Noisy images edge detection: Ant colony optimization algorithm

لبه ها در يك تصوير، مرز آن تصوير تعريف مي شوند. زماني كه تصوير نويزي است، به راحتي لبه ها قابل تشخيص نيست. بنابراين، روش پيشرفته اي مورد نياز است تا در يك تصوير نويزي بتواند لبه ها را به درستي تشخيص دهد. پيش از اين روش هاي بسياري با استفاده از فيلترها، انتقال و موجك با الگوريتم بهينه-سازي اجتماع مورچگان مطرح شده است. ما در اينجا، الگوريتم بهينه سازي اجتماع مورچگان را براي آشكارسازي لبه در تصاوير نويزي با نويز گوسي و نمك و فلفل استفاده كرديم. از آنجايي كه فركانس هاي لبه خيلي نزديك به باند فركانسي نويز است، لبه يابي با استفاده از روش هاي لبه يابي معمول مشكل است. حركت مورچه ها بستگي به اختلاف محلي مقدار شدت تصوير دارد. نتايج شبيه سازي در مقايسه با روش هاي معمولي موجود و ارايه شده، عملكرد بهتر الگوريتم بهينه سازي اجتماع مورچگان را در تشخيص لبه تصاوير نويزي نشان مي دهد. عملگرهاي كني، سوبل و پرويت، لبه هاي ضخيم، ناپيوسته و محتواي تصوير بدون وضوح را ارايه مي دهند. اما روش بكار برده شده، لبه هاي نازك و روشن مي دهد.

The edges of an image define the image boundary. When the image is noisy, it does not become easy to identify the edges. Therefore, a method requests to be developed that can identify edges clearly in a noisy image. Many methods have been proposed earlier using filters, transforms and wavelets with Ant colony optimization (ACO) that detect edges. We here used ACO for edge detection of noisy images with Gaussian noise and salt and pepper noise. As the image edge frequencies are close to the noise frequency band, the edge detection using the conventional edge detection methods is challenging. The movement of ants depends on local discrepancy of image’s intensity value. The simulation results compared with existing conventional methods and are provided to support the superior performance of ACO algorithm in noisy images edge detection. Canny, Sobel and Prewitt operator have thick, non continuous edges and with less clear image content. But the applied method gives thin and clear edges.