边缘信息是图像最基本的特征,所包含的也是图像中用于识别的有用信息。为人们描述或识别目标以及解释图像提供了有价值的和重要的信息。边缘检测一直是计算机视觉和图像处理领域的经典研究课题之一。其目的是去发现图像中关于形状和反射或透射比的信息,是图像处理、图像分析、模式识别、计算机视觉以及人类视觉的基本步骤之一,其结果的正确性和可靠性将直接影响到机器视觉系统对客观世界的理解。由于目标边缘、图像纹理甚至噪声都可能成为有意义的边缘,因此很难找到一种普适性的边缘检测算法,现有诸多边缘检测的方法各有其特点,同时也都存在着各自的局限性和不足之处,因此图像的边缘检测这个领域还有待于进一步的改进和发展。传统基于蚁群算法的边缘检测算法极易陷入局部最优解,对边缘定位不准确,其主要原因如下:首先,由于噪声与边缘都处在图像中灰度发生突变的部分,因此蚂蚁搜索过程中选择噪声点与选择边缘点的概率是相同的,未能有效抑制噪声;其次,蚂蚁初始位置选择的随机性,使得很多蚂蚁分布在背景内进行无关计算,降低了算法的效率;最后,要得到完整的边缘需要众多蚂蚁经过大量循环计算。蚁群算法的很多缺陷(如:陷入局部最优解)从根源上来说正是由于模型的正反馈性和随机性两者的失衡造成的。为了减少传统蚁群算法的计算量,本文分析了传统基于微分的边缘检测算法的不足:1)边缘定位不准确;2)对角点存在漏检现象。为了解决角点漏检问题,本文分析了信号希尔伯特变换特点,提出了运用希尔伯特变换提取角点。首先利用Canny边缘检测算子的原理提取出了边缘点,然后利用通过对高、低阈值进行线性组合得出的阈值进行边缘点的阈值划分,得到边缘点的先验知识;第二步运用希尔伯特变换提取角点,第三步以边缘和角点作为启发信息,建立基于蚁群算法的边缘追踪模型;最后利用相关机制得到单像素边缘。整个模型较好地实现了信息素和启发信息对蚂蚁行径的导向作用,避免了传统蚁群算法中蚂蚁陷入局部最优解的缺陷。实验结果表明本文边缘检测方法具有较好的检测精度和噪声鲁棒性,且定位速度较快。