馬衛(wèi) 朱嫻 李微微

摘? 要： 群智能算法優(yōu)化多閾值圖像分割策略，易陷入局部最優(yōu)，搜索精度不高。將萊維飛行擾動策略融入麻雀種群覓食的搜索優(yōu)化過程，以增加圖像分割空間搜索的多樣性，從而提高分割精度，避免搜索過程陷入局部最優(yōu)；同時嵌入Sin混沌搜索機制，改進種群初始化策略，加強搜索性能。最終實現(xiàn)多閾值圖像分割的應用性能提升，在保持算法全局尋優(yōu)能力的基礎(chǔ)上大幅度提高收斂速度和求解精度。對經(jīng)典的圖像多閾值分割的實驗結(jié)果表明，本文方法相比于傳統(tǒng)的智能優(yōu)化策略，在尋優(yōu)率和分割精度方面提升顯著，收斂能力強。

關(guān)鍵詞： 多閾值圖像分割； 麻雀搜索算法； 萊維飛行擾動； 群智能優(yōu)化

中圖分類號：TP391? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2023）04-77-08

Abstract： The swarm intelligence optimization multi threshold image segmentation strategy is easy to fall into local optimization and the search accuracy is not high. Levy flight disturbance strategy is integrated into the search optimization process of sparrow population foraging to increase the diversity of image segmentation spatial search， so as to improve the segmentation accuracy and avoid falling into local optimization in the search process. At the same time， the Sin chaotic search mechanism is embedded to improve the population initialization strategy and strengthen the search performance. Finally， the application performance of multi threshold image segmentation is improved， and the convergence speed and solution accuracy are greatly improved on the basis of maintaining the global optimization ability of the algorithm. The experimental results of classical multi threshold image segmentation show that compared with the traditional intelligent optimization strategy， this method significantly improves the optimization rate and segmentation accuracy， and has strong convergence ability.

Key words： multi threshold image segmentation; sparrow search algorithm （SSA）; Levy flights disturbance; swarm intelligence optimization

0 引言

圖像分割作為圖像處理領(lǐng)域的一類經(jīng)典難題，吸引了國內(nèi)外眾多學者的廣泛關(guān)注與深入研究。圖像分割方法中的閾值分割策略是一類性能優(yōu)異、應用廣泛的分割方法。閾值分割的核心是通過一定的準則尋找最優(yōu)的閾值以實現(xiàn)快速、準確分割的目標。閾值分割主要有最大類間方差法，一些學者通過引入群智能優(yōu)化策略以改進閾值分割從而取得了較好地實驗效果。其中，分水嶺分割策略引入蟻群算法促進聚類合并解決噪聲敏感使得分割過剩的問題，但算法運行時間過長。呂鑫[1，2]等采用麻雀搜索算法與Otsu結(jié)合進行圖像分割，評價準則為類間方差，從而獲得最優(yōu)的閾值進行圖像分割。還有學者采用鳥群算法和麻雀搜索策略的有機融合，改進了搜索機制，利用Kapur熵和類間方差進行閾值求解，以實現(xiàn)圖像的多閾值分割。其他一些新提出的群智能優(yōu)化策略應用于多閾值圖像分割也發(fā)揮出了較好地分割優(yōu)勢[3-10]。

麻雀搜索算法（Sparrow Search Algorithm，SSA）最早于2020年由學者薛建凱提出，是采用麻雀覓食與反捕食行為進行仿生模擬的一類群智能優(yōu)化算法。該策略相比于粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）、灰狼優(yōu)化算法（Grey Wolf Optimizer，GWO）表現(xiàn)出更優(yōu)異的搜索性能[11]。但其在搜索過程中仍存在易陷入局部最優(yōu)，尋優(yōu)時間過長的不足。所以，本文受布谷鳥搜索（Cuckoo Search，CS）策略[12]的啟發(fā)，將萊維飛行擾動策略融入麻雀種群覓食搜索的過程中，提出一種改進的基于萊維飛行擾動策略的麻雀搜索算法（Levy Sparrow Search Algorithm，LSSA），以增加圖像分割空間搜索的多樣性，提高分割精度，避免搜索過程陷入局部最優(yōu)；同時嵌入Sin混沌搜索機制，改進種群初始化策略，加強搜索性能。最終實現(xiàn)多閾值圖像分割的應用性能提升，在保持算法全局尋優(yōu)能力的基礎(chǔ)上大幅度提高收斂速度和求解精度。

1 最大類間方差法（Otsu）

作為一種非參數(shù)類型的圖像分割最大類間方差策略最早是1979年由日本學者Otsu提出，該方法利用求解中間方差的最大值從而實現(xiàn)圖像的有效分割。

1.1 圖像的單閾值分割

Otsu單閾值圖像分割原理為：假設(shè)待分割的圖像表示為I（x，y），圖像的大小為H*W，最大灰度級用L表示，取值為256，通常一幅圖像的灰度級范圍為[0，1，…，L-1]，用Ni表示灰度級為i的像素個數(shù)，像素總數(shù)N=N1+N2+…+NL-1，灰度級i在圖像中出現(xiàn)的概率表示為：

通常單閾值圖像分割是設(shè)置最優(yōu)閾值t將目標圖像分割為兩類，其類別像素的概率表示為式⑵，目標圖像總均值表示為式⑶：

1.2 圖像的多閾值分割

圖像的多閾值分割是對單閾值類別的拓展，若目標圖像擬分割為K層，這圖像多閾值分割的類間方差[ft]可表示為：

最終，可以得到式⒀，即目標分割圖像多閾值的類間方差表示為：

2 麻雀搜索算法

麻雀搜索算法采用麻雀覓食與反捕食行為進行仿生模擬的一類群智能優(yōu)化算法，其中利用三類麻雀覓食行為：發(fā)現(xiàn)者、跟隨者和警戒者進行目標尋找以迭代優(yōu)化搜索。

對于麻雀數(shù)量為n的種群位置，有：

評價麻雀種群覓食位置優(yōu)劣的適應度函數(shù)為：

其中，適應度值采用[f（?）]表示。由發(fā)現(xiàn)者選擇適應度值高的搜索位置，前往覓食，同時為新的發(fā)現(xiàn)者提供食物源的方向。發(fā)現(xiàn)者的位置變化如下：

其中，當前迭代數(shù)表示為t，[Xt+1i，j]表示種群中第i只麻雀在第j維度上的位置，i=1，2，…，n，j=1，2，…，d，d是搜索空間的維數(shù)，[itermax]為常數(shù)，表示最大迭代次數(shù)，[α∈（0，1]]表示隨機數(shù)。Q表示服從正態(tài)分布的一個隨機數(shù)。預警參數(shù)[R2]取值范圍為[R2∈[0，1]]，安全參數(shù)[ST]的取值范圍[ST∈[0.5，1]]，L是一個[1×d]的矩陣向量，所有元素值為1。當滿足條件[R2

加入者的位置更新公式如下：

其中，[Xp]為發(fā)現(xiàn)者獲得的最優(yōu)位置，[Xworst]表示當前迭代全局的最差位置，A為一個[1×d]的矩陣向量，向量中的元素隨機選擇1或-1進行賦值，并且滿足條件[A+=AT（AAT）-1]，當滿足條件[i>n/2]時，說明第i個適應度值較低的加入者獲取食物失敗，此時轉(zhuǎn)移覓食搜索。

警戒者約占種群規(guī)模的10%-20%，常常表示能敏銳發(fā)覺有危險的麻雀。警戒者的初始位置表示為：

其中，[Xbest]為當前迭代中全局最優(yōu)位置，常數(shù)[ε]為一個最小值，步長控制參數(shù)[β]服從正態(tài)分布，隨機值K取值范圍在-1～1之間，[fw]為全局最差適應度值、[fg]為全局最優(yōu)適應度值，[fi]為當前麻雀個體的適應度值。

3 改進麻雀搜索算法

3.1 萊維飛行搜索機制

隨著仿生學的不斷發(fā)展，模擬布谷鳥巢寄生行為的布谷鳥搜索算法應運而生。生物學研究表明，布谷鳥利用孵育寄生的方式繁衍后代，表現(xiàn)為產(chǎn)卵寄生于其他宿主鳥巢，由其他宿主鳥幫助其孵化和育雛。其選巢位置的變化正好體現(xiàn)出萊維飛行的搜索特性。

布谷鳥搜索算法是將布谷鳥尋窩產(chǎn)卵的搜索機制形成理論，基于萊維飛行搜索機制形成搜索算法。算法約定三條規(guī)則：①每只布谷鳥每次只產(chǎn)卵一個，并隨機選擇寄生巢來孵化；②在隨機選擇的一組寄生巢中，保留最好的寄生巢到下一代；③寄生巢的數(shù)量固定，一個寄生巢的宿主鳥按一定的概率發(fā)現(xiàn)外來寄生卵。在該三條規(guī)則的約束下，宿主鳥可以將產(chǎn)卵拋出，或放棄該鳥巢以新建巢。

布谷鳥尋窩搜索的路徑和位置更新公式如式⒆所示，通過萊維飛行生成新的搜索位置：

其中，[xti]表示第i個鳥窩在第t代的鳥窩位置，[δ>0]為步長大小，通常設(shè)置[δ=1]。式（19）表現(xiàn)為一個隨機行走過程，該隨機行走過程即為一個馬爾可夫鏈，位置更新結(jié)果受于當前位置在式（19）的第一項和轉(zhuǎn)移概率第二項的影響。[]表示點對點乘法，[Levy（λ）]是一個隨機搜索路徑，其隨機步長表現(xiàn)為一個[Levy]分布。

3.2 萊維飛行擾動策略

根據(jù)一些生物學家對鳥類和昆蟲類的覓食軌跡的研究發(fā)現(xiàn)，一些生物飛行軌跡中直線部分出現(xiàn)頻率與Levy分布基本相似，表現(xiàn)為萊維飛行的特點。萊維飛行搜索策略對于種群個體獨立、求解空間位置隨機且稀疏分布時，搜索效果較好。萊維飛行是隨機行走（random walk）的一類，行走步長符合一個重尾的穩(wěn)定分布，常?？梢钥吹捷^短距離的搜索與相對較長距離的行走交錯。在仿生群智能優(yōu)化算法中采用萊維飛行搜索機制，可以有效地增加搜索空間的探尋范圍、提高群體搜索的多樣性，往往使搜索算法跳出局部最優(yōu)變?yōu)榭赡堋?/p>

在布谷鳥搜索算法中，采用萊維飛行產(chǎn)生隨機步長，這種步長變化多樣，在其搜索過程中，步長越大，越容易搜索到全局最優(yōu)解，搜索精度則相應減弱，易產(chǎn)生不穩(wěn)定的震蕩現(xiàn)狀；如果步長較小，搜索速度下降，搜索精度會顯著增強。因此，采用萊維飛行產(chǎn)生步長具有遍歷性和隨機性，缺點是自適應能力不夠，而SSA算法恰好彌補了這一不足，利用發(fā)現(xiàn)者-跟隨者-警戒者的模型機制，協(xié)調(diào)好全局尋優(yōu)能力和局部求解精度之間的矛盾，從而加強麻雀搜索算法的全局搜索能力和局部求解精度。

構(gòu)建萊維飛行步長擾動策略受CS算法啟發(fā)，對于擾動步長的定義，其計算公式如下：

3.3 改進的麻雀搜索搜索策略

3.3.1 初始化混沌搜索機制

本文對傳統(tǒng)的麻雀搜索算法進行了初始化搜索策略的改進。利用Sin混沌模型以初始化種群分布，以此來增加種群搜索的多樣性。

3.3.2 LSSA算法步驟

LSSA算法的步驟如下：

Step1 參數(shù)設(shè)置：設(shè)置麻雀種群規(guī)模數(shù)n，初始化麻雀發(fā)現(xiàn)者數(shù)量PD，警戒者數(shù)量SD，設(shè)置尋食步數(shù)計數(shù)器[t=0]，最大尋食迭代次數(shù)為MCN。

Step2 初始化種群：在搜索區(qū)域內(nèi)按式（26）混沌搜索機制產(chǎn)生n個向量[Xi（i=1，2，…，n）]，計算適應度值，記錄適應度值的最佳和最差個體位置。

Step3 發(fā)現(xiàn)者搜索：根據(jù)式⒃進行發(fā)現(xiàn)者位置搜索更新。

Step4 加入者搜索：根據(jù)式⒄進行加入者位置搜索更新。

Step5 警戒者搜索：根據(jù)式⒅進行警戒者位置搜索更新。

Step6 適應度值計算位置更新：比較當前最優(yōu)值[ymin]與min全局最優(yōu)值，若有[ymin

Step7 萊維飛行機制：隨機生成一個數(shù)rnd，根據(jù)概率[pi]，如果[rnd

Step8 更新迭代次數(shù)[t=t+1]，若滿足當前迭代次數(shù)[t>MCN]，則搜索停止，輸出全局最優(yōu)位置[Xg]和搜索結(jié)果[f（Xg）]，否則轉(zhuǎn)Step3繼續(xù)執(zhí)行。

4 實驗結(jié)果與分析

4.1 實驗設(shè)計與參數(shù)設(shè)置

為了測試本文所提改進策略的性能，本文選用了8副經(jīng)典圖像進行多閾值圖像分割測試，如圖1所示，其中4副為常用的具有代表性的測試圖像，4副為伯克利經(jīng)典彩色圖像。為了驗證本文提出的算法的有效性，選擇了近年來新提出的布谷鳥搜索算法（Cuckoo Search，CS），蝗蟲優(yōu)化算法（Grasshopper Optimization Algorithm，GOA）[13]、鯨魚優(yōu)化算法（Whale Optimization Algorithm，WOA）[14]、蜻蜓算法（Dragonfly Algorithm，DA）[15]、灰狼優(yōu)化算法（Grey Wolf Optimizer，GWO）[16]和麻雀搜索算法（Sparrow Search Algorithm，SSA）與本文改進的麻雀搜索算法 （Levy Sparrow Search Algorithm，LSSA）進行實驗測試。實驗設(shè)備的硬件條件為CPUIntel（R） Core（TM）i5-8400 2.80GHz，8G內(nèi)存，實驗仿真軟件采用Matlab R2016a。實驗評價的方式采用峰值信噪比和結(jié)構(gòu)相似性進行量化比較，這兩種評價方式的闡述如下。

⑴ 峰值信噪比

PSNR（Peak Signal to Noise Ratio）為峰值信噪比，是一種評價圖像的客觀標準，常用于最大值信號和背景噪音之間的一類失真衡量指標。PSNR值越高表明圖像失真越小，多閾值分割效果好。PSNR衡量的計算公式為：

其中，RMSE（Root Mean Square Error）為原圖像[Ii，j]與分割后圖像[I（i，j）]間的均方根誤差。[M×N]表示圖像的尺寸大小。

⑵ 結(jié)構(gòu)相似性

SSIM（Structural Similarity Index）表示結(jié)構(gòu)相似性的一類評價兩幅圖像相似程度的指標。SSIM使用的兩副圖像中，一副為無失真的原始圖像，另一副為分割后的圖像，取值越高說明結(jié)構(gòu)相似性越好。SSIM結(jié)構(gòu)相似性衡量的計算公式為：

其中，[μx]和[μy]表示圖像[Ii，j]和[I（i，j）]的均值，[δ2x]和[δ2y]為圖像[Ii，j]和[I（i，j）]的方差，[c1=（k1L）2]和[c2=（k2L）2]為保持穩(wěn)定性的常數(shù)，L為像素值的動態(tài)范圍，[k1]，[k2]取值分別為0.01和0.03。

為了實驗比較的公平性，所有算法最大迭代次數(shù)為200，種群規(guī)模為30，各個算法的參數(shù)設(shè)置見表1。其中SSA算法中ST表示預警值，PD為發(fā)現(xiàn)者的比例參數(shù)，SD為意識到有危險麻雀的比重。CS算法中Pa為發(fā)現(xiàn)外來卵的概率；DA算法中s為分離權(quán)重、a為對齊權(quán)重、c為凝聚權(quán)重、f為獵物權(quán)重因子、天敵權(quán)重因子e根據(jù)迭代次數(shù)動態(tài)調(diào)整。WOA和GWO算法中參數(shù)a的值從2到0線性下降，A和C為表示系數(shù)。

4.2 圖像多閾值分割實驗結(jié)果

為了驗證算法LSSA的性能，實驗測試了改進策略在圖像多閾值分割的可行性和有效性，利用群智能優(yōu)化策略進行最優(yōu)閾值的迭代搜索，獲取PSNR、SSIM、最優(yōu)適應度值，分割時間，分割閾值等實驗測試評價結(jié)果并與其他智能優(yōu)化算法進行了比較，結(jié)果示于表2～表3。圖2中以Cameraman圖像為例給出了五個閾值的基于Otsu的LSSA算法多閾值分割效果圖，圖3給出了基于Otsu的智能優(yōu)化算法Baboon六閾值分割效果圖，圖4為基于Otsu的智能優(yōu)化算法Horses三閾值分割效果圖，圖2～圖4體現(xiàn)了較好的分割效果。

表2中給出了基于Otsu的CS、GOA、WOA、DA、GWO、SSA和LSSA算法的多閾值圖像分割的適應度值，其中閾值范圍從2至6分別實驗，表格中黑色加粗的數(shù)值為最優(yōu)實驗結(jié)果，表3中測試了基于各群智能優(yōu)化算法應用在多閾值圖像分割領(lǐng)域的PSNR和SSIM評價值，本文所提LSSA算法表現(xiàn)出較好的實驗效果。

4.3 實驗結(jié)果分析

基于Otsu的實驗對比結(jié)果表明，LSSA相比較于CS、GOA、WOA、DA、GWO和SSA算法，能夠搜索到較好地適應度值，表現(xiàn)出更加穩(wěn)定的尋優(yōu)性能，PSNR和SSIM值更優(yōu)。所以，從表2～表3可以看出，LSSA應用在多閾值圖像分割領(lǐng)域，分割的性能更優(yōu)，搜索精度更高，算法表現(xiàn)出較好地穩(wěn)定性能，魯棒性強。從時間上看，本文所提算法由于增加了萊維飛行搜索機制，時間上略有提升，但LSSA算法取得了更優(yōu)異的搜索性能，有一定的應用價值。

綜上所述，本文所提LSSA算法在多閾值圖像分割上的應用，搜索精度好，分割的質(zhì)量高，有較好地尋優(yōu)搜索性能，在多閾值分割方面表現(xiàn)出較好地穩(wěn)定性。

5 結(jié)束語

本文針對多閾值圖像群智能優(yōu)化分割易陷入局部最優(yōu)，求解精度不高等問題，采用全局尋優(yōu)能力強的萊維飛行機制融入麻雀搜索算法，同時結(jié)合改進種群Sin混沌初始化的搜索機制，形成基于萊維飛行擾動策略的麻雀搜索算法，以增加圖像分割空間搜索的多樣性，從而提高分割精度，避免搜索過程陷入局部最優(yōu)。最終實現(xiàn)多閾值圖像分割的應用性能提升，在保持算法全局尋優(yōu)能力的基礎(chǔ)上大幅度提高收斂的速度和求解精度。對經(jīng)典的圖像多閾值分割的實驗結(jié)果表明，本文所提的LSSA方法相比于傳統(tǒng)的智能優(yōu)化策略，在尋優(yōu)率和分割精度方面提升顯著，收斂能力強，有一定的應用價值。

參考文獻（References）：

[1] 呂鑫，慕曉冬，張鈞.基于改進麻雀搜索算法的多閾值圖像分割[J].系統(tǒng)工程與電子技術(shù)，2021，43（2）：318-327

[2] 呂鑫，慕曉冬，張鈞，等.混沌麻雀搜索優(yōu)化算法[J].北京航空航天大學學報，2021，47（8）：1712-1720

[3] YueX， ZhangH. Modified hybrid bat algorithm with genetic crossover operation and smart inertia weight for multilevel image segmentation[J].Applied Soft Computing，2020，90（5）：10615

[4] 程玉柱，李趙昡，余偉.基于布谷鳥搜索的路面裂縫圖像檢測算法[J].傳感器與微系統(tǒng)，2019，38（8）：136-138，142

[5] 劉鑫晶，劉彥隆，徐鑫鑫.細胞膜機制螢火蟲算法優(yōu)化多閾值Otsu圖像分割[J].小型微型計算機系統(tǒng)，2020，41（2）：410-415

[6] Santhos K A， Kumar A， Bajaj V， et al. McCulloch'?salgorithm inspired cuckoo search optimizer based mammographic image segmentation[J].Multimedia Tools and Applications，2020，79（7）

[7] 黃毅英，黃河清.基于自適應布谷鳥搜索算法的Tsallis熵閾值圖像分割[J].西南師范大學學報（自然科學版），2020，45（5）：127-133

[8] Zhi H， Liu S. Gray image segmentation based on fuzzy c-means and artificial bee colony optimization[J]. Journal of Intelligent and Fuzzy Systems，2020，38（12）：1-9

[9] Liu H， Sun Y， Sun N， et al. Just noticeable difference color space con-sistency spectral clustering based on firefly algorithm for image segmentation[J]. Evolutionary Intelligence，2020（12）：1-10

[10] 陳瑤，陳思.動態(tài)權(quán)重的蝙蝠算法在圖像分割中的應用研究[J].計算機工程與應用，2020，56（14）：207-215

[11] Xue J K， Shen B. A novel swarm intelligence optimization approach：sparrow search algorithm[J].Systems Science &Control Engineering An Open Access Journal，2020，8（1）：22-34

[12] YangXS， DebS. Cuckoo search via Levy Flights[C].Proc.of World Congress on Nature&Biologically Inspired Computing （NaBic 2009），2009：210-214

[13] Saremi S， Mirjalili S， Lewis A. Grasshopper Optimization Algorithm： Theory and application[J].Advances in Engineering Software，2017，105（MAR.）：30-47

[14] Mirjalili S， Lewis A. The Whale Optimization Algorithm[J].Advances in Engineering Software，2016，95：51-67

[15] Mirjalili S. Dragonfly algorithm： a new meta-heuristic optimization technique for solving single-objective， discrete，and multi-objective problems[J].Neural Computing and Applications，2016，27（4）：1053-1073

[16] 張曉鳳，王秀英.灰狼優(yōu)化算法研究綜述[J].計算機科學，2019，46（3）：30-38

*基金項目：江蘇省高校自然科學基金（No.17KJB520013）； 江蘇省高校哲學社會科學研究項目（No.2020SJA0794，No.2021SJA0782）； 江蘇省高校“青藍工程”學術(shù)帶頭人項目； 國家文化和旅游部文化藝術(shù)職業(yè)教育和旅游職業(yè)教育提質(zhì)培優(yōu)行動計劃“雙師型”師資培養(yǎng)扶持項目（No.2021TZPYSS）； 江蘇省社科應用研究精品工程課題（No.22SYB-117）； 江蘇省職業(yè)改革研究課題（No.ZYB601）；科研創(chuàng)新團隊資助項目（No.2021KYTD04）

作者簡介：馬衛(wèi)（1983-），男，江蘇東臺人，博士，副教授，主要研究方向：群智能優(yōu)化、進化計算和計算機視覺。