本發(fā)明屬于圖像邊緣檢測(cè)領(lǐng)域，具體提出了一種基于憶阻陣列的蟻群優(yōu)化算法對(duì)圖像進(jìn)行圖像邊緣檢測(cè)的方法。

背景技術(shù)：

1、圖像邊緣檢測(cè)是計(jì)算機(jī)視覺領(lǐng)域中的基本任務(wù)之一，它在圖像分割、對(duì)象識(shí)別和形態(tài)學(xué)分析等多個(gè)方面具有重要作用。傳統(tǒng)的邊緣檢測(cè)算法如sobel算子、canny算子等依賴于圖像的梯度變化，雖然它們?cè)诤?jiǎn)單的場(chǎng)景中表現(xiàn)良好，但在處理復(fù)雜背景、噪聲較大的圖像時(shí)，其效果容易受到限制。此外，隨著計(jì)算機(jī)視覺技術(shù)的快速發(fā)展，基于深度神經(jīng)網(wǎng)絡(luò)的邊緣檢測(cè)方法如holistically-nested?edge?detection?(hed)也逐漸得到應(yīng)用。然而，神經(jīng)網(wǎng)絡(luò)方法計(jì)算復(fù)雜度高，能耗大，且對(duì)硬件資源要求較高，不利于能效敏感的應(yīng)用場(chǎng)景。

2、本發(fā)明提出了一種基于憶阻陣列的蟻群優(yōu)化算法，該方法在圖像邊緣檢測(cè)中的表現(xiàn)優(yōu)于傳統(tǒng)的sobel算子和基于神經(jīng)網(wǎng)絡(luò)的邊緣檢測(cè)方法。憶阻器的使用使得算法在硬件層面實(shí)現(xiàn)了高效的并行計(jì)算和存儲(chǔ)融合，提升了計(jì)算密度和速度。

3、蟻群算法（ant?colony?optimization,?aco）是一種仿生優(yōu)化算法，其靈感來(lái)源于自然界中的螞蟻覓食行為。螞蟻在尋找食物時(shí)，會(huì)在路徑上釋放信息素，其他螞蟻在選擇路徑時(shí)傾向于選擇信息素濃度較高的路徑。這一行為模式被數(shù)學(xué)化，用于解決復(fù)雜的組合優(yōu)化問題，例如旅行商問題（tsp）。在蟻群算法中，信息素的濃度反映了路徑的優(yōu)劣，經(jīng)過(guò)多次迭代，系統(tǒng)會(huì)收斂到最優(yōu)解。

4、蟻群算法因其魯棒性和靈活性，被廣泛應(yīng)用于圖像處理領(lǐng)域，特別是圖像邊緣檢測(cè)中。圖像邊緣檢測(cè)是計(jì)算機(jī)視覺的基本任務(wù)之一，通過(guò)蟻群算法能夠有效檢測(cè)圖像中像素強(qiáng)度的變化，從而找到圖像的邊界。aco的優(yōu)點(diǎn)在于其能夠并行處理多個(gè)可能的路徑，并基于局部信息選擇最優(yōu)的邊緣。

5、近年來(lái)，隨著憶阻器技術(shù)的進(jìn)展，研究人員嘗試將蟻群算法的計(jì)算過(guò)程映射到憶阻器電路上，從而利用憶阻器的并行計(jì)算特性加速蟻群算法的執(zhí)行。蟻群算法中的信息素濃度更新機(jī)制可以通過(guò)憶阻器的電導(dǎo)變化來(lái)實(shí)現(xiàn)，這種映射使得憶阻器能夠模擬蟻群算法中的搜索和優(yōu)化過(guò)程。

6、憶阻陣列的結(jié)構(gòu)與蟻群算法的并行路徑搜索有天然的契合性。通過(guò)在陣列中布置多個(gè)憶阻器，系統(tǒng)能夠同時(shí)計(jì)算多個(gè)路徑上的信息素變化，從而加快圖像邊緣檢測(cè)的過(guò)程。此外，憶阻器的非易失性特點(diǎn)允許其存儲(chǔ)信息素的歷史，這使得其非常適合用于圖像處理中的逐步優(yōu)化任務(wù)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提出了一種基于憶阻陣列的蟻群優(yōu)化算法，該方法在圖像邊緣檢測(cè)中的表現(xiàn)優(yōu)于傳統(tǒng)的sobel算子和基于神經(jīng)網(wǎng)絡(luò)的邊緣檢測(cè)方法。相比傳統(tǒng)的基于處理器或神經(jīng)網(wǎng)絡(luò)的邊緣檢測(cè)方法，憶阻器陣列實(shí)現(xiàn)的蟻群算法具有更低的能耗、更高的計(jì)算效率，且能夠檢測(cè)出更加細(xì)致的圖像邊緣。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：

3、一種基于憶阻陣列的蟻群算法的圖像邊緣檢測(cè)方法，包括以下步驟：

4、s101：構(gòu)建具有松弛項(xiàng)的非線性電壓控制憶阻器模型，模擬蟻群算法中信息素濃度的更新過(guò)程；

5、s102：構(gòu)建改進(jìn)的蟻群優(yōu)化算法，像素強(qiáng)度對(duì)比度作為啟發(fā)因子，蟻群基于路徑上的信息素濃度和啟發(fā)因子確定選擇每條路徑的概率；

6、s103：根據(jù)待處理圖像的高度和寬度，初始化憶阻陣列大小，螞蟻的行動(dòng)路徑通過(guò)憶阻陣列的列選擇電路和行選擇電路定位到需要操作的特定憶阻器；開始迭代，憶阻器的導(dǎo)電率作為信息素濃度更新；

7、s104：達(dá)到設(shè)定迭代次數(shù)，得到基于憶阻器陣列的導(dǎo)電率矩陣，根據(jù)導(dǎo)電率矩陣的均值設(shè)定閾值，將高于閾值的憶阻器對(duì)應(yīng)像素點(diǎn)標(biāo)記為圖像邊緣，生成二值化的邊緣檢測(cè)結(jié)果。

8、所述憶阻器模型具體構(gòu)建如下：

9、憶阻器的憶阻值由以下公式計(jì)算：

10、；

11、其中，為憶阻器的最大電阻，為憶阻器的最小電阻，為內(nèi)部狀態(tài)變量；

12、憶阻器的導(dǎo)電率與電流的關(guān)系通過(guò)以下公式描述：

13、；

14、其中，表示導(dǎo)電率隨時(shí)間的變化率，為漂移常數(shù)，是松弛項(xiàng)；

15、所述改進(jìn)的蟻群優(yōu)化算法對(duì)蟻群優(yōu)化算法進(jìn)行改進(jìn)，具體構(gòu)建過(guò)程如下：

16、s301：螞蟻初始位置選擇，每只螞蟻從圖像中的隨機(jī)位置出發(fā)，初始信息素濃度為常數(shù)；

17、s302：像素強(qiáng)度對(duì)比度作為啟發(fā)因子，由下列公式給出：

18、

19、其中，表示圖像中的最大像素強(qiáng)度值，表示當(dāng)前像素點(diǎn)上方相鄰像素的強(qiáng)度值，表示當(dāng)前像素點(diǎn)下方相鄰像素的強(qiáng)度值，表示當(dāng)前像素點(diǎn)左側(cè)相鄰像素的強(qiáng)度值，表示當(dāng)前像素點(diǎn)右側(cè)相鄰像素的強(qiáng)度值；

20、s303：開始迭代，螞蟻從每個(gè)像素點(diǎn)出發(fā)，只能在上、下、左、右四個(gè)方向移動(dòng)，基于路徑上的信息素濃度和啟發(fā)因子確定選擇每條路徑的概率，最終選擇一條路徑進(jìn)行移動(dòng)；

21、s304：通過(guò)比較螞蟻當(dāng)前選擇的路徑上各像素點(diǎn)的對(duì)比度和已存在的信息素濃度判斷當(dāng)前所選路徑是否更優(yōu)，并更新螞蟻經(jīng)過(guò)路徑上的信息素濃度；

22、s305：迭代結(jié)束，螞蟻找到圖像中最優(yōu)邊緣。

23、所述步驟s103具體如下：

24、s401：根據(jù)圖像的高度和寬度，初始化憶阻陣列大小，具體為：

25、；

26、其中，為每只螞蟻移動(dòng)路徑的像素?cái)?shù)量；

27、s402：通過(guò)行列選擇電路定位到需要操作的特定憶阻器；具體的，在憶阻器陣列中，每個(gè)憶阻器對(duì)應(yīng)圖像的一個(gè)像素點(diǎn)，而螞蟻在像素點(diǎn)之間的移動(dòng)被映射為相鄰憶阻器之間的導(dǎo)電率更新；

28、s403：初始化每個(gè)憶阻器的內(nèi)部參數(shù)；每只螞蟻從圖像的隨機(jī)像素點(diǎn)出發(fā)，螞蟻經(jīng)過(guò)某憶阻器節(jié)點(diǎn)時(shí)，更新該憶阻器的導(dǎo)電率，憶阻陣列對(duì)應(yīng)的的導(dǎo)電率矩陣基于螞蟻路徑選擇的結(jié)果完成初始化；

29、s404：開始迭代，多個(gè)路徑同時(shí)更新，使憶阻器的導(dǎo)電率變化。

30、所述步驟s104具體如下：

31、s501：迭代更新導(dǎo)電率矩陣，達(dá)到設(shè)定迭代次數(shù)，路徑收斂到最優(yōu)邊緣；

32、s502：根據(jù)最終得到的導(dǎo)電率矩陣的均值設(shè)置邊緣檢測(cè)的閾值：，當(dāng)某個(gè)位置的憶阻器導(dǎo)電率大于整個(gè)導(dǎo)電率矩陣的平均值時(shí)，將該位置標(biāo)記為邊緣點(diǎn)，即，否則標(biāo)記為非邊緣點(diǎn)，即；

33、s503：將導(dǎo)電率大于閾值的像素標(biāo)記為圖像邊緣，生成二值化的邊緣檢測(cè)結(jié)果，并輸出檢測(cè)圖像。

34、本發(fā)明通過(guò)憶阻陣列實(shí)現(xiàn)了蟻群優(yōu)化算法的硬件加速，并成功應(yīng)用于圖像邊緣檢測(cè)中。實(shí)驗(yàn)表明，通過(guò)調(diào)整蟻群路徑長(zhǎng)度和迭代次數(shù)，可以獲得更加細(xì)膩的邊緣檢測(cè)結(jié)果，尤其在處理小物體邊緣時(shí)具有明顯優(yōu)勢(shì)。

35、該方法的優(yōu)點(diǎn)在于，相比于現(xiàn)有技術(shù)，該方案具備更高的計(jì)算密度、更低的能耗，以及更優(yōu)的檢測(cè)精度，同時(shí)基于憶阻陣列的蟻群算法能夠生成比傳統(tǒng)邊緣檢測(cè)方法（如sobel算子和基于神經(jīng)網(wǎng)絡(luò)的邊緣檢測(cè)）更加精細(xì)的邊緣。

技術(shù)特征：

1.一種基于憶阻陣列蟻群算法的圖像邊緣檢測(cè)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于憶阻陣列蟻群算法的圖像邊緣檢測(cè)方法，其特征在于，所述憶阻器模型具體構(gòu)建如下：

3.根據(jù)權(quán)利要求2所述的一種基于憶阻陣列蟻群算法的圖像邊緣檢測(cè)方法，其特征在于，所述改進(jìn)的蟻群優(yōu)化算法對(duì)蟻群優(yōu)化算法進(jìn)行改進(jìn)，具體構(gòu)建過(guò)程如下：

4.根據(jù)權(quán)利要求3所述的一種基于憶阻陣列蟻群算法的圖像邊緣檢測(cè)方法，其特征在于，所述步驟s103具體如下：

5.根據(jù)權(quán)利要求4所述的一種基于憶阻陣列蟻群算法的圖像邊緣檢測(cè)方法，其特征在于，所述步驟s104具體如下：

6.根據(jù)權(quán)利要求5所述的一種基于憶阻陣列蟻群算法的圖像邊緣檢測(cè)方法，其特征在于，所述內(nèi)部狀態(tài)變量由電壓控制，具體通過(guò)以下公式實(shí)現(xiàn)：

技術(shù)總結(jié)
本發(fā)明涉及一種基于憶阻陣列蟻群算法的圖像邊緣檢測(cè)方法，屬于圖像處理及計(jì)算機(jī)視覺技術(shù)領(lǐng)域。憶阻器具有可編程、非易失性和高密度排列的特點(diǎn)，能夠?qū)崿F(xiàn)存儲(chǔ)與計(jì)算的融合。每只螞蟻在圖像中根據(jù)像素對(duì)比度作為啟發(fā)式因子，選擇最優(yōu)路徑進(jìn)行邊緣搜索。通過(guò)憶阻器陣列，實(shí)現(xiàn)了蟻群優(yōu)化算法的并行路徑選擇和信息素更新，能夠同時(shí)處理圖像的多個(gè)像素點(diǎn)，極大提高了計(jì)算效率。本發(fā)明通過(guò)交叉陣列結(jié)構(gòu)，利用憶阻器元件的并行計(jì)算能力，進(jìn)行大規(guī)模路徑選擇和更新。該方法能夠檢測(cè)到更加細(xì)膩的圖像邊緣，同時(shí)在計(jì)算速度和能耗方面具有顯著優(yōu)勢(shì)。該發(fā)明可以應(yīng)用于圖像處理、模式識(shí)別和人工智能領(lǐng)域，具有較強(qiáng)的實(shí)用價(jià)值和廣泛的應(yīng)用前景。

技術(shù)研發(fā)人員：于永斌,王向向,馮簫,谷樂,沈嘉潤(rùn),張京濤,鄭智文,李臣波,韓欣佚,王靖雅
受保護(hù)的技術(shù)使用者：電子科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9