基于改進人工蜂群正余弦優化的紅外圖像分割方法

李云紅,李傳真,屈海濤,蘇雪平,畢遠東,謝蓉蓉

(1.西安工程大學電子信息學院 陜西 西安 710048;2.哈爾濱市產品質量監督檢驗院,黑龍江 哈爾濱 150036)

1 引 言

近年來,隨著智能電網的發展,紅外圖像檢測技術逐漸運用到對電力設備的熱故障診斷中[1]。但在實際的紅外圖像采集過程中,圖像容易受到自身成像系統以及電力設備復雜環境背景的影響,使得采集回來的紅外圖像存在背景復雜、光照不均勻等問題,嚴重影響了故障區域的提取[2]。因此,為了便于觀察與分析,適當地增強紅外目標、削弱與去除不需要的信息,這便需要采用圖像的分割技術[3]。目前常用的分割方法有閾值分割法[4]、區域分割法[5]、聚類分割法[6]、分水嶺法[7]以及神經網絡分割法[8]等。在眾多方法中,閾值分割法因其效率高、算法簡單,一直都是圖像分割領域的熱門研究方法。由于紅外圖像背景較為復雜,單單采用閾值分割法往往不能達到理想的分割效果。

為提高圖像分割的分割效果,一些學者將人工蜂群算法應用到圖像的閾值分割中。Horng等[9]提出了一種最大熵法和人工蜂群法相結合的閾值圖像分割方法,但該方法有時會造成明顯的過分割問題；程偉等[10]提出了一種基于改進人工蜂群算法的Otsu圖像分割方法,雖然提高了分割的準確率,但當圖像質量較差時,該方法容易陷入局部最優并產生錯誤的閾值；趙鳳等[11]提出了一種多目標粒子群和人工蜂群混合優化的閾值圖像分割方法,采用最大熵函數和最大類間方差函數作為算法的目標函數,但該方法缺乏對復雜圖像的適用性。曲蘊慧等[12]提出了一種基于人工蜂群優化的MR閾值圖像分割方法,將人工蜂群算法與二維Otsu算法結合對MR圖像進行分割,但該方法存在著收斂速度較慢和耗時間較長的問題。

針對以上方法存在的問題,論文通過混沌對立和差分進化優化初始化種群和建立新的蜜蜂搜索方程,提出改進人工蜂群正余弦優化的圖像閾值分割方法,經仿真實驗表明,該方法針對復雜背景的電力設備紅外圖像能夠取得理想的分割效果,提高了算法的收斂速度。

2 人工蜂群算法和正余弦算法

2.1 人工蜂群算法

人工蜂群算法(ABC)模擬了自然界蜂群的覓食行為將整個蜂群分為3類:雇傭蜂、跟隨蜂和偵察蜂。其中雇傭蜂和跟隨蜂負責實物來源的開采過程,偵查蜂負責新實物來源的探索過程。整個蜂群的目標是尋找花蜜量最大的蜜源,即優化中的最優解。該算法的執行過程為:

①蜜源初始化。確定蜜源數量N和在D維搜索空間中進行搜索,且雇傭蜂數量與蜜源數量一致,則蜜源xi=(xi,1,xi,2,…,xi,D)代表一個候選解,其中i=1,2,…,N。生成蜜源初始化如公式(1)所示:

(1)

(2)

②雇傭蜂階段。雇傭蜂負責探索蜜源,在蜜源附近,產生一個隨機的候選解如公式(3)所示:

vid=xid+φid(xid-xkd)

(3)

式中,i∈(1,N),d∈(1,D)；φid是區間[-1,1]上的隨機數；k≠i,通過貪婪選擇決定是否由vid替換xid。

③跟隨蜂階段。跟隨蜂接收雇傭蜂的蜜源信息后進一步進行開采。通過輪盤賭算法,根據蜜源的適應度fit按式(4)計算蜜源被選中的概率pi,適應度越高,被選中的概率越大。

(4)

④偵察蜂階段。當一個蜜源達到開采上限時適應度仍未更新,蜜源被淘汰,根據式(1)隨機選取新蜜源。

2.2 正余弦法

正余弦算法是利用正弦余弦的數學形式應用于優化各種問題,通過生成各種隨機解決方案來啟動優化過程,然后通過迭代獲得最佳解決方案,最佳解決方案定義為目標點,在繼續迭代的同時,正弦和余弦范圍根據其數學形式進行調整,以更好地利用搜索空間,當滿足停止條件時,迭代停止。正余弦算法的數學形式如公式(5)所示:

X(t+1)=

(5)

其中,X表示種群;t是當前迭代次數;X*是上一代最優解。算法的重點是r1到r4這四個參數,這四個參數除了r1,其他都是隨機數。其中r1=c-c×t/tmax,c為任意大于0的常數。

3 改進的人工蜂群算法

3.1 適應度函數的選擇

適應度函數主要是用來評價種群中個體的優劣個性。論文采用二維Otsu作為人工蜂群算法的適應度函數,對于二維Otsu多閾值分割,將分割閾值灰度級擴展到(sk,tk),其中k代表著分割閾值數。假設T1代表背景區域,T2…Tk代表目標區域,則各類區域的概率計算方式為:

背景區域概率:

(6)

目標區域Tk的概率:

(7)

式中,pij=rij/W×H表示原圖灰度級為i且鄰域平均灰度級為j的像素點(x,y)的聯合概率密度函數,rij為像素點(x,y)的個數。背景區域均值矢量為u1=(u1i,u1j)T,目標區域Tk的均值矢量為uk=(uki,ukj)T。最終分割閾值定義為(s1,t1),(s2,t2)…(sk,tk),二維Otsu多閾值函數表示為:

(8)

則二維Otsu通過公式(9)確定最佳閾值:

(9)

3.2 種群初始化和雇傭蜂搜索方程的改進

為了提高算法的搜索能力,同時提高算法開采能力和收斂速度,論文在標準蜂群算法的基礎上,提出了一種改進的人工蜂群算法。算法主要是對種群初始化和雇傭蜂搜索方程進行改進。

3.2.1 種群初始化

種群初始化是進化算法的一個關鍵點,因為它影響著算法的收斂速度和最終解的質量。為了選擇更好的初始種群,論文提出一種新的初始化方法,利用具有遍歷性、隨機性的混沌系統和不規則性的對立的學習方法來生成初始種群。其方程迭代如公式(10)所示:

chk+1=μ·chk(1-chk)

(10)

式中,k表示的是迭代次數;μ的值設為4,chk是[0,1]的隨機數。

(11)

(12)

這里提出的初始化策略是通過計算原始解求出基礎相應對立解,以便在更大的搜索范圍里選擇解。

3.2.2 雇傭蜜蜂搜索方程

差分進化算法已經被證明是一種簡單而有效的進化算法,為提高人工蜂群算法的搜索性能,論文結合差分進化的方法提出一種新的搜索方程,如公式(13)所示:

vid=xid+φid(xbest,d-xr1,d)+(1-φid)(xr2,d-xr3,d)

(13)

式中,r1,r2,r3互為隨機數字,且r1,r2,r3∈(1,N),r1≠r2≠r3,i∈[1,N],d∈[1,D]。xbest是當前種群中具有最佳適應度的最佳解,φid是區間[-1,1]上的隨機分布的數字。

4 改進人工蜂群正余弦優化的閾值分割方法

為進一步提高圖像分割的準確率和效率,論文聯合人工蜂群算法、正余弦算法和二維Otsu多閾值分割方法尋找最佳分割閾值。基于改進人工蜂群正余弦優化的閾值圖像分割方法流程圖如圖1所示。

圖1 本文算法流程圖Fig.1 Algorithm flow chart of this paper

具體步驟如下:

第一步:讀取紅外圖像；

第二步:參數的初始化,為N個個體設置初始值,每個個體都對應圖像的不同閾值；

第三步:將二維Otsu函數設為人工蜂群優化方法的適應度函數,計算每個蜜源對應的適應度值,并標記適應度值最大的個體；

第四步:利用改進的人工蜂群算法(13)式搜索新的解,并對比更新前后解的適應度值,當新解適應度值大于原解時,則新解替代原解,否則保持不變；

第五步:利用正余弦法式(5)再次對新解進行優化更新,使其最終產生全局最優解,該最優解即代表最佳閾值,則優化停止,否則轉至步驟四。

5 實驗結果

為了驗證論文方法的有效性,進一步測試改進算法的分割效果,論文選取圖2所示4組電力設備紅外圖像進行分割對比試驗。并與Otsu法、k-means法、區域生長法以及分水嶺算法進行對比,圖3為使用不同方法得到的紅外圖像分割結果。

圖2 典型電力設備紅外圖像Fig.2 Infrared image of typical power equipment

圖3 不同方法對4組紅外圖像分割結果Fig.3 Four groups of infrared image segmentationresults by different methods

為了準確客觀地評價圖像分割的質量,論文采用交并比(IoU)和準確率(Accuracy)對不同方法的分割效果進行定量評價,得到結果如表1所示。交并比和準確率的計算如(14)和(15)所示。

(14)

(15)

式中,area(D)表示使用不同方法分割的結果；area(S)表示確定的標準分割結果。TP和TN表示正確的目標像素集和背景像素集；FP和FN表示誤分的像素集和漏分的像素集。

從圖3中可以看出,采用分水嶺法產生了明顯的過分割現象；而Otsu、k-means法和區域生長法雖然能把故障區域分割出來,但是也存在一定的誤分區域；論文方法在圖像細節的分割效果上具有一定優勢,能夠更好地分割出故障區域。

根據表1中交并比和準確率數據對比也可以明顯看出,論文方法相較于其他四種方法,對圖像故障區域的分割取得了較高的準確率,分割結果最接近標準分割圖形。數據顯示論文方法平均分割交并比為84.13 %,平均準確率為89.18 %。與Otsu法、k-means法、區域生長法、分水嶺法相比具有明顯的分割效果。圖像的分割效果和圖像的細節信息以及目標區域的完整性都明顯優于其他方法。

表1 分割交并比和準確率對比表Tab.1 Comparison table of segmentation IoU and Accuracy

6 結 論

論文將人工蜂群算法和正余弦算法引入到圖像的閾值分割算法中,提出的改進人工蜂群正余弦優化的紅外圖像閾值分割方法經仿真實驗測試取得了較好的分割效果。與Otsu法、k-means法、區域生長法以及分水嶺法測試比較,基于改進人工蜂群正余弦優化的紅外圖像閾值分割方法對紅外圖像目標區域分割的平均交并比為84.13 %,且平均準確率為89.18 %,顯著提高了紅外圖像目標區域分割的準確性和穩定性。