تشخیص لبه تصویر با استفاده از الگوریتم بهینه سازی کلونی مورچه ها: یک رویکرد اکتشافی مبتنی بر عملیات مورفولوژیک سایش

پردازش تصویر در طیف گسترده ای از برنامه ها مانند دوربین های مداربسته، کنترل ترافیک، کنترل رفت و آمد، عکس برداری پزشکی و … کاربرد دارد. یکی از مباحث مهم در پردازش تصویر آشکار سازی لبه است. در یک تصویر مهمترین پارامتری که بیشترین تاثیر را روی بیننده دارد لبه آن است. عملیات مورفولوژی مجموعه ای از عملیات هایی است که مرتبط با ویژگی های شکل و ریخت شناسی در یک تصویر هستند. از الگوریتم های مورفولوژی به عنوان یک ابزار ریاضی برای استخراج اجزای تصویر استفاده می شود در این مقاله، ما یک روش جدید تشخیص لبه تصویر بر اساس الگوریتم کلونی مورچه ها با استفاده از تابع اکتشافی عملیات مورفولوژیک سایش پیشنهاد می کنیم. روش پیشنهادی با تمام روش‌های تشخیص لبه تصویر مبتنی بر الگوریتم کلونی مورچه‌ها و سایر روش‌های تشخیص لبه تصویر از نظر تشخیص لبه، عدم ناپیوستگی و کاهش نویز، تفاوت معناداری دارد. در بقیه کارهای انجام شده در زمینه aco از اختلاف شدت پیکسل به عنوان تابع اکتشافی استفاده می شود و مورچه ها به صورت تصادفی روی پیکسل ها قرار می گیرند اما علاوه بر تغییر تابع اکتشافی به سایش، مورچه ها را به طور هدفمند بر روی پیکسل های تابع اکتشافی که از نظر شدت، تفاوت زیادی با بقیه دارند قرار می دهیم که موجب می شود شدت نویز در تشخیص لبه ها، کاهش پیدا کند.

image edge detection using ant colony optimization: a morphological operations erosion -based heuristic approach

image processing is used in a wide range of applications such as cctv cameras, traffic control, traffic control, medical photography, etc. one of the important topics in image processing is edge detection. in an image, the most important parameter that has the greatest impact on the viewer is its edge. morphological operation is a set of operations that are related to the features of shape and morphology in an image. morphological algorithms are used as a mathematical tool to extract image components. in this article, we propose a new image edge detection method based on the ant colony algorithm using the heuristic function of wear morphological operations. the proposed method is significantly different from all image edge detection methods based on the ant colony algorithm and other image edge detection methods in terms of edge detection, discontinuity, and noise reduction. in the rest of the works done in the field of aco, the pixel intensity difference is used as a heuristic function, and the ants are randomly placed on the pixels, but in addition to changing the heuristic function to wear, the ants are purposefully placed. we put the exploratory function on the pixels that are very different from the others in terms of intensity, which reduces the noise intensity in edge detection.