一种基于蚁群算法的图像处理方法与流程

本发明涉及到图像处理技术领域，特别是一种基于蚁群算法的图像处理方法。

背景技术：

光电色选机综合利用了现代光学、电子学和生物学等新技术,是典型的光、机、电一体化的高新技术设备。色选是大米精加工中最终质量控制和质量强化的一道工序，由此去除黄色、黑、红、腹白等异色粒和微小病斑等瑕疵米粒，以提高大米的纯度，增强产品的质量和竞争力。通过剔除大米中的黄米、病斑米等异色杂质，首先可以在感官上提升大米的竞争力，刺激人们的购买欲望，其次杂质的剔除有效地降低了大米的黄曲霉素等有害物质，实实在在地提升大米的质量，提升人们的消费品位。因此，色选机成为大米加工企业提高产品质量和衡量企业实力的关键设备，越来越多的企业选择并应用它，色选机具有很好的发展前景，市场发展逐步成熟。

随着色选机在大米加工企业中应用的推广，人们对色选机的要求也越来越高，既要求色选机具有良好的色选效果，又要求色选机的产量大。色选效果包括两个方面：色选精度和带出比。色选精度是指色选后成品的质量，以成品中好料占总重量百分比来衡量；带出比是指色选时选出的废料中坏料与好料的比例，色选精度高、带出比低而且产量大的色选机才是先进的色选机。同时新兴的杂粮领域异军突起，为色选机提供了新的应用平台，现在色选机已经应用在了葵花籽、枸杞、白瓜子、葡萄干等领域，它们对色选机的要求更高，这些应用领域使用的色选机价格相对较高，利润相对较大，使色选机即面临机遇，又面临新的挑战。除了在农业方面的应用外，色选机也在工业领域得到了应用，如色选机在塑料和矿石等领域得到了应用。色选机技术的发展水平越来越高，市场竞争也越来越激烈，色选机的竞争将是高新技术和低成本的较量。

色选机的竞争力主要体现在色选的精度高，识别率高，而色选机的图像处理方法是其能够提高色选效率的关键因素。目前色选机技术领域还没有一种通过蚁群算法对图像进行处理色选的方法。

技术实现要素：

为解决上述技术问题，本发明提供了一种基于蚁群算法的图像处理方法，其包括以下步骤：

S1：获取图像，将图像转化为M*N的像素矩阵，每个像素对应一只蚂蚁；

S2：令时间t＝0和循环次数NC＝0，设置最大循环次数NC_max，并初始化

参数α、β、ph_ij、r、ρ；

S3：开始聚类循环，循环次数NC←NC+1；

S4：蚂蚁数目k←k+1；

S5：根据

$d_{ij}=\sqrt{\underset{k=1}{\overset{m}{\Σ}}{p}_k{(x_{ik}-x_{jk})}^2}$

得到像素X_i到其他像素Xj的距离d_ij，如果d_ij为零，则该像素到该类的隶属度为1，否则如果d_ij小于r，根据

ph_ij(t+1)＝(1-ρ)ph_j(t)+Δph_ij

${\mathrm{\η}}_{ij}=\frac{r}{d_{ij}}=\frac{r}{\sqrt{\underset{k=1}{\overset{m}{\Σ}}{p}^k{(x_{ik}-x_{jk})}^2}}$

得到X_j到各路径的信息量；

S6：根据

计算像素间的转移概率，看是否大于λ，若大于λ，则根据

ph_ij(t+1)＝(1-ρ)ph_ij(t)+ΔPh_ij

调整路径上的信息量，并按照

$X_i=X_j=\frac{1}{2}(X_i+X_j)$

更新聚类中心；

S7：若满足结束条件，即如果循环次数NC≥NC_max,则结束循环，并输出程序计算结果，否则转步骤S3。

本发明具有以下有益效果：

本发明提供的基于蚁群算法的图像处理方法通过将图像转化为像素矩阵，并对像素矩阵通过蚁群算法获取最佳的像素矩阵排列，对图像的像素矩阵进行更新以便更有效的对图像进行识别选择。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

具体实施方式

下面将结合本发明实施例对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明实施例提供了一种基于蚁群算法的图像处理方法，其包括以下步骤：

S1：获取图像，将图像转化为M*N的像素矩阵，每个像素对应一只蚂蚁；

S2：令时间t＝0和循环次数NC＝0，设置最大循环次数NC_max，并初始化

参数α、β、ph_ij、r、ρ；

S3：开始聚类循环，循环次数NC←NC+1；

S4：蚂蚁数目k←k+1；

S5：根据

$d_{ij}=\sqrt{\underset{k=1}{\overset{m}{\Σ}}{p}_k{(x_{ik}-x_{jk})}^2}$

得到像素X_i到其他像素X_j的距离d_ij，如果d_ij为零，则该像素到该类的隶属度为1，否则如果d_ij小于r，根据

ph_ij(t+1)＝(1-ρ)ph_ij(t)+Δph_ij

${\mathrm{\η}}_{ij}=\frac{r}{d_{ij}}=\frac{r}{\sqrt{\underset{k=1}{\overset{m}{\Σ}}{p}^k{(x_{ik}-x_{jk})}^2}}$

得到X_j到各路径的信息量；

S6：根据

计算像素间的转移概率，看是否大于λ，若大于λ，则根据

ph_ij(t+1)＝(1-ρ)ph_ij(t)+Δph_ij

调整路径上的信息量，并按照

$X_i=X_j=\frac{1}{2}(X_i+X_j)$

更新聚类中心；

S7：若满足结束条件，即如果循环次数NC≥NC_max,则结束循环，并输出程序计算结果，否则转步骤S3。

本发明提供的基于蚁群算法的图像处理方法通过将图像转化为像素矩阵，并对像素矩阵通过蚁群算法获取最佳的像素矩阵排列，对图像的像素矩阵进行更新以便更有效的对图像进行识别选择。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。