基于改进人工蜂群正余弦优化的红外图像分割方法

李云红,李传真,屈海涛,苏雪平,毕远东,谢蓉蓉

(1.西安工程大学电子信息学院 陕西 西安 710048;2.哈尔滨市产品质量监督检验院,黑龙江 哈尔滨 150036)

1 引 言

近年来,随着智能电网的发展,红外图像检测技术逐渐运用到对电力设备的热故障诊断中[1]。但在实际的红外图像采集过程中,图像容易受到自身成像系统以及电力设备复杂环境背景的影响,使得采集回来的红外图像存在背景复杂、光照不均匀等问题,严重影响了故障区域的提取[2]。因此,为了便于观察与分析,适当地增强红外目标、削弱与去除不需要的信息,这便需要采用图像的分割技术[3]。目前常用的分割方法有阈值分割法[4]、区域分割法[5]、聚类分割法[6]、分水岭法[7]以及神经网络分割法[8]等。在众多方法中,阈值分割法因其效率高、算法简单,一直都是图像分割领域的热门研究方法。由于红外图像背景较为复杂,单单采用阈值分割法往往不能达到理想的分割效果。

为提高图像分割的分割效果,一些学者将人工蜂群算法应用到图像的阈值分割中。Horng等[9]提出了一种最大熵法和人工蜂群法相结合的阈值图像分割方法,但该方法有时会造成明显的过分割问题；程伟等[10]提出了一种基于改进人工蜂群算法的Otsu图像分割方法,虽然提高了分割的准确率,但当图像质量较差时,该方法容易陷入局部最优并产生错误的阈值；赵凤等[11]提出了一种多目标粒子群和人工蜂群混合优化的阈值图像分割方法,采用最大熵函数和最大类间方差函数作为算法的目标函数,但该方法缺乏对复杂图像的适用性。曲蕴慧等[12]提出了一种基于人工蜂群优化的MR阈值图像分割方法,将人工蜂群算法与二维Otsu算法结合对MR图像进行分割,但该方法存在着收敛速度较慢和耗时间较长的问题。

针对以上方法存在的问题,论文通过混沌对立和差分进化优化初始化种群和建立新的蜜蜂搜索方程,提出改进人工蜂群正余弦优化的图像阈值分割方法,经仿真实验表明,该方法针对复杂背景的电力设备红外图像能够取得理想的分割效果,提高了算法的收敛速度。

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)模拟了自然界蜂群的觅食行为将整个蜂群分为3类:雇佣蜂、跟随蜂和侦察蜂。其中雇佣蜂和跟随蜂负责实物来源的开采过程,侦查蜂负责新实物来源的探索过程。整个蜂群的目标是寻找花蜜量最大的蜜源,即优化中的最优解。该算法的执行过程为:

①蜜源初始化。确定蜜源数量N和在D维搜索空间中进行搜索,且雇佣蜂数量与蜜源数量一致,则蜜源xi=(xi,1,xi,2,…,xi,D)代表一个候选解,其中i=1,2,…,N。生成蜜源初始化如公式(1)所示:

(1)

(2)

②雇佣蜂阶段。雇佣蜂负责探索蜜源,在蜜源附近,产生一个随机的候选解如公式(3)所示:

vid=xid+φid(xid-xkd)

(3)

式中,i∈(1,N),d∈(1,D)；φid是区间[-1,1]上的随机数；k≠i,通过贪婪选择决定是否由vid替换xid。

③跟随蜂阶段。跟随蜂接收雇佣蜂的蜜源信息后进一步进行开采。通过轮盘赌算法,根据蜜源的适应度fit按式(4)计算蜜源被选中的概率pi,适应度越高,被选中的概率越大。

(4)

④侦察蜂阶段。当一个蜜源达到开采上限时适应度仍未更新,蜜源被淘汰,根据式(1)随机选取新蜜源。

2.2 正余弦法

正余弦算法是利用正弦余弦的数学形式应用于优化各种问题,通过生成各种随机解决方案来启动优化过程,然后通过迭代获得最佳解决方案,最佳解决方案定义为目标点,在继续迭代的同时,正弦和余弦范围根据其数学形式进行调整,以更好地利用搜索空间,当满足停止条件时,迭代停止。正余弦算法的数学形式如公式(5)所示:

X(t+1)=

(5)

其中,X表示种群;t是当前迭代次数;X*是上一代最优解。算法的重点是r1到r4这四个参数,这四个参数除了r1,其他都是随机数。其中r1=c-c×t/tmax,c为任意大于0的常数。

3 改进的人工蜂群算法

3.1 适应度函数的选择

适应度函数主要是用来评价种群中个体的优劣个性。论文采用二维Otsu作为人工蜂群算法的适应度函数,对于二维Otsu多阈值分割,将分割阈值灰度级扩展到(sk,tk),其中k代表着分割阈值数。假设T1代表背景区域,T2…Tk代表目标区域,则各类区域的概率计算方式为:

背景区域概率:

(6)

目标区域Tk的概率:

(7)

式中,pij=rij/W×H表示原图灰度级为i且邻域平均灰度级为j的像素点(x,y)的联合概率密度函数,rij为像素点(x,y)的个数。背景区域均值矢量为u1=(u1i,u1j)T,目标区域Tk的均值矢量为uk=(uki,ukj)T。最终分割阈值定义为(s1,t1),(s2,t2)…(sk,tk),二维Otsu多阈值函数表示为:

(8)

则二维Otsu通过公式(9)确定最佳阈值:

(9)

3.2 种群初始化和雇佣蜂搜索方程的改进

为了提高算法的搜索能力,同时提高算法开采能力和收敛速度,论文在标准蜂群算法的基础上,提出了一种改进的人工蜂群算法。算法主要是对种群初始化和雇佣蜂搜索方程进行改进。

3.2.1 种群初始化

种群初始化是进化算法的一个关键点,因为它影响着算法的收敛速度和最终解的质量。为了选择更好的初始种群,论文提出一种新的初始化方法,利用具有遍历性、随机性的混沌系统和不规则性的对立的学习方法来生成初始种群。其方程迭代如公式(10)所示:

chk+1=μ·chk(1-chk)

(10)

式中,k表示的是迭代次数;μ的值设为4,chk是[0,1]的随机数。

(11)

(12)

这里提出的初始化策略是通过计算原始解求出基础相应对立解,以便在更大的搜索范围里选择解。

3.2.2 雇佣蜜蜂搜索方程

差分进化算法已经被证明是一种简单而有效的进化算法,为提高人工蜂群算法的搜索性能,论文结合差分进化的方法提出一种新的搜索方程,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互为随机数字,且r1,r2,r3∈(1,N),r1≠r2≠r3,i∈[1,N],d∈[1,D]。xbest是当前种群中具有最佳适应度的最佳解,φid是区间[-1,1]上的随机分布的数字。

4 改进人工蜂群正余弦优化的阈值分割方法

为进一步提高图像分割的准确率和效率,论文联合人工蜂群算法、正余弦算法和二维Otsu多阈值分割方法寻找最佳分割阈值。基于改进人工蜂群正余弦优化的阈值图像分割方法流程图如图1所示。

图1 本文算法流程图Fig.1 Algorithm flow chart of this paper

具体步骤如下:

第一步:读取红外图像；

第二步:参数的初始化,为N个个体设置初始值,每个个体都对应图像的不同阈值；

第三步:将二维Otsu函数设为人工蜂群优化方法的适应度函数,计算每个蜜源对应的适应度值,并标记适应度值最大的个体；

第四步:利用改进的人工蜂群算法(13)式搜索新的解,并对比更新前后解的适应度值,当新解适应度值大于原解时,则新解替代原解,否则保持不变；

第五步:利用正余弦法式(5)再次对新解进行优化更新,使其最终产生全局最优解,该最优解即代表最佳阈值,则优化停止,否则转至步骤四。

5 实验结果

为了验证论文方法的有效性,进一步测试改进算法的分割效果,论文选取图2所示4组电力设备红外图像进行分割对比试验。并与Otsu法、k-means法、区域生长法以及分水岭算法进行对比,图3为使用不同方法得到的红外图像分割结果。

图2 典型电力设备红外图像Fig.2 Infrared image of typical power equipment

图3 不同方法对4组红外图像分割结果Fig.3 Four groups of infrared image segmentationresults by different methods

为了准确客观地评价图像分割的质量,论文采用交并比(IoU)和准确率(Accuracy)对不同方法的分割效果进行定量评价,得到结果如表1所示。交并比和准确率的计算如(14)和(15)所示。

(14)

(15)

式中,area(D)表示使用不同方法分割的结果；area(S)表示确定的标准分割结果。TP和TN表示正确的目标像素集和背景像素集；FP和FN表示误分的像素集和漏分的像素集。

从图3中可以看出,采用分水岭法产生了明显的过分割现象；而Otsu、k-means法和区域生长法虽然能把故障区域分割出来,但是也存在一定的误分区域；论文方法在图像细节的分割效果上具有一定优势,能够更好地分割出故障区域。

根据表1中交并比和准确率数据对比也可以明显看出,论文方法相较于其他四种方法,对图像故障区域的分割取得了较高的准确率,分割结果最接近标准分割图形。数据显示论文方法平均分割交并比为84.13 %,平均准确率为89.18 %。与Otsu法、k-means法、区域生长法、分水岭法相比具有明显的分割效果。图像的分割效果和图像的细节信息以及目标区域的完整性都明显优于其他方法。

表1 分割交并比和准确率对比表Tab.1 Comparison table of segmentation IoU and Accuracy

6 结 论

论文将人工蜂群算法和正余弦算法引入到图像的阈值分割算法中,提出的改进人工蜂群正余弦优化的红外图像阈值分割方法经仿真实验测试取得了较好的分割效果。与Otsu法、k-means法、区域生长法以及分水岭法测试比较,基于改进人工蜂群正余弦优化的红外图像阈值分割方法对红外图像目标区域分割的平均交并比为84.13 %,且平均准确率为89.18 %,显著提高了红外图像目标区域分割的准确性和稳定性。