第1期 吴一全，等：蜂群优化的二维非对称Tsas交叉熵图像阈值选取 ·107· 部最优、收敛精度低、算法稳定性不够等不足，文中 2)初始化引领蜂对应食物源的位置X。(e=1, 提出采用蜂群算法搜索最佳阈值，以进一步加快算 2,,15),X。是二维量，2个分量分别在t和s的搜 法搜索速度，提高算法精度和实时性。 索范围之间随机产生，须取为整数。根据式(10)计 算每个解的适应度值： 3非对称Tsallis交叉熵阈值选取的人 3)按照式(11)，每一只引领蜂在食物源附近随 1)引领。引领蜂的数目是确定的，设为M,每 机搜寻到一个新解Z。(对Z。取整)，然后计算Z.的 一只引领蜂对应一个食物源。食物源位置表示目标 适应度值，取新旧解的较优值赋给X。; 函数的可能解，亦即可能的最佳阈值。食物源的花 4)根据式(12)，观察蜂以概率P.跟随一只引 蜜质量由相应解的适应度表示： 领蜂，根据式(11)在食物源附近随机搜寻一个新整 数解，选取新旧解的较优值赋给X。; F(X.)= 1+X)x)≥0 (10) 5)如果经过C次循环，X.的适应度值没有改 1+lfX.)If(X.)<0 善，搜索新的整数解代替X。,否则程序继续进行； 式中：e=0,1,…,M,X.表示第e个引领蜂对应的 6)当一次循环结束时，将本次循环的最优解与 某个可能解，代X)表示目标函数值，与阈值选取准 之前全局最优值比较，决定当前全局最优值，C自 动加1： 则函数ε，的值对应。每一只引领蜂在食物源附近 随机搜寻到一个新食物源，其位置由式(11)确定： 7)若C达到C,停止迭代，根据得到的最佳阈 值向量分割图像，否则转3)继续迭代。 Z。=X。+ε(X.-X.) (11) 式中：E表示[-1,1]之间的随机数，X,表示第1 4实验结果与分析 (l≠e)个引领蜂对应食物源的位置。比较新旧食 利用文中提出的蜂群优化的二维非对称Tsallis 物源的适应度，引领蜂选择较优的食物源。 交叉嫡阈值选取方法，对大量不同类型的图像进行 2)观察。通常设置观察蜂的数目与引领蜂相 了阈值分割实验，发现选取合适的参数g值，图像分 同，也为M,。首先由引领蜂对应食物源的花蜜适 割的结果会更加准确。与二维最大Shannon嫡法、 应度确定出概率P.;然后观察蜂以P.的概率选取 二维Shannon交叉嫡法、二维Tsallis嫡法、二维对称 该引领蜂跟随。P。的表达式为 Tsallis交叉嫡法相比，本文提出的方法在分割质量 F(X.) P.= (12) 和运行效率2方面皆有优势。 ∑F(X) 实验中能否正确选取参数？值对图像分割效果 =1 有重要的影响)。不同的图像所需选取的最佳q 在所跟随的引领蜂对应食物源附近，观察蜂根 值可能不一样：同一幅图像需要分割出的目标不同. 据式(12)随机搜索一个新食物源。将新旧食物源 q值可能也要改变。为满足自动化的要求，不可能 比较后，引领蜂继续选择较优的食物源。 对每幅图像的g值进行人为设置和调整。基于文中 3)侦查。引领蜂的职能转为侦查自身是否陷 方法，重点对储粮害虫和纸病2类图像做了大量实 入局部极值。如果陷入局部极值，搜索新的位置以 验，找到了符合这2类图像最为合适的q值。总体 便跳出局部极值。 来说，分割储粮害虫图像时，q设置为0.01能取得 这3个职能循环执行直至搜索到最佳阈值。需 较好效果。纸病图像要视待分割目标所处的灰度级 要注意的是，将蜂群算法应用于图像阈值选取时，目 区域区别设置：分割的目标是黑斑等暗灰度级区域 标函数的自变量是离散值，必须对自变量取整。 时，可设置g=0.01:而分割的目标是孔洞等亮灰度 二维非对称Tsallis交叉熵阈值选取的蜂群优化 级区域时，可设置q=15。 算法具体步骤如下： 实验是在Pentium(R)Dual-Core CPU2.0GHz 1)设置算法的控制值，蜜蜂的总数N。设为30. 2 GB RAM、MATLAB7.1环境中进行的。因篇幅有 引领蜂和观察蜂各一半。最大循环次数C定为 限，分别给出2幅储粮害虫和2幅纸病图像的实验 20。判断引领蜂是否陷入局部极值的循环次数C 结果及算法运行时间。图3(a)~图6(a)为原始灰 设为3。维数D为2。t的搜索范围为[1,254]，s的 度图像。其中，图3(a)与图4(a)为储粮害虫图像； 搜索范围为[1，L,-2],L,=max[g(i,j)]。当前的 图5(a)为低对比度的黑斑纸病图像，图6(a)为孔 循环次数C为1： 洞纸病图像。图3(b)~图6(b)为基于粒子群优化部最优尧收敛精度低尧算法稳定性不够等不足袁文中 提出采用蜂群算法搜索最佳阈值袁以进一步加快算 法搜索速度袁提高算法精度和实时性遥 猿摇 非对称 栽泽葬造造蚤泽 交叉熵阈值选取的人 员冤引领遥 引领蜂的数目是确定的袁设为 酝蕴 袁每 一只引领蜂对应一个食物源遥 食物源位置表示目标 函数的可能解袁亦即可能的最佳阈值遥 食物源的花 蜜质量由相应解的适应度表示院 云渊载藻冤 越 员 员 垣 枣渊载藻冤 袁枣渊载藻冤逸园 员 垣渣 枣渊载藻冤 渣 袁枣渊载藻冤 约 园 ⎧ ⎩ ⎨ ⎪ ⎪ ⎪ 渊员园冤 式中院 藻 越 园袁员袁噎袁酝蕴 袁载藻 表示第 藻 个引领蜂对应的 某个可能解袁 枣渊载藻冤 表示目标函数值袁与阈值选取准 则函数 着枣 的值对应遥 每一只引领蜂在食物源附近 随机搜寻到一个新食物源袁其位置由式渊员员冤确定院 在藻 越 载藻 垣 着渊载藻 原 载藻冤 渊员员冤 式中院 着 表示 咱 原 员袁员暂 之间的随机数袁 载造 表示第 造 渊造 屹 藻冤 个引领蜂对应食物源的位置遥 比较新旧食 物源的适应度袁引领蜂选择较优的食物源遥 圆冤观察遥 通常设置观察蜂的数目与引领蜂相 同袁也为 酝蕴 遥 首先由引领蜂对应食物源的花蜜适 应度确定出概率 孕藻 曰然后观察蜂以 孕藻 的概率选取 该引领蜂跟随遥 孕藻 的表达式为 孕藻 越 云渊载藻冤 移 酝蕴 躁 越 员 云渊载躁 冤 渊员圆冤 摇 摇 在所跟随的引领蜂对应食物源附近袁观察蜂根 据式渊员圆冤随机搜索一个新食物源遥 将新旧食物源 比较后袁引领蜂继续选择较优的食物源遥 猿冤侦查遥 引领蜂的职能转为侦查自身是否陷 入局部极值遥 如果陷入局部极值袁搜索新的位置以 便跳出局部极值遥 这 猿 个职能循环执行直至搜索到最佳阈值遥 需 要注意的是袁将蜂群算法应用于图像阈值选取时袁目 标函数的自变量是离散值袁必须对自变量取整遥 二维非对称 栽泽葬造造蚤泽 交叉熵阈值选取的蜂群优化 算法具体步骤如下院 员冤设置算法的控制值袁蜜蜂的总数 晕悦 设为 猿园袁 引领蜂和观察蜂各一半遥 最大循环次数 悦酝 定为 圆园遥 判断引领蜂是否陷入局部极值的循环次数 悦蕴 设为 猿遥 维数 阅 为 圆遥 贼 的搜索范围为咱员袁圆缘源暂 袁 泽 的 搜索范围为咱员袁 蕴泽 原圆暂袁 蕴泽 越 皂葬曾咱早渊蚤袁躁冤暂 遥 当前的 循环次数 悦 为 员曰 圆冤初始化引领蜂对应食物源的位置 载藻 渊藻 越 员袁 圆袁援援援袁员缘冤 袁 载藻 是二维量袁圆 个分量分别在 贼 和 泽 的搜 索范围之间随机产生袁须取为整数遥 根据式渊 员园冤计 算每个解的适应度值曰 猿冤按照式渊员员冤 袁每一只引领蜂在食物源附近随 机搜寻到一个新解 在藻 渊对 在藻 取整冤 袁然后计算 在藻 的 适应度值袁取新旧解的较优值赋给 载藻 曰 源冤根据式渊员圆冤 袁观察蜂以概率 孕藻 跟随一只引 领蜂袁根据式渊员员冤在食物源附近随机搜寻一个新整 数解袁选取新旧解的较优值赋给 载藻 曰 缘冤如果经过 悦蕴 次循环袁 载藻 的适应度值没有改 善袁搜索新的整数解代替 载藻 袁否则程序继续进行曰 远冤当一次循环结束时袁将本次循环的最优解与 之前全局最优值比较袁决定当前全局最优值袁 悦 自 动加 员曰 苑冤若 悦 达到 悦酝 袁停止迭代袁根据得到的最佳阈 值向量分割图像袁否则转 猿冤继续迭代遥 源摇 实验结果与分析 利用文中提出的蜂群优化的二维非对称 栽泽葬造造蚤泽 交叉熵阈值选取方法袁对大量不同类型的图像进行 了阈值分割实验袁发现选取合适的参数 择 值袁图像分 割的结果会更加准确遥 与二维最大 杂澡葬灶灶燥灶 熵法尧 二维 杂澡葬灶灶燥灶 交叉熵法尧二维 栽泽葬造造蚤泽 熵法尧二维对称 栽泽葬造造蚤泽 交叉熵法相比袁本文提出的方法在分割质量 和运行效率 圆 方面皆有优势遥 实验中能否正确选取参数 择 值对图像分割效果 有重要的影响咱员苑暂 遥 不同的图像所需选取的最佳 择 值可能不一样曰同一幅图像需要分割出的目标不同袁 择 值可能也要改变遥 为满足自动化的要求袁不可能 对每幅图像的 择 值进行人为设置和调整遥 基于文中 方法袁重点对储粮害虫和纸病 圆 类图像做了大量实 验袁找到了符合这 圆 类图像最为合适的 择 值遥 总体 来说袁分割储粮害虫图像时袁 择 设置为 园援园员 能取得 较好效果遥 纸病图像要视待分割目标所处的灰度级 区域区别设置院分割的目标是黑斑等暗灰度级区域 时袁可设置 择 越 园援园员曰而分割的目标是孔洞等亮灰度 级区域时袁可设置 择 越 员缘遥 实验是在 孕藻灶贼蚤怎皂渊砸冤 阅怎葬造鄄悦燥则藻 悦孕哉 圆援园 郧匀扎尧 圆 郧月 砸粤酝尧酝粤栽蕴粤月 苑援员 环境中进行的遥 因篇幅有 限袁分别给出 圆 幅储粮害虫和 圆 幅纸病图像的实验 结果及算法运行时间遥 图 猿渊葬冤 耀 图 远渊葬冤为原始灰 度图像遥 其中袁图 猿渊葬冤与图 源渊葬冤为储粮害虫图像曰 图 缘渊葬冤为低对比度的黑斑纸病图像袁图 远渊葬冤为孔 洞纸病图像遥 图 猿渊遭冤 耀 图 远渊遭冤为基于粒子群优化 第 员 期摇摇摇摇摇摇摇摇摇摇摇摇摇摇 吴一全袁等院蜂群优化的二维非对称 栽泽葬造造蚤泽 交叉熵图像阈值选取 窑员园苑窑