苗京,黄红星,程卫生,袁启勋基于蚁群模糊聚类算法的图像边缘检测武汉大学数学学院，年第期于勇,郭雷噪声图像中提取边缘的蚁群搜索算法电子与信息学报朱玲,施心陵,刘亚杰,田