1. 研究目的与意义（文献综述）
在一幅图像中人们往往只对其中一部分感兴趣，将特定的目标分割出来才能进行下一步的处理，这就是图像分割技术。图像分割是数字图像处理和分析中的一种常用的技术，通常根据图像中像素的特征将图像分割成多个区域或部分。图像分割是一项具有挑战性的复杂任务，它受到许多方面的影响，包括噪声、低对比度、光照和物体边界的不规则性。图像分割包括了前景和背景的分离，或者基于颜色或形状的相似性对像素区域进行聚类等方面的内容。因为图像分割的结果对于进一步的处理具有直接的影响，所以分割的方法和方式是十分关键的，它是图像处理领域的重点研究内容。
多年来，为了有效地解决特定应用领域的图像分割问题，人们利用特定领域的知识开发了大量的图像分割算法和技术。这些应用包括医学成像、自动驾驶、视频监控和机器视觉。在癌症的医学诊断中，病理学家用苏木精和伊红染色身体组织以区分组织类型。然后他们使用一种叫做聚类的图像分割技术来识别图像中的组织类型。聚类是一种分离场景中对象组的方法。k-means聚类算法发现的分离使得每个聚类中的对象尽可能接近彼此，并且尽可能远离其他聚类中的其他对象。在自动驾驶汽车等自主车辆的感知设计中，语义分割被广泛应用于帮助系统识别和定位道路上的车辆和其他物体。除此之外还有许多的关于图像分割的算法，但是大部分都是针对具体问题的，缺少适用于所有图像的通用分割算法。传统分割方法中也存在一些优秀的方法如基于阙值的分割方法、基于边缘检测的分割方法等对于特定图像取得了良好的效果。还有结合特定工具的图像分割算法如基于小波分析和小波变换的图像分割方法、基于遗传算法的图像分割、基于主动轮廓模型的分割方法等也是如此。但是它们在面对不同的应用目的和图像特性时又有很大的局限性。近年来研究者们倾向于将分割看为优化组合问题，同时随着时代的进步也出现了越来越多的图像分割方法。
蚁群算法是由意大利学者dorigo、maniezzo等在上世纪90年代率先提出的。他们在对蚂蚁进食的过程的研究中发现虽然蚂蚁个体的行动较为简单，但是蚂蚁整体的行动却十分有效率。例如在寻找最短达到食物的路径时，蚂蚁整体表现的十分智能。他们通过对蚂蚁寻食的研究提出了蚂蚁算法并解决了一系列的组合优化问题。目前国外对蚂蚁算法的研究领先于国内，德国、意大利、比利时等国家研究的比较深入，美国和日本也在进行对蚁群算法的研究。我国最早研究蚁群算法的是东北大学的张纪会博士和徐心和教授（1997年10月）。经过一系列的研究发现蚁群算法可以进行智能搜索、全局优化，而且具有鲁棒性、正反馈、分布式计算等特点。但是蚁群算法的复杂度比较高需要较长的搜索时间。
2. 研究的基本内容与方案
由于基于先验阈值或者小波变换的传统图像分割算法在处理内含成分单一、分割目标区域排列规则、实时性要求较低的图像时，可以实现较好的分割效果，但是由于传统图像分割算法存在计算冗余、可操作性较差、过分依赖经验、全局最优解缺失等问题，难以应用在分割规则多变、高实时性、高分辨率的图像分割场景。基于上述背景，提出了一种基于改进型蚁群算法的图像分割优化算法，可以克服传统蚁群算法的收敛速度慢且易陷入局部最优的固有劣势，实现全局最优，具有匹配精度高、抗干扰性强、并行搜索效率高等优势。
本文将蚁群算法看为一个组合优化的过程，设计了一种基于改进蚁群算法的图像分割方法，主要研究以下几个方面。
1. 蚁群算法的原理及应用研究
3. 研究计划与安排
4-7周：确定方案，完成计算，校核方案的合理性，翻译外文文献；
4. 参考文献（12篇以上）
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
