تشخيص لبه تصوير با استفاده از الگوريتم بهينه سازي كلوني مورچه ها: يك رويكرد اكتشافي مبتني بر عمليات مورفولوژيك سايش

Image Edge Detection using Ant Colony Optimization: A morphological operations Erosion -Based Heuristic Approach

پردازش تصوير در طيف گسترده اي از برنامه ها مانند دوربين هاي مداربسته، كنترل ترافيك، كنترل رفت و آمد، عكس برداري پزشكي و … كاربرد دارد. يكي از مباحث مهم در پردازش تصوير آشكار سازي لبه است. در يك تصوير مهمترين پارامتري كه بيشترين تاثير را روي بيننده دارد لبه آن است. عمليات مورفولوژي مجموعه اي از عمليات هايي است كه مرتبط با ويژگي هاي شكل و ريخت شناسي در يك تصوير هستند. از الگوريتم هاي مورفولوژي به عنوان يك ابزار رياضي براي استخراج اجزاي تصوير استفاده مي شود در اين مقاله، ما يك روش جديد تشخيص لبه تصوير بر اساس الگوريتم كلوني مورچه ها با استفاده از تابع اكتشافي عمليات مورفولوژيك سايش پيشنهاد مي كنيم. روش پيشنهادي با تمام روش‌هاي تشخيص لبه تصوير مبتني بر الگوريتم كلوني مورچه‌ها و ساير روش‌هاي تشخيص لبه تصوير از نظر تشخيص لبه، عدم ناپيوستگي و كاهش نويز، تفاوت معناداري دارد. در بقيه كارهاي انجام شده در زمينه ACO از اختلاف شدت پيكسل به عنوان تابع اكتشافي استفاده مي شود و مورچه ها به صورت تصادفي روي پيكسل ها قرار مي گيرند اما علاوه بر تغيير تابع اكتشافي به سايش، مورچه ها را به طور هدفمند بر روي پيكسل هاي تابع اكتشافي كه از نظر شدت، تفاوت زيادي با بقيه دارند قرار مي دهيم كه موجب مي شود شدت نويز در تشخيص لبه ها، كاهش پيدا كند.

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.