·156· 智能系统学报 第13卷 若r≤0.25，则寄生巢位置保留；否则位置被替换，得 方法均在不同程度上丢失了部分信息。如图4所 到新的寄生巢位置，确定当前最优寄生巢位置。 示，二维Arimoto嫡法的分割结果中存在大量虚警 5)按式(13)、式(14)对最优位置寄生巢执行混 目标，图4b)中部有大量阴影，覆盖CT图像的部分 沌扰动，与扰动之前的寄生巢位置比较，记录最优 信息。基于PSO的二维Renyi嫡法和基于CPSO的 寄生巢位置。 二维Tsallis灰度嫡法降低了虚警率，但物体的外边 6)对迭代次数1做出判断，当t<Tm时返回 界和内部空洞轮廓不够清晰，如图4(c)、(©)，空洞边 3)继续进行搜索，否则执行7)。 界不清晰且尺寸变小，部分孔洞未被分割出来，不 7)输出Renyi灰度嫡的最优阈值(r,s'),得到图 利于后续的检测和识别。基于CS的二维Renyi灰 像的阈值分割结果。 度嫡法和本文方法在减少虚警目标的同时准确地分 割出物体的外围轮廓及内部空洞的边界。由图5可 4实验结果及分析 以看出，基于PSO的二维Renyi嫡法和二维Ar- 运用提出的基于CCSO的二维Renyi灰度熵阈 imoto嫡法分割出的火焰轮廓均不够准确，而二维 值法对各种图像进行实验，并与二维Arimoto嫡法 Arimoto熵法还丢失了左上方的火焰目标；基于CPSO PSO的二维Renyi嫡法、CPSO的二维Tsallis灰度熵 的二维Tsallis灰度熵法、基于CS的二维Renyi灰 法I、基于CS的二维Renyi灰度熵法在分割结果 度熵法、本文提出的方法分割得到的火焰边界清晰 和运行时间上进行比较。图2~5以刀具磨损图像 准确。 (327×156)、狒狒图像(512×512)、工业CT图像 (371×300)、模糊火焰图像(468×369)为例，给出 5种阈值选取方法的分割结果。基于PSO的二维 Renyi嫡法和基于CPSO的二维Tsallis灰度嫡法的 粒子群数均为20，最大迭代次数为50：基于CS的 二维Renyi灰度嫡法的最大迭代次数为50，种群规 (a)原始图像 (b)二维Arimoto(c)基于PSO的三 熵法 维Renyi熵法 模为30个，概率po=0.25;基于CCS0的二维Renyi 灰度嫡法的最大迭代次数T=50,种群规模为30， 概率p%=0.25。 如图2所示，二维Arimoto嫡法无法将刀具磨 损区域从正常区域中分割出来，故没有得到磨损区 域的边缘；基于PSO的二维Renyi嫡法、基于CPSO (d基于CPSO的二(e)基于CS的二（①基于CCSO的 的二维Tsallis灰度熵法、基于CS的二维Renyi灰 维Tsallis灰度熵法维Renyi灰度熵法维Renyi灰度熵法 度熵法虽然能检测出磨损区域，但仍存在大量正常 图3，狒狒图像及分割结果 区域的边界；本文方法较好地分割出磨损区域，轮 Fig.3 Baboon image and segmentation results 廓清晰，并分割出了较小的磨损区域。 (a)原始图像 (b)二维Arimoto(c)基于PSO的 熵法 维Renyi熵法 (a)原始图像 (b)二维Arimoto(c)基于PSO的二 熵法 维Renyi熵法 (d基于CPSO的二(e)基于CS的二（①基于CCSO的二 维Tsallis灰度熵法维Renyi灰度熵法维Renyi灰度熵法 图2刀具图像及分割结果 (d基于CPS0的二(e)基于CS的二（①基于CCSO的三 Fig.2 Tool wear image and segmentation results 维Tsallis灰度熵法维Renyi灰度熵法维Renyi灰度熵法 图3所示狒狒图像，Renyi灰度嫡提取的狒狒 图4工业CT图像及分割结果 鼻子和胡须清晰可见，细节信息丰富；而其他3种 Fig.4 Industrial CT image and segmentation results若r ⩽ 0.25 ，则寄生巢位置保留；否则位置被替换，得 到新的寄生巢位置，确定当前最优寄生巢位置。 5) 按式 (13)、式 (14) 对最优位置寄生巢执行混 沌扰动，与扰动之前的寄生巢位置比较，记录最优 寄生巢位置。 6) 对迭代次数 t 做出判断，当 t < Tmax时返回 3) 继续进行搜索，否则执行 7)。 (t ∗ ,s ∗ 7) 输出 Renyi 灰度熵的最优阈值 ) ，得到图 像的阈值分割结果。 4 实验结果及分析 p0 = 0.25 Tmax = 50 p0 = 0.25 运用提出的基于 CCSO 的二维 Renyi 灰度熵阈 值法对各种图像进行实验，并与二维 Arimoto 熵法[10] 、 PSO 的二维 Renyi 熵法[15] 、CPSO 的二维 Tsallis 灰度熵 法 [12] 、基于 CS 的二维 Renyi 灰度熵法在分割结果 和运行时间上进行比较。图 2~5 以刀具磨损图像 (327×156)、狒狒图像 (512×512)、工业 CT 图像 (371×300)、模糊火焰图像 (468×369) 为例，给出 5 种阈值选取方法的分割结果。基于 PSO 的二维 Renyi 熵法和基于 CPSO 的二维 Tsallis 灰度熵法的 粒子群数均为 20，最大迭代次数为 50；基于 CS 的 二维 Renyi 灰度熵法的最大迭代次数为 50，种群规 模为 30 个，概率 ；基于 CCSO 的二维 Renyi 灰度熵法的最大迭代次数 ，种群规模为 30， 概率 。 如图 2 所示，二维 Arimoto 熵法无法将刀具磨 损区域从正常区域中分割出来，故没有得到磨损区 域的边缘；基于 PSO 的二维 Renyi 熵法、基于 CPSO 的二维 Tsallis 灰度熵法、基于 CS 的二维 Renyi 灰 度熵法虽然能检测出磨损区域，但仍存在大量正常 区域的边界；本文方法较好地分割出磨损区域，轮 廓清晰，并分割出了较小的磨损区域。 (a) ৏࿻മۿ) b) Ҽ㔤 Arimoto ⟥⌅ (c) สҾ PSO ⲴҼ 㔤 Renyi ⟥⌅ (d) สҾ CPSO ⲴҼ 㔤 Tsallis ⚠ᓖ⟥⌅ (e) สҾ CS ⲴҼ 㔤 Renyi ⚠ᓖ⟥⌅ (f) สҾ CCSO ⲴҼ 㔤 Renyi ⚠ᓖ⟥⌅ 图 2 刀具图像及分割结果 Fig. 2 Tool wear image and segmentation results 图 3 所示狒狒图像，Renyi 灰度熵提取的狒狒 鼻子和胡须清晰可见，细节信息丰富；而其他 3 种 方法均在不同程度上丢失了部分信息。如图 4 所 示，二维 Arimoto 熵法的分割结果中存在大量虚警 目标，图 4(b) 中部有大量阴影，覆盖 CT 图像的部分 信息。基于 PSO 的二维 Renyi 熵法和基于 CPSO 的 二维 Tsallis 灰度熵法降低了虚警率，但物体的外边 界和内部空洞轮廓不够清晰，如图 4(c)、(e)，空洞边 界不清晰且尺寸变小，部分孔洞未被分割出来，不 利于后续的检测和识别。基于 CS 的二维 Renyi 灰 度熵法和本文方法在减少虚警目标的同时准确地分 割出物体的外围轮廓及内部空洞的边界。由图 5 可 以看出，基于 PSO 的二维 Renyi 熵法和二维 Ar￾imoto 熵法分割出的火焰轮廓均不够准确，而二维 Arimoto 熵法还丢失了左上方的火焰目标；基于 CPSO 的二维 Tsallis 灰度熵法、基于 CS 的二维 Renyi 灰 度熵法、本文提出的方法分割得到的火焰边界清晰 准确。 (a) ৏࿻മۿ) b) Ҽ㔤 Arimoto ⟥⌅ (c) สҾ PSO ⲴҼ 㔤 Renyi ⟥⌅ (d) สҾ CPSO ⲴҼ 㔤 Tsallis ⚠ᓖ⟥⌅ (e) สҾ CSⲴ Ҽ 㔤 Renyi ⚠ᓖ⟥⌅ (f) สҾ CCSO ⲴҼ 㔤 Renyi ⚠ᓖ⟥⌅ 图 3 狒狒图像及分割结果 Fig. 3 Baboon image and segmentation results (a) ৏࿻മۿ) b) Ҽ㔤 Arimoto ⟥⌅ (c) สҾ PSO ⲴҼ 㔤 Renyi ⟥⌅ (d) สҾ CPSO ⲴҼ 㔤 Tsallis ⚠ᓖ⟥⌅ (e) สҾ CS ⲴҼ 㔤 Renyi ⚠ᓖ⟥⌅ (f) สҾ CCSO ⲴҼ 㔤 Renyi ⚠ᓖ⟥⌅ 图 4 工业 CT 图像及分割结果 Fig. 4 Industrial CT image and segmentation results ·156· 智 能 系 统 学 报 第 13 卷