引用本文

邢致恺, 贾鹤鸣, 宋文龙.基于莱维飞行樽海鞘群优化算法的多阈值图像分割.自动化学报, 2021, 47(2): 363-377 doi: 10.16383/j.aas.c180140

Xing Zhi-Kai, Jia He-Ming, Song Wen-Long. Levy flight trajectory-based salp swarm algorithm for multilevel thresholding image segmentation. Acta Automatica Sinica, 2021, 47(2): 363-377 doi: 10.16383/j.aas.c180140

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180140

关键词

多阈值图像分割，最大类间方差法，樽海鞘群优化，莱维飞行 

摘要

针对Otsu算法用于多阈值图像分割中存在运算时间长和精度低的不足, 利用群智能优化算法对图像分割算法进行优化.本文首先应用莱维飞行算法对樽海鞘群优化算法进行改进, 将多阈值Otsu函数作为优化算法的适应度函数, 利用改进后的LSSA寻找适应度函数的最大值, 同时获得相对应的多阈值.其次, 通过对几幅基本图像、伯克利大学图像分割库中的图像和实际污油图像进行多阈值Otsu分割研究, 在最佳适应度值、PSNR、SSIM指标以及算法耗时方面进行对比分析.实验结果表明本文提出的算法可以获得更为准确的分割阈值和更高的分割效率.

文章导读

在图像处理领域中, 图像分割是一项基础工作, 但是图像分割却又是一项极具挑战的研究课题, 图像分割主要方法有基于阈值进行分割[1]、基于聚类进行分割[2]、基于区域分割[3]以及人工神经网络[4]等方法.闫成新等[5]提出了一种过渡区提取的多阈值图像分割方法, 利用局部熵和滤波器获得图像的多个阈值, 可以稳定地找到图像的阈值.刘仲民等[6]提出了基于稀疏矩阵的聚类方法, 利用图像的信息建立稀疏相似度矩阵, 提高了分割的准确性和鲁棒性.张军国等[7]提出了利用复合梯度提取图像信息, 最终利用分水岭实现图像分割, 能够有效地监控树林中虫害区域.陈鸿翔[8]构建并实现了卷积神经网络和反卷积层神经网络相结合的深度神经网络结构, 直接对图像在像素水平上进行预测其所属的语义类别, 在医学图像和物体的分割有着较好的效果.上文分析了几种常用的图像分割方法, 本文主要研究多阈值分割方法, 其核心的问题就是阈值的选取, 单阈值处理复杂图像面临较大的挑战, 故许多学者研究将单阈值推广到多阈值对图像进行分割, 以求获得更加准确的阈值.

本文研究多阈值图像分割问题, 通过将传统的Otsu单阈值分割推广到多阈值图像分割, 并且解决多阈值图像分割算法中存在计算精度不高和运算时间较长等问题.为了克服上述问题, 许多学者引入元启发式优化算法对多阈值的适应度函数进行寻优. Oliva等[9]提出了一种改进鲸鱼算法应用在多阈值图像分割之中, 该方法能够有效地提高鲸鱼算法的全局搜索能力, 并且能够找到更加优秀的适应度值, 以及更为精确的分割阈值.张新雨等[10]提出了改进的人工鱼群算法应用到硅单晶直径检测图像阈值分割, 该方法具有较高的搜索精度, 有效地解决了该工程问题. Agarwal等[11]利用蜘蛛优化算法进行多阈值分割优化, 进行直方图的双模和多模态阈值分割, 有效地提升计算时间和实现最优阈值的寻优. Erdman等[12]提出利用改进的萤火虫算法进行多阈值分割, 通过模拟三个阈值级别的场景对其进行分割, 结果更加接近手动分割的效果.上述研究将元启发式算法应用到多阈值分割中具有一定的效果, 但大多数算法均是由全局的粗搜索到局部的细搜索, 且算法设置参数较多, 影响了算法的学习效率和工程实用性, 因此从工程应用角度出发, 探索形式更简化且耗时更少的解决多阈值图像分割问题的优化算法是今后研究的重要方向之一.

由于各种元启发式算法适应解决的实际工程问题不同, 元启发式算法主要分为两种[13], 分别为进化算法和群智能优化算法.进化算法就是模仿自然界进化的概念.这类算法中最经典且最受欢迎的算法是模仿达尔文进化理论的遗传算法(Genetic algorithm, GA).在GA中优化开始针对特定问题提供一套随机解决方案, 通过目标函数的评估后, 基于适应度值来解决方案的变量更新.还有其他几种常用的演化算法, 比如差异演化、进化论策略、生物地理学优化等.群智能优化算法源于生物的集体行为, 模仿大的种群如何寻找食物的方法.蚁群优化算法(Ant colony optimization, ACO)[14]和粒子群优化算法(Particle swarm optimization, PSO)[15]是这类算法中较为经典的两类方法. ACO模仿蚂蚁寻找最短路径的社会行为, PSO算法模拟鸟群在航行和狩猎中的行为.其他群优化算法有: 2015年由Karaboga等提出的人工蜂群算法(Artificial bee colony algorithm, ABCA)[16], 通过模仿蜜蜂采花蜜的行为进行寻优, 该算法能够适应环境的变换; 萤火虫算法(Firefly algorithm, FA)[17]由Yang等提出, 通过模仿萤火虫的趋光性, 向光源移动进行寻优; 蝙蝠优化算法(Bat algorithm, BA)[18]是一种有效地全局搜索方法, 该算法通过迭代搜索最优解, 并且在最优解附近进行飞行产生局部新解, 加强了局部搜索能力; 2016年Mirjalili等提出的鲸鱼优化算法(Whale optimization algorithm, WOA)[19]是一种模仿座头鲸捕食的算法, 该算法在全局搜索及局部寻优均具有较强的能力.虽然进化优化与群体优化之间存在差别, 但其共同点是能够在限定域中找到最优值.尽管各类算法都具有各自的优点, 但No-free-lunch (NFL)[20]已经证明没有一种算法能够解决所有的优化问题, 本文研究并应用的樽海鞘群优化算法能够有效解决单目标优化学习问题, 具有较强的搜索学习能力.

本文的主要研究内容如下:首先, 利用莱维飞行轨迹对SSA算法进行改进, 使得该算法具有更加优秀的全局搜索能力和更强的收敛能力, 获得更加优秀的适应度值.其次, 将本文算法应用于多阈值图像分割领域当中, 对经典图像以及污油图像进行处理, 观察本算法与其他算法分割后的效果, 并且对相关参数指标进行分析, 说明本算法具有较强的全局搜索能力, 并且能够很好地解决实际的图像分割问题.最后, 通过与其他图像分割算法进行比较, 验证本文所提出的图像分割算法有着较高的精度.

图1 樽海鞘链

图2 莱维飞行轨迹

图3 图像分割算法流程图

本文提出了基于莱维飞行的樽海鞘群优化算法来确定多阈值分割的最优阈值, 并将其作为优化问题进行研究.为了解决多阈值分割中阈值个数增加, 计算难度增加, 寻优精度不高等问题, 通过应用改进的樽海鞘群优化算法能够有效地进行图像分割, 并且通过与WOA、SSA、PSO、HSA和FPA等算法进行对比, 发现本文算法的全局搜索能力, 以及最优值搜索能力更强, 可以完成复杂图像的有效分割, 为解决污油图像的分割提供了有效的方法.但是本文算法在时间上, 比SSA、WOA算法运行时间相对较慢.在未来, 将会研究本算法在更高的阈值寻优上的能力, 并尝试在动态多阈值问题中使用该算法, 以求获得更好的分割效果.以及解决大规模处理图像时处理速度问题, 将会研究多核CPU/众核CPU技术[29-30]提高运算速度, 在保证分割精度的情况下进一步减少图像分割的运算时间.

作者简介

邢致恺

东北林业大学机电工程学院硕士研究生.主要研究方向为智能优化与图像处理. E-mail: kai230606@163.com

宋文龙

东北林业大学机电工程学院教授.主要研究方向为智能检测与控制技术. E-mail: wlsong139@126.com

贾鹤鸣

东北林业大学机电工程学院副教授.主要研究方向为智能优化与图像处理, 非线性控制理论与应用.本文通信作者, E-mail:jiaheminglucky99@126.com