改進樽海鞘群算法增強電力巡檢圖像的研究

成貴學，鄭曉楠

(上海電力大學計算機科學與技術(shù)學院，上海 200090)

1 引言

無人機在電力巡檢中的應用日益廣泛，高質(zhì)量的數(shù)字圖像在電力設備故障診斷、電力系統(tǒng)監(jiān)控等領(lǐng)域發(fā)揮著關(guān)鍵作用。針對復雜拍攝條件如陰天、大霧、大風等天氣，無人機拍攝的電力設備圖像存在細節(jié)模糊、亮度不均等問題，需對拍攝的彩色圖像進行增強處理，提高圖像對比度，去除無人機抖動造成的噪聲，突出圖像中的有用信息。

常用的圖像增強方法有空域法，例如直方圖均衡化法、拉普拉斯算子法、中值濾波法等；還有頻域法，例如小波變換、傅里葉變換等。上述方法簡單易行，但存在圖像細節(jié)損失、邊緣模糊，參數(shù)無法自適應選擇等問題。而脈沖耦合神經(jīng)網(wǎng)絡(Pulse coupled neural networks， PCNN)因其簡單、處理速度快、性能穩(wěn)定等優(yōu)勢被廣泛應用于圖像增強。文獻[6]提出基于PCNN內(nèi)部活動項的彩色圖像增強；文獻[7]將改進的PCNN 用于線陣CCD立靶測量系統(tǒng)的線陣圖像增強中；文獻[8]提出非下采樣Contourlet變換結(jié)合PCNN的圖像增強。但傳統(tǒng)的PCNN需要根據(jù)經(jīng)驗選擇最佳參數(shù)組合，直接影響了圖像增強效果。因此，一些學者將參數(shù)選擇問題視為目標函數(shù)優(yōu)化問題，利用啟發(fā)式智能優(yōu)化算法提高參數(shù)優(yōu)化效率。文獻[9]提出GA優(yōu)化PCNN模型的圖像增強方法。但由于GA算法存在易陷入局部最優(yōu)解，收斂精度低等缺陷，導致圖像增強效果不穩(wěn)定。

樽海鞘群算法(Salp Swarm Aalgorith， SSA)的尋優(yōu)能力主要是個體間的相互作用和影響，個體本身沒有變異機制，易早熟收斂。本文提出一種改進樽海鞘群優(yōu)化算法(Improved Salp Swarm Aalgorith， ISSA)并將其應用于PCNN圖像增強領(lǐng)域。解決樽海鞘群算法收斂精度差且易陷入局部最優(yōu)解的缺陷，在保證算法運行效率的同時提高圖像增強的效果，對算法進行了三部分改進：在領(lǐng)導者位置更新中引入高斯變異，提高種群多樣性；在追隨者位置更新中引入自適應慣性權(quán)重，平衡算法局部開發(fā)和全局搜索；設定早熟判別機制來判斷算法是否早熟收斂，并通過柯西變異跳出局部最優(yōu)解。最后，選取5個標準函數(shù)，對比ISSA、PSO、DE、BA、SSA算法，并在電力巡檢圖像上驗證算法的有效性。

2 圖像增強模型

將電力巡檢彩色圖像從RGB顏色空間轉(zhuǎn)換到HSI顏色空間，得到圖像亮度分量I。對圖像亮度分量I進行非下采樣剪切波變換(Non-subsampled shearlet transform， NSST)分解，得到低頻子帶圖像和高頻子帶圖像。

高頻子帶圖像包含原圖像的邊緣、輪廓和噪聲等信息。采取自適應閾值對多尺度多方向的高頻子帶系數(shù)去噪，去噪過程如下

(1)

(2)

m

為

C

，，的均值。

低頻子帶圖像包含了原圖像的主體信息，利用PCNN模型增強低頻子帶圖像，PCNN神經(jīng)元與圖像像素點一一對應，由接收器，調(diào)制器和脈沖發(fā)生器組成。

簡化的PCNN數(shù)學模型為

F

(

n

)=

S

(3)

L

(

n

)=

V

∑

W

Y

(4)

U

(

n

)=

F

(1+

βL

(

n

))

(5)

θ

(

n

)=

e

-

θ

(

n

-1)+

V

Y

(

n

-1)

(6)

(7)

其中，

S

為第(

i

，

j

)個神經(jīng)元的刺激信號作用于反饋輸入

F

(

n

)；

L

(

n

)為第(

i

，

j

)個神經(jīng)元的鏈接輸入；

Y

(

n

)為輸出值。

V

為通道幅值；

W

為

L

(

n

)的加權(quán)系數(shù)；

β

為鏈接系數(shù)；

V

、

α

分別為

θ

(

n

)的固有電勢和時間衰減常數(shù)。圖1為PCNN神經(jīng)元數(shù)學模型：

圖1 PCNN神經(jīng)元的簡化模型

利用PCNN增強低頻子帶圖像的過程中需確定參數(shù)

α

、

β

、

V

的取值，且參數(shù)取值影響圖像增強的效果，因而采用改進的樽海鞘群算法尋優(yōu)，實現(xiàn)參數(shù)的自適應選值，提高圖像增強效果。

增強后的低頻子帶圖像和去噪后的高頻子帶圖像進行NSST逆變換后代替原圖像的I分量，從HSI空間轉(zhuǎn)換到RGB空間得到增強后的圖像。

圖2 圖像增強過程

3 樽海鞘群算法及改進

3.1 樽海鞘群算法(SSA)

樽海鞘鏈由兩種類型的樽海鞘組成：領(lǐng)導者和追隨者。領(lǐng)導者位于鏈的最前端，其它樽海鞘作為追隨者跟隨領(lǐng)導者依次移動。

SSA算法中樽海鞘的位置是用

N

×

D

的矩陣

X

表示，公式如式(8)所示，其中

N

為樽海鞘種群的數(shù)量，

D

為樽海鞘個體位置的維度。領(lǐng)導者的位置更新如式(9)所示。

(8)

(9)

c

=2

e

-(4max)

(10)

t

為當前迭代數(shù)，

T

為最大迭代數(shù)。

追隨者跟隨領(lǐng)導者運動，它的位置只與初始位置，速度，加速度有關(guān)。根據(jù)牛頓運動定律更新追隨者的位置，如下所示(11)

(11)

(12)

3.2 改進樽海鞘群優(yōu)化算法(ISSA)

SSA算法在解決具有大量局部最優(yōu)解的多峰、高維問題時，容易出現(xiàn)局部停滯現(xiàn)象，導致算法收斂精度低。針對上述問題，選取種群前一半個體為領(lǐng)導者，后一半個體為追隨者，并引入高斯變異、自適應慣性權(quán)重和早熟判別機制對SSA算法進行改進，增強算法的全局搜索能力，提高算法的尋優(yōu)精度。

3.2.1 引入高斯變異

在算法中引入高斯變異對領(lǐng)導者位置更新公式進行改進，增強算法種群多樣性，提高算法的全局搜索能力，更新后的公式如式(13)所示

國慶節(jié)前，牛皮糖生日，照例請客。以前請客請的是三親四戚。這回他沒有請親戚，卻請了幾個八竿子打不著的人，但個個都是有點來頭的。席上一頓酒肉胡勸亂吃之后，一幫人就在地坪里就著暖洋洋的太陽扯白。

(13)

3

.

2

.

2 引入自適應慣性權(quán)重根據(jù)追隨者位置更新公式可知，每個樽海鞘的位置只與其前一個樽海鞘的位置有關(guān)，為了提高追隨者搜索能力同時平衡算法的局部開發(fā)和全局探索，引入自適應慣性權(quán)重系數(shù)

w

。算法初始，

w

較大，全局搜索性能較強，

w

隨著算法運行次數(shù)增加而自適應減小，算法局部開發(fā)能力提高。

(14)

α

為[15，30]之間取值；

w

=0

.

9、

w

=0

.

4分別為慣性權(quán)重系數(shù)的上限和下限。

改進后的追隨者位置更新公式如下

(15)

3

.

2

.

3 早熟判別機制鑒于樽海鞘群算法在迭代過程中容易早熟，陷入局部最優(yōu)解，因此，利用當前樽海鞘群體的方差

σ

是否小于某個閾值

ε

(

σ

反映樽海鞘群體中個體適應度值的整體變化，值越小表示個體聚集度越高，種群多樣性低)和

f

/f

是否趨于1(趨于1時表明樽海鞘已經(jīng)陷入停滯狀態(tài))來判斷算法是否陷入局部最優(yōu)解。當

σ

小于某個方差閾值

ε

和

f

/f

趨于1時，則判斷算法陷入局部最優(yōu)解。具體步驟如下：

將樽海鞘位置帶入適應度函數(shù)，計算每個樽海鞘的適應度值。

Fitness

=

f

(

x

)

(16)

找出最佳食物源。

(17)

記錄并保留最佳食物源

F

。

f

=max(

Fitness

)

(18)

f

=

F

(19)

δ

=

f

/f

(20)

(21)

(22)

若

σ

≤

ε

和

δ

趨于1，則對領(lǐng)導者進行柯西變異，公式如下

(23)

如圖3所示，柯西分布函數(shù)兩端延伸比高斯分布函數(shù)長，該特點使柯西變異產(chǎn)生的個體比原個體有更大的差異，更易跳出局部最優(yōu)解，中心點處峰值較小的特點使其花費更少的時間搜索領(lǐng)域空間，容易調(diào)節(jié)。

圖3 高斯分布和柯西分布曲線

4 實驗結(jié)果分析

4.1 基于測試函數(shù)的仿真及分析

為了驗證ISSA算法的適用性和優(yōu)越性，對PSO算法(P)、DE算法(D)、BA算法(B)、SSA算法(S)、ISSA算法(I)分別采取5個標準測試函數(shù)進行仿真。各測試函數(shù)的具體參數(shù)設置如表1所示。

f

、

f

為單峰測試函數(shù)，

f

、

f

、

f

為多峰測試函數(shù)。各算法的參數(shù)設置如表2所示。實驗環(huán)境：Intel(R) Core(TM) i5-8250U CPU @ 1.6GHZ 處理器；8.0GB運行環(huán)境；64位操作系統(tǒng)，基于x64的處理器；Windows10下Matlab2014版本的電腦上測試。

1)Sphere函數(shù)

2)Schwelel2.22函數(shù)

3)Ackley函數(shù)

4) Rastrigin函數(shù)

5)Griewank函數(shù)

表1 測試函數(shù)參數(shù)設置

表2 實驗參數(shù)設置

4.2 算法性能測試

圖4為不同算法在不同測試函數(shù)上迭代500次，適應度值雖迭代次數(shù)增加的變化曲線，由圖可以看出，

ISSA

算法相比于其它四種算法下降趨勢更明顯，說明

ISSA

算法收斂性更好。

4.3 實驗測試結(jié)果分析

為了進一步驗證算法的優(yōu)越性，對每個標準測試函數(shù)進行30次測試和比較，其結(jié)果如表3所示。平均值為30次獨立運行算法在測試函數(shù)中能夠達到的精度和的平均值。標準差可以反映算法的穩(wěn)定性效果

ISSA

算法標準差較低說明算法尋優(yōu)過程更穩(wěn)定。最優(yōu)值、最差值和平均值反映算法的收斂精度和尋優(yōu)能力，對比表3中數(shù)據(jù)可以看出，

ISSA

算法比

PSO

算法(

P

)、

DE

算法(

D

)、

BA

算法(

B

)、

SSA

算法(

S

)尋優(yōu)能力更強。綜上，

ISSA

算法(

I

)具有更好的全局搜索性，綜合性也更好，能精準地找到最優(yōu)值。

圖4 收斂曲線圖

表3 測試實驗結(jié)果對比

4.4 電力巡檢圖像增強分析

為了驗證增強算法的有效性，獲取了四幅不同角度、不同距離的無人機電力巡檢圖片，分別用多尺度Retinex算法(MSRCR)、文獻[8]算法、直方圖均衡化算法(HE)、小波算法(WT)和ISSA-PCNN算法進行圖像增強實驗對比。

利用常用的兩個評價標準——平均梯度(AG)和空間頻率(SF)作為ISSA-PCNN算法的適應度函數(shù)。平均梯度描述圖像的細節(jié)和紋理特征。空間頻率顯示圖像空間的活動程度，值越大，圖像增強的方法性能越好。適應度函數(shù)如下：

min

f

=1

/

(

SF

+

AG

)

(24)

具體步驟如圖5所示。

圖5 改進樽海鞘群算法優(yōu)化PCNN參數(shù)步驟

文獻[8]算法采用傳統(tǒng)PCNN參數(shù)設置

α

=1

.

000、

β

=0

.

100、

V

=20

.

000，

PCNN

其它參數(shù)設置與

ISSA

-

PCNN

算法相同：

V

=1、

T

=100、

W

=[0

.

5 1 0

.

5；1 0 1；0

.

5 1 0

.

5]。

圖6—圖9為不同圖像增強方法增強圖像結(jié)果。從視覺效果來看，MSRCR算法提高了圖像的對比度，但顏色較原圖像失真嚴重。文獻[8]算法、小波變換算法和直方圖均衡化算法增強效果不穩(wěn)定，對某些圖像會出現(xiàn)過度增強，導致圖像失真。ISSA-PCNN算法增強效果更穩(wěn)定，增強后的圖像更清晰自然，失真小。

圖6 第一組圖像增強方法對比

圖7 第二組圖像增強方法對比

圖8 第三組圖像增強方法對比

圖9 第四組圖像增強方法對比

運用三個客觀評價指標(圖像熵(IE)、空間頻率(SF)、平均梯度(AG))對其結(jié)果進行客觀評價，數(shù)據(jù)如表4所示，分析發(fā)現(xiàn)ISSA-PCNN算法指標總體高于另外四種算法的指標，綜合以上分析，ISSA-PCNN算法具有良好的穩(wěn)定性和圖像增強能力，能更好地完成電力巡檢圖像的增強任務。

表4 圖像增強結(jié)果的客觀評價

5 總結(jié)

通過引入高斯變異算子、自適應慣性權(quán)重和早熟判別機制，本文提出一種基于改進樽海鞘群算法優(yōu)化脈沖耦合神經(jīng)網(wǎng)絡參數(shù)的圖像增強技術(shù)。從測試函數(shù)的仿真中可以看出，針對不同測試函數(shù)，改進樽海鞘群算法均優(yōu)于標準樽海鞘群算法。將改進樽海鞘群算法應用于圖像增強模型中，仿真結(jié)果表明相比于其它圖像增強方法，該方法增強后的圖像從視覺角度看更清晰自然、對比度更高，從客觀角度分析圖像保真性更好。綜上，實驗結(jié)果表明了改進樽海鞘群算法具有更好的全局搜索和局部開發(fā)能力，算法的有效性和魯棒性也得到了驗證。