图像边缘是数字图像中最重要的基本特征之一。图像的边缘检测技术在图像处理中、计算机视觉处理中都起着很十分重要的作用。因此,找出合适的方法提取图像边缘具有十分重要的意义。蚁群算法(ACO)是人们根据自然界中蚂蚁的觅食行为规则形成的一种组合优化算法,蚂蚁个体本身能力是有限的,但是整个蚁群系统却能完成单个个体无法完成的复杂任务,但是该算法容易进入局部最优状态,为了解决这一个问题很多学者提出了诸多改进方法。混合蛙跳算法(SFLA)是一种受自然生物模仿启示而产生的一种协同进化算法,且该算法具有良好的局部搜索功能。本文主要是要改进传统蚁群算法容易陷入局部最优的不足之处,利用混合蛙跳算法的群体爬山思想对传统蚁群算法进行改进,为了进一步提高蚁群算法的性能还借鉴了前人提出的自适应机制对蚁群算法进行适当的改进优化。实验结果表明,本文提出的基于改进蚁群算法的图像边缘检测算法,其仿真时间短,边缘信息丰富连续,效果明显优于单独的蚁群算法边缘检测和单独的自适应蚁群算法的边缘检测,进而证明了该算法在图像边缘检测上具有良好的性能。本文的特色在于,将混合蛙跳算法和优化后的蚁群算法这两种仿生学算法的优点很好的结合在一起,并将其应用在医学CT图像边缘检测中。虽然蚁群算法已经有多人提出应用于图像边缘检测,但是将自适应机制与蚁群算法以及混合蛙跳算法三者混合应用与图像边缘检测还是首例。