边缘是指图像中像素灰度有阶跃变化或屋顶状变化的连续像素点集合,传统边缘检测方法仅通过计算每个像素处的梯度来检测边缘点,即仅利用边缘的阶跃性,忽略其连续性。蚁群优化算法(Ant Colony Optimization,ACO)是一种模拟蚁群觅食最短路径的仿生优化算法,是通过蚂蚁在感兴趣的路径上滞留信息素(Pheromone)并逐渐吸引其他蚂蚁汇聚到这条路径上,路径的选取具有很强的相关性。因此,本文结合蚁群优化算法,建立边缘点之间的相关性,提取出连续性更强的边缘区域。并且针对蚁群算法种群总数恒定的问题,提出了种群数量自适应改变的蚁群优化数字图像边缘检测算法,增加了算法自适应性和在动态域中搜索的稳定性。首先,定义指导蚂蚁选择方向的启发场和指导蚁群移动的信息场,启发场引入具有方向权重的启发算子;其次,建立蚁群方向决策与启发信息的关系,指导蚂蚁检测和标记边缘点;然后,新增能量系统,建立繁衍和衰亡机制,增强算法的收敛性能,自适应改变蚁群搜索数量;最终依据沉积在每个像素位置上的信息素强度确定边缘点,从而提取边缘轮廓。为了验证提出方法,分别对真实图像、车牌图像和高分辨率遥感图像进行边缘检测实验,实验结果表明,提出方法不仅能自动确定最优蚁群总数,还可以实现边缘检测;并对实验结果进行定量及定性评价,通过评价结果,验证了提出方法的可行性及有效性。