لبه در یک تصویر معمولا در اثر تغییرات سریع در سطوح خاکستری تصویر به وجود می آید. این تغییرات دلایل زیادی مثل هندسه ی تصویر، نورپردازی تصویر یا سطوح بازتاب دهنده در تصویر خواهند داشت. از دیدگاه ریاضی ، خصوصیات یک لبه ی مطلوب را می توان با فاکتور هایی مشخص کرد. در عمل، سیستم ادراک مغز انسان نقش مهمی در تصمیم گیری برای اینکه یک پیکسل لبه هست یا نه بازی می کند. انتقال این درک به ماشین مسأله ای چالش برانگیز است. تشخیص لبه یک مرحله ی کلیدی در پردازش تصویر، بینائی ماشین، شناسایی الگو و سایر زمینه های مربوط به هوش مصنوعی می باشد. الگوریتم های زیادی برای مسأله ی تشخیص لبه معرفی شده است. این الگوریتم ها از روش های متنوعی شامل روش های آماری، روش های مبتنی بر مشتق، روش های پارامتری و برازش منحنی استفاده می کنند. در این پایان نامه از یک روش جدید بهینه سازی برای تشخیص لبه در تصاویر دیجیتال استفاده شده است. برای این منظور با در نظر گرفتن مسأله ی تشخیص لبه به عنوان یک مسأله ی بهینه سازی، به هر تصویر از لبه ها یک مقدار هزینه اختصاص می یابد. در واقع در این روش ما با تابع هزینه ای روبرو هستیم که می بایست کمینه شود. این تابع هزینه با توجه به معیار های موجود برای یک لبه ی ایده آل تعریف شده است. پیکر بندی تصویر لبه ها به صورت یک ماتریس دوبعدی است که به هر پیکربندی یک کشور در فضای راه حل مسأله اطلاق می شود و هر کشور هزینه ی متناظر با پیکربندی خود را دارد. با استفاده از سازو کار های موجود در الگوریتم رقابت استعماری یعنی همسان سازی و انقلاب، تابع هزینه کاهش داده شده و بهترین جواب مسأله که بهترین تصویر لبه های تصویر اصلی است به دست آورده می شود. تصاویر لبه به دست آمده از این روش نشان دهنده ی کیفیت لبه های به دست آمده می باشد. در واقع این موضوع بیانگر این است که الگوریتم رقابت استعماری، ابزار قدرت مندی برای جستجو در فضای راه حل مسائلی با پیچیدگی و گستردگی زیاد می باشد.