陈浩，裴瑞杰，汪鑫

（南阳农业职业学院，南阳473000）

0 引言

农作物图像处理主要是通过计算机技术对图像进行去噪、增强、分割、特征提取、融合等操作，从而提取目标区域，预测农作物生长状况[1-3]，提取农作物抗旱性特征[4]，识别农作物害虫[5-7]和农作物的检测[8-12]等，分割是图像处理过程中最重要的步骤之一，分割质量的高低直接影响后续图像处理的效果。目前图像分割方法主要有基于阈值分割法[13-15]、基于边缘分割法[16-17]和基于聚类、区域及特定理论分割法[18-19]等。其中，K-means算法[20-21]是Mac Queen 提出的一种通过相似性度量进行区域划分的聚类算法，原理简单，便于处理大量数据，广泛应用于图像处理领域，然而却存在对初始化聚类中心比较敏感、不能自适应选择聚类个数等缺点，有学者提出将智能优化算法运用到图像分割中[22-24]，其中蚁群优化算法计算简单、易于实现，得到广泛应用。本文提出一种新的聚类方法应用与生菜叶片图像分割，该方法将ACO 算法与K-means 算法相结合对图像进行优化聚类。实验结果表明该方法在生菜叶片图像分割中具有更好的性能。

1 蚁群优化算法

蚁群优化算法（Ant Colony Optimization，ACO）[25-26]是一种模拟蚂蚁觅食行为的仿生优化算法。算法基本思想是蚂蚁觅食过程中会在局部范围内测量群体相似性，这些数据将转化为是否觅食的概率，常应用于图像处理领域[27-28]。图像X 中的像素点Xj,j=1,2,…,N 被视做一个蚂蚁，该像素点的特征向量由其灰度值表示。蚂蚁觅食的过程可以看做图像分割的过程。……