沈中華 夏愛強 董志康 陳萬委 曹衛(wèi)華

摘要：為實現(xiàn)甘蔗聯(lián)合收割機對田間甘蔗蔗梢的有效識別與切割，提出一種基于改進粒子群優(yōu)化算法結(jié)合OTSU閾值分割算法的蔗梢圖像分割方法。以甘蔗圖像的H分量作為分割樣本，選用中值濾波去除圖像中存在的小范圍孤立噪聲點，利用改進非對稱加速因子與非線性遞減更新慣性權(quán)重的PSO算法，通過迭代搜尋圖像最優(yōu)閾值，并將此閾值作為改進算法的分割閾值，得到蔗梢分割圖像。根據(jù)不同的天氣條件采集120幅甘蔗樣本圖像，對本文算法進行測試。試驗表明，所設(shè)計的算法對晴天、陰天兩種天氣下的甘蔗圖像分割識別率分別達到88.33%、91.67%，平均識別率為90.0%，處理單張甘蔗圖像平均所用時間為0.368 7s，分割速度較傳統(tǒng)OTSU算法與標(biāo)準(zhǔn)PSO+OTSU算法分別提高30%、15%以上。

關(guān)鍵詞：甘蔗；復(fù)雜環(huán)境；蔗梢圖像分割；慣性權(quán)重；非對稱加速因子

中圖分類號：S566.1： TP391.41

文獻標(biāo)識碼：A

文章編號：20955553 （2023） 12011306

Study on image segmentation method of sugarcane tip in complex environment

Shen Zhonghua， Xia Aiqiang， Dong Zhikang， Chen Wanwei， Cao Weihua

（College of Mechanical and Control Engineering， Guilin University of Technology， Guilin， 541000， China）

Abstract：

In order to realize the effective identification and cutting of sugarcane tip by sugarcane combine harvester， a sugarcane tip image segmentation method based on improved particle swarm optimization algorithm combined with OTSU threshold segmentation algorithm was proposed. Taking the H component of sugarcane image as a segmentation sample， the median filter was used to remove small range of isolated noise point in the image， and the PSO algorithm with improved asymmetric acceleration factor and update nonlinear decreasing inertia weight was used toiteratively search for the optimal threshold of the image， and the threshold was used as segmentation threshold of the improved algorithm， and sugarcane tip segmentation image was obtained. According to different weather conditions， 120 sugarcane sample images were collected， and the algorithm was tested. The experiment showed that the segmentation and recognition rate of sugarcane image under sunny and cloudy weather was 88.33% and 91.67%， respectively， and the average recognition rate was 90.0%. The average processing time of single sugarcane image was 0.368 7s. The segmentation speed was 30% and 15% higher than the traditional OTSU algorithm and the standard PSO+OTSU algorithm， respectively.

Keywords：

sugarcane; complex environment; cane tip image segmentation; inertia weight; asymmetric acceleration factor

0 引言

甘蔗作為主要的糖料作物，機械收獲后所含雜物較多，以蔗梢、蔗葉等為主的夾雜物所含糖分較低，影響了制糖過程中的出糖率，因而在甘蔗聯(lián)合收割過程中蔗梢的準(zhǔn)確切割是一個不可忽視的環(huán)節(jié)。人工斷尾雖能準(zhǔn)確識別切割蔗梢，但其效率較低，成本較高，阻礙了我國甘蔗的生產(chǎn)。現(xiàn)有的甘蔗聯(lián)合收割機中，斷尾位置通過機手由肉眼判斷，隨意性較大，斷尾位置偏早或偏后均影響原料蔗質(zhì)量［1］。因此，對蔗梢圖像的快速準(zhǔn)確分割是實現(xiàn)甘蔗智能化切梢與聯(lián)合收割的關(guān)鍵。

OTSU算法是一種常用的圖像閾值分割算法，通過方差的計算搜尋合適的灰度級對圖像進行劃分［2］，其計算簡單、自適應(yīng)強、對圖像亮度及對比度要求較低，應(yīng)用廣泛。在農(nóng)業(yè)方面，如張會敏等［3］提出一種基于OTSU算法的植物葉片病害圖像分割方法，通過引入二維小波變換結(jié)合OTSU算法得到圖像的最佳分割閾值，由于該方法只對邊緣圖像進行閾值搜索，某些亮度差異不大的噪聲區(qū)域也會被分割出來。齊銳麗等［4］等提出一種改進的OTSU算法，通過減少其閾值搜索范圍以達到降低分割時間的效果，該方法一定程度上提高了算法的運行效率，但在分割精度及速度上仍存在些許不足。綜上所述，盡管OTSU算法在農(nóng)業(yè)領(lǐng)域運用廣泛但仍存在一定不足。

OTSU算法通過遍歷圖像全部像素值達到對最佳閾值的計算，因而計算較為復(fù)雜、運算效率較低，通常很難滿足時效性要求較高的場合。針對OTSU算法的上述缺點，本研究利用粒子群優(yōu)化算法對其進行優(yōu)化，利用PSO算法收斂速度快、搜索能力強的特點搜索甘蔗圖像的最佳閾值，改善OTSU算法的分割速度及效果。但PSO算法迭代后期存在陷入局部最優(yōu)的缺點，因此，提出一種改進非對稱加速因子結(jié)合非線性遞減權(quán)重的更新策略，對甘蔗圖像進行分割。

1 試驗數(shù)據(jù)與方法

1.1 試驗數(shù)據(jù)采集

試驗照片拍攝于廣西柳州鹿寨縣甘蔗農(nóng)場，采集對象為田間成熟甘蔗，采集設(shè)備為SHL-500W普通工業(yè)相機，采用8mm鏡頭。由于田間情況復(fù)雜，蔗葉交錯，一定距離內(nèi)采集的甘蔗整稈圖像利于分割試驗。因此，針對不同天氣對試驗圖像的影響，本研究在晴天、陰天兩種情況下各采集60張圖片，拍攝工作均在下午兩點后進行，所獲圖像分辨率均為800像素×600像素，測試算法在不同天氣背景下的魯棒性。

1.2 試驗方法

1.2.1 顏色模型選擇

成熟甘蔗莖稈蔗葉為淡黃色，莖稈呈褐色，蔗尾為綠色，有較為明顯的顏色特征，因而可利用蔗尾與莖稈及蔗葉之間的顏色差異，將蔗梢分割出去。

工業(yè)相機所拍攝圖像為RGB格式，而RGB圖像受光照條件影響較大，直接用其分量進行分割較難達到理想效果［5］。HSV空間相對于RGB空間而言，其表達更加接近人眼對顏色的感知［6］。當(dāng)作物所處環(huán)境的顏色特征與作物的顏色特征差異較大時，將其轉(zhuǎn)換為HSV圖像并提取H分量圖，分量圖中作物的特征顯示會更好［78］。因此，將晴天與陰天所得的甘蔗圖像轉(zhuǎn)換為HSV圖像，并提取其H分量，如圖1（b）、圖1（e）所示，可以觀測到圖中莖稈凸顯性較好。由H分量的直方圖1（c）、圖1（f）可知，兩種天氣條件下波峰波谷的特征很明顯，可用OTSU算法及其改進算法進行分割。

1.2.2 中值濾波去噪

作為一種非線性濾波，中值濾波的主要作用是利用鄰近像素之間存在的灰度差異，將其修改為接近周圍像素的值，去除圖像中孤立噪聲的同時保持圖像的細節(jié)［910］。

由甘蔗的H分量圖可知，甘蔗莖稈區(qū)域內(nèi)存在一定的白色噪聲，這些噪聲與甘蔗莖稈周圍區(qū)域的灰度值差異較大，因而可以對H分量圖采用中值濾波處理，其效果如圖2所示，兩種天氣條件下甘蔗圖像的小面積孤立噪聲點均能被中值濾波有效濾除。

1.2.3 OTSU算法

傳統(tǒng)OTSU算法又名大津法，通過計算圖像中灰度級出現(xiàn)的概率，按照該圖像直方圖中所包含的像素信息將其分為兩類，再計算兩類間的類間方差，選取令類間方差最大的閾值［1112］。其主要原理如下。

假設(shè)待處理甘蔗圖像的灰度級為R，ni則是灰度值為i的像素點數(shù)目，像素點總數(shù)為N，其通過計算所出現(xiàn)的概率為Pi。因此，可以設(shè)定一個閾值T將甘蔗圖像分割為前景Q1（Q1∈［0，T］）與背景Q2（Q2∈［T，R-1］）兩部分，最優(yōu)閾值的取值即為兩部分間的方差，方差公式如式（1）所示。

δ2=l0（y0－y）2+h1（y1－y）2（1）

式中：

l0、h1——Q1、Q2在甘蔗圖像中所占比例；

y0、y1——Q1、Q2的灰度均值；

y——甘蔗圖像的總體灰度均值。

遍歷甘蔗圖像灰度值，令T在［0，R-1］范圍內(nèi)取值，當(dāng)T取某一值使得方差值最大時，則T為甘蔗圖像分割的最優(yōu)閾值。

1.2.4 PSO算法

作為智能優(yōu)化算法的一種，PSO算法采用“速度-位移”搜索模型［13］，將整個族群定義為質(zhì)量、體積均為零的微粒，粒子在搜索最優(yōu)解的空間飛行，通過個體間的協(xié)同共享實現(xiàn)自身位置的改變［1415］，在一定隨機條件下決定下一步的飛行速度，每個粒子就是該搜索最優(yōu)解空間下所包含的一個解。

設(shè)在d維甘蔗圖像空間中，存在數(shù)量為N的粒子群，粒子u所處位置為xud，u在區(qū)間［1，N］內(nèi)，當(dāng)前所屬速度為vud；粒子與種群的最優(yōu)位置分別為Pbest與Gbest，并通過兩個最優(yōu)位置更新自身的位置及速度。其更新公式如式（2）、式（3）所示。

vud（t+1）=ω×vud（t）+c1×r1［Pbestud－xud（t）］+c2×r2［Pbestud－xud（t）］（2）

xud（t+1）=xud（t）+vud（t+1）（3）

式中：

t——算法迭代次數(shù)；

c1、c2——加速因子；

w——慣性權(quán)重；

r1、r2——隨機生成的函數(shù)，取值范圍為（0，1）。

1.2.5 改進PSO算法

由于PSO算法在運算過程中存在易陷入局部最優(yōu)、迭代后期收斂速度變慢等缺點［16］，諸多學(xué)者對其進行了優(yōu)化改進。近年來，對PSO算法的改進優(yōu)化大多體現(xiàn)在兩方面：（1）結(jié)合其他優(yōu)秀的算法理論，如楊震倫等［17］提出結(jié)合貝葉斯定理的QPSO算法；（2）通過調(diào)整自身控制參數(shù)實現(xiàn)對算法的改進與優(yōu)化，如Park等［18］提出將隨機函數(shù)rand融入慣性權(quán)重W的改進方法；劉申曉等［19］選取粒子的最優(yōu)適應(yīng)值，并利用其改進量作為優(yōu)化算法的慣性權(quán)重，改善PSO算法的運算性能。

目前，眾多研究表明［2021］，當(dāng)慣性權(quán)重與加速因子在迭代運算中進行線性遞減時，能在一定程度上提高算法的收斂性能，實現(xiàn)優(yōu)化作用。但W的線性遞減更新存在迭代初始階段局部搜索能力變?nèi)?，易錯過全局最優(yōu)點，結(jié)束階段全局搜索能力弱陷入局部最優(yōu)值的缺點。

加速因子c1、c2對粒子的尋優(yōu)有較大影響，是粒子個體間信息交流的映射；當(dāng)c1因子初始設(shè)置過大時，粒子易對空間局部進行過多搜索；而較大的c2因子則會令粒子過早陷入對局部最優(yōu)值的收斂；因而，在算法運行初始階段設(shè)置較大的c1值及較小的c2值，能使粒子盡快擴散至解空間，加強各粒子的“個體獨立意識”，減少其受剩余粒子‘社會意識部分的影響，增強種群內(nèi)各粒子的多樣性。為此，本研究采用改進非對稱加速因子結(jié)合非線性遞減更新W1的策略。如圖3所示，此方法能夠讓PSO算法在初始階段與結(jié)束階段在較長時間內(nèi)處于較大值，有效避免上述缺點。

W1與c1、c2的更新計算公式如式（4）～式（6）所示。

式中：

Wmax——最大慣性權(quán)重系數(shù)；

Wmin——最小慣性權(quán)重系數(shù)；

I——當(dāng)前迭代步數(shù)；

Imax——最大迭代步數(shù)；

a——設(shè)定的指數(shù);

b——設(shè)定的正切值。

Wmax取0.9，Wmin取0.4，經(jīng)試驗分析可知，a=4，b=20時，w的非線性遞減更新效果最佳。

1.2.6 基于改進PSO優(yōu)化的OTSU算法

OTSU算法的閾值分割過程就是通過搜尋閾值，使得類間方差值最大。本研究引入改進PSO算法，利用改進非對稱加速因子結(jié)合非線性遞減慣性權(quán)重W1，通過迭代搜尋該圖像的最優(yōu)閾值。算法步驟：（1）對粒子群各項參數(shù)進行初始化設(shè)置，令粒子群數(shù)目為20，速度范圍在［-5，5］內(nèi)，Wmax設(shè)置為0.9，Wmin設(shè)置為0.4，tmax為10。（2）由輸入的甘蔗圖像，統(tǒng)計圖像整體灰度值、背景灰度平均值、背景概率。（3）計算目標(biāo)函數(shù)值。以O(shè)TSU算法中的類間方差作為適應(yīng)度函數(shù)，計算并更新粒子適應(yīng)度。加速因子c1、c2與慣性權(quán)重W1則由式（4）、式（5）與式（6）表示的更新策略決定，并將其代入式（2）、式（3）中，即得到粒子當(dāng)前所屬位置與速度，進而計算該位置的類間方差。（4）計算粒子位置及速度更新后的適應(yīng)度，與迭代前作對比，從中選取更好的位置作為粒子下次迭代前的位置。（5）當(dāng)改進算法運行達到最大迭代次數(shù)或者最優(yōu)適應(yīng)值連續(xù)不變時，則運行停止，而這時粒子所處的全局最優(yōu)位置Gbest為甘蔗圖像的最優(yōu)分割閾值，否則重回步驟（3）。（6）利用步驟（4）中所得最優(yōu)閾值對甘蔗圖像進行閾值分割。

2 試驗結(jié)果與分析

本文按照晴天與陰天兩種天氣情況進行試驗，對比傳統(tǒng)OTSU算法、標(biāo)準(zhǔn)PSO+OTSU算法，分析幾者在分割精度與分割時間上的差異。試驗計算機為Legion Y7000筆記本，運行內(nèi)存16G，Windows10的64位操作系統(tǒng)，運行環(huán)境為matlab2020a。分割效果如圖4和圖5所示，表1為兩種天氣條件下甘蔗的分割識別率，表2為三種算法的分割閾值及迭代時間。

由表1可知，在120張甘蔗圖像中，有108張甘蔗圖像被成功識別分割，對比另外兩種算法識別率有一定提升。因而，本文算法能夠有效解決不同天氣條件下甘蔗圖像的分割問題，具有一定的普適性。在陰天光照不太強的情況下識別率較高，達到了91.67%，在晴天光照充足的時候，識別率為88.33%，平均識別率為90.0%。而產(chǎn)生誤差的因素有：晴天光照充足時，甘蔗莖稈表面存在反射光，分割過程中產(chǎn)生亮斑空洞，導(dǎo)致大面積區(qū)域無法被識別。陰天光照太弱時，甘蔗存在較多陰影，不利于分割。

由圖4、圖5及表2可知，處理一幅晴天甘蔗圖片，OTSU算法由于需要遍歷整幅甘蔗圖像的灰度級，迭代次數(shù)為256次，因而分割精度相對于另外兩種算法較好一點，但其運行時間較長，時效性較差；標(biāo)準(zhǔn)PSO+OTSU算法相較于OTSU算法，其耗時較短，迭代次數(shù)明顯變少、收斂速度更快，但在迭代結(jié)束階段存在速度變慢的情況；而改進的PSO算法，引入非線性遞減更新w結(jié)合改進加速因子，有效避免了算法后期收斂速度變慢的情況，相比上述兩種算法耗時更短，時效性更好。

因甘蔗地自然環(huán)境復(fù)雜，蔗葉交錯，干擾因素眾多，改進PSO算法得到的甘蔗分割圖像存在一定的噪聲，利用形態(tài)學(xué)算法中的腐蝕方法（4×4結(jié)構(gòu)）去除一部分干擾噪聲及孤立點，腐蝕過后圖像仍存在少部分噪聲孤立點，采用區(qū)域面積閾值分割法將小面積區(qū)域的孤立噪聲點去除，再用imfill函數(shù)對區(qū)域孔洞進行填充，最后對圖像適度膨脹，所得莖稈區(qū)域效果如圖6所示。與原圖對比，可以明顯看出：蔗梢部分已被完整去除，莖稈區(qū)域被很好地保留下來。

3 結(jié)論

1） 為實現(xiàn)甘蔗聯(lián)合收割機對田間甘蔗蔗梢的有效識別與切割，針對復(fù)雜環(huán)境下的甘蔗圖像，本研究利用PSO算法結(jié)合OTSU算法，通過改進非對稱加速因子結(jié)合非線性遞減慣性權(quán)重W，基于HSV顏色空間的H分量，選用中值濾波濾除小面積孤立噪聲，將甘蔗莖稈區(qū)域與蔗梢分割，并用腐蝕、孔洞填充等形態(tài)學(xué)處理方法得到較為完整的莖稈區(qū)域圖像。

2）圖像分割試驗中，在晴天、陰天兩種條件下，本文算法的平均識別準(zhǔn)確率為90.0%，其中晴天識別率為91.67%，陰天識別率為88.33%，優(yōu)于OTSU及標(biāo)準(zhǔn)PSO+OTSU算法，試驗結(jié)果表明，本文算法能夠有效識別分割蔗梢圖像。

3）三種算法運算效率對比結(jié)果表明，本文算法有效克服了運行時間長、運行效率低、易陷入局部最優(yōu)等缺點，在分割效果與分割速度方面均達到了理想效果，穩(wěn)定性較好。分割速度較傳統(tǒng)OTSU算法與標(biāo)準(zhǔn)PSO+OTSU算法分別提高30%、15%以上，提高了單張圖片在算法中運算效率，在甘蔗蔗梢圖像分割過程中具備較高的時效性。

參 考 文 獻

［1］ 侯昭武， 韋相貴， 馬家孟. 智能化甘蔗收獲機斷頭斷尾控制系統(tǒng)的研究［J］. 中國農(nóng)機化學(xué)報， 2014， 35（1）： 235-239， 244.

Hou Zhaowu， Wei Xianggui， Ma Jiameng. Research on intelligent sugarcane harvester head tail control system ［J］. Journal of Chinese Agricultural Mechanization， 2014， 35（1）： 235-239， 244.

［2］ 趙明霞， 呂致， 郝雅潔， 等. 改進遺傳算法結(jié)合Otsu算法的大田作物分割［J］. 湖北農(nóng)業(yè)科學(xué)， 2019， 58（15）： 119-123.

Zhao Mingxia， Lü Zhi， Hao Yajie， et al. Improved genetic algorithm combined with improved Otsu algorithm for field crop segmentation ［J］. Hubei Agricultural Sciences， 2019， 58（15）： 119-123.

［3］ 張會敏， 謝澤奇， 張善文， 等. 基于WT-Otsu算法的植物病害葉片圖像分割方法［J］. 江蘇農(nóng)業(yè)科學(xué)， 2017， 45（18）： 194-196.

［4］ 齊銳麗， 陳曼龍， 楊宗浩， 等. 基于HSV模型與改進的OTSU算法花椒圖像分割［J］. 中國農(nóng)機化學(xué)報， 2019， 40（11）： 155-160.

Qi Ruili， Chen Manlong， Yang Zonghao， et al. Image segmentation of Sichuan pepper based on HSV model and improved OTSU algorithm ［J］. Journal of Chinese Agricultural Mechanization， 2019， 40（11）： 155-160.

［5］ 吳雪梅， 唐仙， 張富貴， 等. 基于K-means聚類法的茶葉嫩芽識別研究［J］. 中國農(nóng)機化學(xué)報， 2015， 36（5）： 161-164， 179.

Wu Xuemei， Tang Xian， Zhang Fugui，et al. Tea buds image identification based on lab color model and K-means clustering ［J］. Journal of Chinese Agricultural Mechanization， 2015， 36（5）： 161-164， 179.

［6］ 張國權(quán)， 李戰(zhàn)明， 李向偉， 等. HSV空間中彩色圖像分割研究［J］. 計算機工程與應(yīng)用， 2010， 46（26）： 179-181.

Zhang Guoquan， Li Zhanming， Li Xiangwei， et al. Research on color image segmentation in HSV space ［J］. Computer Engineering and Applications， 2010， 46（26）： 179-181.

［7］ 熊俊濤， 鄒湘軍， 陳麗娟， 等. 荔枝采摘機械手果實識別與定位技術(shù)［J］. 江蘇大學(xué)學(xué)報（自然科學(xué)版）， 2012， 33（1）： 1-5.

Xiong Juntao， Zou Xiangjun， Chen Lijuan， et al. Fruit recognition and positioning technology of litchi picking manipulator ［J］. Journal of Jiangsu University： Natural Science Edition， 2012， 33（1）： 1-5.

［8］ 孫騰飛. 白菜田的雜草識別研究［D］. 昆明： 昆明理工大學(xué)， 2019.

［9］ 牛翠霞， 范輝， 康旭輝. 基于醫(yī)學(xué)圖像的有效中值濾波算法研究［J］. 微計算機信息， 2008（3）： 311-312， 152.

Niu Cuixia， Fan Hui， Kang Xuhui.Study of effective and accelerated medial filtering method based on medical images ［J］. Microcomputer Information， 2008（3）： 311-312， 152.

［10］ 卞長林， 王超， 厲丹. 基于改進中值濾波的影像預(yù)處理方法研究［J］. 電子世界， 2018（18）： 22-23， 26.

Bian Changlin， Wang Chao， Li Dan. Research on image preprocessing method based on improved median filtering ［J］. Electronics World， 2018（18）： 22-23， 26.

［11］ Chen Q， Zhao L， Lu J， et al. Modified two-dimensional Otsu image segmentation algorithm and fast realization ［J］. IET Image Processing， 2012， 6（4）： 426-433.

［12］ 李浩然， 田秀霞， 盧官宇， 等. 基于OSTU的光照不均勻圖像自適應(yīng)增強算法［J］. 計算機仿真， 2022， 39（2）： 315-321， 386.

Li Haoran， Tian Xiuxia， Lu Guanyu，et al. Adaptive enhancement algorithm for non-uniform illumination images based on OSTU ［J］. Computer Simulation， 2022， 39（2）： 315-321， 386.

［13］ Kennedy J， Eberhart R. Particle swarm optimization ［C］. Proceedings of ICNN95-international conference on neural networks. IEEE， 1995， 4： 1942-1948.

［14］ 劉桂紅， 趙亮， 孫勁光， 等. 一種改進粒子群優(yōu)化算法的Otsu圖像閾值分割方法［J］. 計算機科學(xué)， 2016， 43（3）： 309-312.

Liu Guihong， Zhao Liang， Sun Jinguang， et al. Otsu image threshold segmentation method based on improved particle swarm optimization ［J］. Computer Science， 2016， 43（3）： 309-312.

［15］ 孟亞州， 馬瑜， 白冰， 等. 基于粒子群優(yōu)化的Otsu肺組織分割算法［J］. 液晶與顯示， 2015， 30（6）： 1000-1007.

Meng Yazhou， Ma Yu， Bai Bing， et al. Improved lung segmentation algorithm based on 2D Otsu optimized by PSO ［J］. Chinese Journal of Liquid Crystals and Displays， 2015， 30（6）： 1000-1007.

［16］ 王洪濤， 李丹. 基于改進粒子群算法的圖像邊緣檢測研究［J］. 液晶與顯示， 2014， 29（5）： 800-804.

Wang Hongtao， Li Dan. Image edge detection research based on improved particle swarm optimization algorithm ［J］. Chinese Journal of Liquid Crystals and Displays， 2014， 29（5）： 800-804.

［17］ 楊震倫， 閔華清， 羅榮華. 基于改進量子粒子群優(yōu)化的多閾值圖像分割算法［J］. 華南理工大學(xué)學(xué)報（自然科學(xué)版）， 2015， 43（5）： 126-131， 138.

Yang Zhenlun， Min Huaqing， Luo Ronghua. Multi-threshold image segmentation algorithm based on improved quantum-behaved particle swarm optimization ［J］. Journal of South China University of Technology （Natural Science Edition）， 2015， 43（5）： 126-131， 138.

［18］ Park J B， Jeong Y W， Shin J R， et al. An improved particle swarm optimization for nonconvex economic dispatch problems ［J］. IEEE Transactions on Power Systems， 2009， 25（1）： 156-166.

［19］ 劉申曉， 王學(xué)春， 常朝穩(wěn). 基于改進粒子群優(yōu)化算法的Otsu圖像分割方法［J］. 計算機科學(xué)， 2013， 40（8）： 293-295.

Liu Shenxiao， Wang Xuechun， Chang Chaowen.Otsu image segmentation method based on improved PSO algorithm ［J］. Computer Science， 2013， 40（8）： 293-295.

［20］ Jiao B， Xu Z X. Nonlinear inertia weigh particle swarm optimization combines simulated annealing algorithm and application in function and SVM optimization ［J］. Applied Mechanics and Materials， 2012， 130： 3467-3471.

［21］ 宣杰， 張琳， 王汝傳. 基于改進PSO的自適應(yīng)FCM聚類算法［J］. 南京郵電大學(xué)學(xué)報（自然科學(xué)版）， 2016， 36（6）： 59-64， 73.

Xuan Jie， Zhang Lin， Wang Ruchuan. Adaptive fuzzy C-means clustering algorithm based on improved particle swarm optimization ［J］. Journal of Nanjing University of Posts and Telecommunications （Natural Science Edition）， 2016， 36（6）： 59-64， 73.