基于粒子群算法的農(nóng)作物病蟲害圖像分割方法研究

摘" 要：圖像分割是在一個復(fù)雜的參數(shù)空間尋找最優(yōu)分割參數(shù)，針對傳統(tǒng)方法計算量大，分割效率低的特點，該文提出基于粒子群算法的圖像分割方法。每個粒子代表一個可行的閾值向量，通過各個粒子的飛行來獲得最優(yōu)閾值。選用典型棉花病蟲害圖像作為研究對象，并與最大熵算法比較，結(jié)果表明，利用粒子群算法進行圖像分割可以簡化計算，提高分割效率，為棉花病蟲害圖像處理奠定基礎(chǔ)。

關(guān)鍵詞：圖像分割；粒子群算法；最大熵算法；病蟲害；農(nóng)作物

中圖分類號：S435" " " " 文獻標志碼：A" " " " " 文章編號：2096-9902（2023）15-0001-05

Abstract： Image segmentation is to find the optimal segmentation parameters in a complex parameter space. In view of the large amount of calculation and low segmentation efficiency of traditional methods， an image segmentation method based on particle swarm optimization algorithm is proposed. Each particle represents a feasible threshold vector， and the optimal threshold is obtained through the flight of each particle. The typical cotton pest image is selected as the research object， and compared with the maximum entropy algorithm， the results show that the use of particle swarm optimization algorithm for image segmentation can simplify the calculation， improve the segmentation efficiency， and lay a foundation for cotton pest image processing.

Keywords： image segmentation; particle swarm optimization; maximum entropy algorithm; diseases and pests; crops

圖像分割是指將圖像分成若干個各具特色的區(qū)域，并從中將感興趣的目標區(qū)域提取出來的技術(shù)和過程，是圖像處理的重要步驟，分割質(zhì)量的好壞將直接影響圖像處理的后續(xù)工作進行，所以對圖像分割的研究一直是圖像技術(shù)研究中的熱點和難點之一。其是工農(nóng)業(yè)生產(chǎn)自動化、遙感圖像分析、生物特征識別、計算機視覺、圖像壓縮編碼、醫(yī)學(xué)圖像處理和智能視屏分析等圖像處理系統(tǒng)的算法中非常重要的一個步驟[1]。圖像分割已經(jīng)滲透到了人們大部分的生產(chǎn)生活中，為后續(xù)的分類、識別和檢索提供依據(jù)。人們也越來越重視圖像分割的應(yīng)用。傳統(tǒng)的分割方法最大熵法[2]選擇出合適的閾值將圖像中目標與背景分離，得到普遍應(yīng)用，但該方法計算量大，分割效果不理想。Huang等提出了一種基于人工免疫網(wǎng)絡(luò)的無監(jiān)督圖像分割算法，能夠有效抑制不正常數(shù)據(jù)對算法的干擾，達到了算法效率與速度的良好平衡。近年來，以圖論為基礎(chǔ)的分割方法成為了一個熱門的研究方向。在2006年，BifodeauG.A.等提出了一種基于多段圖的分割算法，與采用單一標準的基于圖的分割方法相比，其在空間相關(guān)性、邊緣準確性和感興趣區(qū)域分割等方面都有著良好的效果。選擇一種合適的圖像分割方法，很大程度上取決于要處理的圖像類型和應(yīng)用領(lǐng)域[3-5]。至今還沒有一種圖像分割算法是通用的，也難以獲得一種最佳的特征表示方法。本文提出基于粒子群算法的圖像分割方法。選取以棉花病蟲害圖像為對象，分別利用最大熵算法、粒子群算法優(yōu)化算法進行研究，結(jié)果表明，該方法分割效率高。

1" 圖像分割原理

圖像分割是按照一定的規(guī)則把圖像劃分成若干個互不相交、具有一定性質(zhì)的區(qū)域，把人們關(guān)注的部分從圖像中提取出來，進一步加以研究分析和處理。圖像分割的結(jié)果是圖像特征提取和識別等圖像理解的基礎(chǔ)，對圖像分割的研究一直是數(shù)字圖像處理技術(shù)研究中的熱點和焦點[6]。圖像分割使得其后的圖像分析、識別等高級處理階段所要處理的數(shù)據(jù)量大大減少，同時又保留有關(guān)圖像結(jié)構(gòu)特征的信息（圖1）。

在圖像分割算法最為關(guān)鍵的步驟，就是如何確定一個合理的分割閾值。

傳統(tǒng)的閾值優(yōu)化算法搜索方法來尋求最優(yōu)閾值，計算量很大，從而導(dǎo)致圖像分割的效率降低，分割效果不理想。粒子群算法具有原理簡單、易于實現(xiàn)、需要調(diào)整的參數(shù)較少的特點，考慮利用該算法在尋求最優(yōu)解過程中的運算優(yōu)勢來減少閾值選取的時間，從而提高圖像分割的效率。

2" 最大熵算法

3" 基本粒子群算法

粒子群算法是一種基于群體智能的優(yōu)化算法[10]，在搜索空間中遍歷可能的解空間，找到最優(yōu)解，是將一組隨機初始化的粒子放置在搜索的空間中，然后通過模擬粒子在搜索空間中迭代、移動、交換信息的過程，來找到問題的最優(yōu)解，粒子的位置和速度表示了解的參數(shù)和搜索方向，并根據(jù)歷史信息和鄰居信息進行改變，直到找到最優(yōu)解為止[11-13]。具體來說，每個粒子通過跟蹤自己的個體歷史最優(yōu)位置和群體歷史最優(yōu)位置來調(diào)整自身的位置和速度，不斷地更新當(dāng)前的最優(yōu)解，并向著最優(yōu)解不斷逼近。通過這種方式，粒子群算法可以同時實現(xiàn)全局搜索和局部優(yōu)化。

4" 基于粒子群算法的圖像分割實現(xiàn)

4.1" 工作原理

針對傳統(tǒng)圖像分割算法在分割過程中存在分割效率低、計算量大等問題，利用粒子群算法進行圖像分割，本質(zhì)就是利用粒子群算法的強大優(yōu)化能力優(yōu)化最大熵算法的閾值，實現(xiàn)圖像的快速分割，其主要目的是在將圖像分類為不同的區(qū)域時，最大程度地提高每個區(qū)域中的信息熵。該模型通過優(yōu)化粒子群算法來實現(xiàn)圖像的分割。這包括確定初始種群、適應(yīng)度函數(shù)和粒子更新規(guī)則等。

該模型的主要過程可以概括為以下幾個步驟：首先，確定初始閾值，然后利用粒子群算法不斷迭代以尋找最優(yōu)解；其次，使用最優(yōu)解進行圖像分割，并計算每個區(qū)域的熵值；最后，不斷地更新其位置速度，當(dāng)算法迭代停止時，此時粒子的位置就是圖像的最優(yōu)閾值。

4.2" 目標函數(shù)選取

4.3" 圖像收集及預(yù)處理

4.4" 實驗結(jié)果分析

實驗環(huán)境：Windows7操作系統(tǒng)；程序運行軟件為MATLAB2022b，粒子群算法參數(shù)設(shè)置將粒子規(guī)模大小設(shè)置為300，學(xué)習(xí)因子c1與c2相等均設(shè)置為1.5，慣性權(quán)重范圍為[0.4 0.9]，最大迭代次數(shù)為100，選取棉花黃萎病、棉花枯萎病分別為研究對象，利用最大熵算法和粒子群算法進行仿真分析。在MAYLAB軟件中進行編程，結(jié)果如圖5、圖6、表1所示。

從圖5可以看出，針對棉花黃萎病，對于病斑1和病斑2，利用最大熵算法得到的圖像分割的效果明顯較差，而粒子群算法進行圖像分割可以更好地區(qū)分不同的目標物體和背景，從而提高圖像分割的準確性，通過分割后的圖像，發(fā)現(xiàn)該方法分割的效果要好。從圖6可以看出，針對棉花枯萎病圖像，利用粒子群算法對病斑1和病斑2分割出的病斑部分比較細膩，可以較為清晰地看到棉花葉片的病斑部分。從表1也可以看出，粒子群算法的分割時間為0.726 s，最大熵算法的分割運行時間為1.227 s，粒子群算法分割時間更短，效率更高。為棉花病蟲害的監(jiān)測提供依據(jù)。

5" 結(jié)論

針對圖像傳統(tǒng)方法在圖像分割過程中，存在分割效率低等特點，提出粒子群算法的圖像分割方法，選用棉花黃萎病和棉花枯萎病圖像作為研究對象進行研究，首先將真彩圖像采用加權(quán)平均值法進行灰度化處理，然后分別利用最大熵算法和粒子群算法進行仿真比較。結(jié)果表明，粒子群算法可以獲得較好的分割效果，能夠清楚地分割出病斑部分，分割效率高，為棉花病蟲害的分類提供了一定的理論依據(jù)。

參考文獻：

[1] 梁曉彤，徐踐.MATLAB圖像處理技術(shù)在農(nóng)業(yè)病蟲害識別中的應(yīng)用分析[J].南方農(nóng)業(yè)，2017，11（21）117.

[2] 厲俊.基于MATLAB GUI圖像處理系統(tǒng)的設(shè)計與實現(xiàn)[J].軟件工程，2020，23（5）59-60.

[3] 蘇博妮.基于圖像處理的水稻病蟲害識別技術(shù)[J].信息技術(shù)與信息化，2018（5）96.

[4] 張濤，齊永奇.MATLAB圖像處理編程與應(yīng)用[M].北京：機械工業(yè)出版社，2014：1-6.

[5] 劉成龍.精通MATLAB數(shù)字圖像處理[M].北京：清華大學(xué)出版社，2015：121.

[6] 白雪冰，林鑫，竇延光，等.基于Gabor濾波與Tamura紋理特征的板材分類研究[J].西北林學(xué)院學(xué)報，2021，36（6）：243.

[7] 劉光宇，黃懿，曹禹，等.基于灰度共生矩陣的圖像紋理特征提取研究[J].科技風(fēng)，2021（12）：61-62.

[8] 夏星宇，高浩，王創(chuàng)業(yè).均衡策略粒子群算法在圖像分割中的應(yīng)用[J].鄭州大學(xué)學(xué)報（工學(xué)版），2018，39（1）：55-59.

[9] 張施令，彭宗仁，胡偉，等.用改進粒子群神經(jīng)網(wǎng)絡(luò)混合算法優(yōu)化特高壓油氣套管均壓球結(jié)構(gòu)[J].高電壓技術(shù)，2012，38（9）：2195-2204.

[10] 田雨波，朱人杰，薛權(quán)祥.粒子群優(yōu)化算法中慣性權(quán)重的研究進展[J].計算機工程與應(yīng)用，2008（23）：39-41.

[11] 曲鵬舉.改進粒子群算法在柔性作業(yè)加工時間問題研究[J].機械與電子，2023，41（1）：3-6，12.

[12] 林雪華，陳雁冰.凹點匹配算法在大米圖像分割中的應(yīng)用[J].曲靖師范學(xué)院報，2018，37（3）：36-39.

[13] 王玉山，趙帥，程光宇，等.基于相襯成像的X射線波面檢測裝置控制系統(tǒng)設(shè)計及仿真[J].工業(yè)控制計算機，2020，33（5）：108-111.

[14] 劉聰，畢浩洋.改進的大津法在煙草害蟲圖像分割中的應(yīng)用[J].中原工學(xué)院報，2020，31（2）：67-70.

[15] 趙汝海，孫凡，朱廣.基于模糊OTSU與布谷鳥尋優(yōu)的火災(zāi)圖像多閾值分割算法[J].安徽建筑大學(xué)學(xué)報，2019，27（4）：65-70，97.