崔文靜,李 帥,彭天文,梁宏濤
(青島科技大學(xué) 信息科學(xué)技術(shù)學(xué)院,山東 青島 266061)
圖像分割是一個(gè)至關(guān)重要的預(yù)處理方法,在圖像識別等應(yīng)用領(lǐng)域尤為重要。它的主要任務(wù)是把所需的前景和不相關(guān)的背景進(jìn)行分割,而圖像分割的優(yōu)劣關(guān)系到特征提取和圖像識別等其他環(huán)節(jié),所以一個(gè)良好的圖像分割方法是十分關(guān)鍵的[1]。
OTSU閾值分割法是圖像分割中最常用的處理方式,它通過選擇前景與背景類間方差最大時(shí)的值作為分割閾值[2],不但方便簡單,同時(shí)也可以更有效地對多種類型圖像進(jìn)行分割。由于其分割處理的流程更加簡便,并且擁有卓越的分割效果,所以擁有十分普遍的應(yīng)用[3]。OTSU閾值分割法還有以下幾個(gè)優(yōu)點(diǎn):對于像素值分布單峰的圖像,分割效果較好;可以快速處理大型圖像,使圖像分割過程實(shí)現(xiàn)實(shí)時(shí)處理和低計(jì)算成本;與其他圖像分割方法相比,閾值分割法的算法簡單,易于理解和實(shí)現(xiàn)。然而,OTSU法在處理多峰圖像時(shí)可能會比較困難,因?yàn)樗y以找到合適的閾值來正確地將像素分割成兩個(gè)區(qū)域。因此,在處理多峰圖像時(shí),提出二維OTSU分割法。像素的灰度值分布以及該像素鄰域像素的平均灰度值分布是二維OTSU閾值劃分需要考慮的兩個(gè)因素,雖然分割的準(zhǔn)確度有所提高,但計(jì)算的復(fù)雜性卻大大增加[4]。為了應(yīng)對計(jì)算復(fù)雜度的增加,許多學(xué)者引入麻雀算法、灰狼算法等智能優(yōu)化算法對閾值進(jìn)行搜索優(yōu)化改進(jìn)實(shí)時(shí)性差的缺陷[5]。
標(biāo)準(zhǔn)蜜獾算法[6](honey badger algorithm,HBA)是于2021年提出的一種新型智能優(yōu)化算法,蜜獾算法的思想來源于生物學(xué)中的蜜獾,這種動物有著聰明的覓食行為和攻擊技能,能夠克服各種困難,尋找到合適的食物或藏身之地。蜜獾算法具有結(jié)構(gòu)簡單、易實(shí)現(xiàn);能夠在多個(gè)領(lǐng)域內(nèi)取得比較好的優(yōu)化結(jié)果,且具有較強(qiáng)的魯棒性。算法利用蜂蜜吸引度有效地保證了開發(fā)能力,有效的引導(dǎo)個(gè)體向最優(yōu)個(gè)體靠攏,同時(shí)密度因子確保了算法從勘探階段到開發(fā)階段的平穩(wěn)過渡[7]。HBA算法相較于其他群體智能優(yōu)化算法,其優(yōu)化性能與收斂速度方面優(yōu)勢更加明顯,但是算法在陷入局部最優(yōu)解的問題上仍然具有提升空間[8]。
本文引入反向?qū)W習(xí)策略和柯西變異因子對蜜獾算法改進(jìn),提出了應(yīng)用改進(jìn)蜜獾算法的二維OTSU圖像分割法,不僅提高了算法的收斂速度,而且可以獲得更優(yōu)的分割閾值,使得分割后的圖像更加細(xì)致。
二維OTSU算法利用像素灰度值分布和它鄰域像素的平均灰度值分布兩個(gè)維度構(gòu)建二維直方圖進(jìn)行閾值分割[9]。假設(shè)一幅圖像所有像素點(diǎn)總和為M×N,灰度級總數(shù)為L,那么使用像素點(diǎn)灰度值i與平均灰度值j組成的二元組就可以描述圖像中的任意像素點(diǎn)。利用每個(gè)二元組產(chǎn)生的頻率可計(jì)算得出相應(yīng)的聯(lián)合概率密度,如式(1)所示。
(1)
其中:fij是像素灰度值為i時(shí)鄰域灰度值為j的像素出現(xiàn)的次數(shù)。一般在計(jì)算過程中取偏離直方圖對象線的點(diǎn)的概率為Pij=0。設(shè)閾值為(s,t)可以把圖像劃分為前景J0和背景J1,那么前景和背景的概率值分別為:
(2)
(3)
均值矢量如式(4)~(6)所示。其中μ0,μ1分別為前景和背景的均值矢量,μ為總體均值矢量。
μ0=(μ0i,μ0j)T
(4)
μ1=(μ1i,μ1j)T
(5)
(6)
圖像的離散測速矩陣如下所示。
Simg=PJ0[(μ0i-μi)2+(μ0j-μj)2]+
PJ1[(μ1i-μi)2+(μ1j-μj)2]
(7)
根據(jù)式(7)所得離散度越大,類間方差越大。當(dāng)max{Simg}取最大值時(shí),(s,t)為最佳閾值。
標(biāo)準(zhǔn)的蜜獾算法源于蜜獾為了進(jìn)食而采取的兩種行為模式。第一種行為是挖掘獵物,蜜獾通過自身的嗅覺判斷獵物的大概位置,并在到達(dá)該位置后圍繞獵物行動,最終選取適當(dāng)?shù)牡攸c(diǎn)進(jìn)行挖掘和捕獲獵物。第二種行為是采蜜,蜜獾通過感知環(huán)境中的信息,直接定位蜜蜂巢穴并進(jìn)行采蜜[10]。在算法中,這兩種行為被轉(zhuǎn)化為勘探階段和開發(fā)階段,以實(shí)現(xiàn)全局和局部搜索的平衡。在勘探階段,算法通過多個(gè)候選解對問題空間進(jìn)行探索,并保留最優(yōu)解進(jìn)行進(jìn)一步開發(fā)。在開發(fā)階段,算法通過對當(dāng)前最優(yōu)解進(jìn)行局部搜索來獲取更優(yōu)的結(jié)果。
在蜜獾算法中,種群初始化是指隨機(jī)生成一些解作為搜索空間的候選解,在這些解中尋找最優(yōu)解的過程。種群大小的設(shè)定對于算法的性能有很大影響,通常需要根據(jù)問題的復(fù)雜度和搜索精度來確定種群大小。初始化方式如式(8)所示。
xi=lbi+r1×(ubi-lbi)
(8)
其中:ub,lb表示搜索空間的上限和下限,r1是(0,1)之間的隨機(jī)數(shù),xi為N個(gè)候選個(gè)體的第i個(gè)個(gè)體的位置。
挖掘階段中,氣味強(qiáng)度I主要與獵物強(qiáng)度或集中強(qiáng)度S和蜜獾個(gè)體與獵物之間的距離di有關(guān)。
(9)
由式(9)可得,氣味強(qiáng)度I與S成正比,與距離d的平方成反比,距離越近,氣味強(qiáng)度與大。其中,r2是(0,1)之間的隨機(jī)數(shù)。
挖掘過程中蜜獾的位置更新范圍類似于心形線的形狀,運(yùn)動曲線通過式(10)進(jìn)行模擬。
Xnew=Xprey+F×β×I×Xprey+
F×r3×α×di×
|cos(2πr4)×[1-cos(2πr5)]|
(10)
(11)
式中,Xprey為獵物的位置,在算法中表示目前全局搜索得到的最優(yōu)位置,β代表的是蜜獾捕獲獵物的能力(默認(rèn)取值為6),α為密度因子,可以確保從勘探階段到開采階段的平穩(wěn)過渡,C默認(rèn)為2,t為當(dāng)前迭代次數(shù),tmax為最大迭代次數(shù),r3、r4、r5是(0,1)之間的三個(gè)不同的隨機(jī)數(shù),F(xiàn)表示控制方向的參數(shù),由式(12)確定。
(12)
在采蜜階段的情況可以用式(13)進(jìn)行模擬。
Xnew=Xprey+F×r7×α×di
(13)
Xprey為獵物位置,r7為(0,1)之間的隨機(jī)數(shù)。
2.2.1 基于反向?qū)W習(xí)策略的種群初始化
HBA采用的方式是隨機(jī)生成初始種群,隨機(jī)生成的種群存在分布不均的問題,會造成種群多樣性降低,種群品質(zhì)低下,甚至直接影響算法的收斂速度[11],因此改進(jìn)的HBA算法采用反向?qū)W習(xí)策略解決該問題。
反向?qū)W習(xí)策略不僅可以在傳統(tǒng)的機(jī)器學(xué)習(xí)中應(yīng)用,同時(shí)也可用于優(yōu)化算法中的種群初始化?;诜聪?qū)W習(xí)策略的種群初始化方法可以被歸納為以下幾個(gè)步驟。
1)定義問題:首先,需要將優(yōu)化問題定義為一個(gè)目標(biāo)函數(shù),其中包含了需要最小化或最大化的目標(biāo)以及所有的約束條件。
2)反向生成個(gè)體:接下來,采用反向?qū)W習(xí)策略,在反向群體中選取優(yōu)秀的種群作為下一代種群[12]。
3)隨機(jī)擾動:為了增加種群的多樣性,可以對每個(gè)個(gè)體進(jìn)行隨機(jī)擾動。這樣做不僅可以避免個(gè)體陷入局部最優(yōu)解中,而且還可以提高全局尋優(yōu)能力。
4)約束檢查:最后,需要對生成的每個(gè)個(gè)體進(jìn)行約束檢查,確保它們滿足所有的約束條件。如果某個(gè)個(gè)體不滿足約束條件,則需要重新生成。
假設(shè)隨機(jī)初始化種群為Xi,則對應(yīng)的反向群體如式(14)所示。
(14)
其中:rand表示取(0,1)之間的隨機(jī)數(shù),lb、ub為搜索空間的下界和上界。
反向?qū)W習(xí)策略就是通過選擇更接近的個(gè)體成為種群的初始個(gè)體,從而使所有個(gè)體都可以離最優(yōu)解更近一步,以便提高種群所有個(gè)體的收斂速度。同時(shí),通過對每個(gè)個(gè)體進(jìn)行隨機(jī)擾動尋找更多有效區(qū)域來增加目標(biāo)群體的多樣性,從而提高算法的全局搜索能力[13]。
2.2.2 引入柯西變異策略
蜜獾優(yōu)化算法主要通過挖掘階段和采蜜階段兩個(gè)過程實(shí)現(xiàn)個(gè)體位置的更新。挖掘階段的執(zhí)行保證了算法前期的全局搜索能夠更加廣泛和全面;采蜜階段,蜜獾群體的位置更新方向始終以食物源為目標(biāo),有利于深度搜索最優(yōu)解[14]。雖然,以食物源方向?yàn)槟繕?biāo)的搜索方法可以加快算法的收斂速度,但同時(shí)也存在搜索不充分等問題。如果食物源陷入局部最優(yōu),那么圍繞食物源進(jìn)行的搜索也將陷入局部最優(yōu)[15]。針對上述問題,采用柯西變異因子對算法當(dāng)前找到的最優(yōu)解進(jìn)行自適應(yīng)變異,食物源的自適應(yīng)變異過程如式(15)所示:
Xnew=Xprey+Xprey⊕cauchy(0,1)
(15)
(16)
式(16)為標(biāo)準(zhǔn)柯西分布的概率密度函數(shù),Cauchy分布曲線與高斯分布相似,是一個(gè)由峰值到兩端緩慢變化的鐘形,無線接近x軸,該特征保證了可以迅速逃離局部極值點(diǎn)[16]。另外,Cauchy分布的峰值較低,可以縮短變異后在鄰域搜索的時(shí)間[17]。因此,獲得可行解后采用柯西變異因子進(jìn)行擾動,有利于增強(qiáng)算法的局部隨機(jī)搜索能力,從而避免算法陷入局部最優(yōu)的問題。
引入反向?qū)W習(xí)策略與柯西變異因子的MHBA算法偽代碼如下所示。
算法1:MHBA算法
初始化最大種群N,最大迭代次數(shù)T,優(yōu)化維度D,搜索下界lb和上界ub;
計(jì)算每個(gè)蜜獾個(gè)體的適應(yīng)度值保存最佳位置及適應(yīng)度值;
While(t fori=1,2,…,Ndo ifr<0.5,then 標(biāo)準(zhǔn)蜜獾挖掘階段 else 標(biāo)準(zhǔn)蜜獾采蜜階段更新 end end 計(jì)算新蜜獾個(gè)體的適應(yīng)度并排序 更新食物源位置及其適應(yīng)度; 引入柯西變異因子,以避免算法陷入局部最優(yōu); t=t+1; end 輸出全局最優(yōu)個(gè)體適應(yīng)度值及位置 具體流程包括初始化種群數(shù)量、迭代次數(shù)、優(yōu)化維度和搜索范圍;使用反向?qū)W習(xí)策略初始化種群數(shù)量;計(jì)算每個(gè)蜜獾個(gè)體的適應(yīng)度值,并保存最佳位置及適應(yīng)度值;在當(dāng)前迭代次數(shù)小于最大迭代次數(shù)之前,對所有蜜獾進(jìn)行標(biāo)準(zhǔn)蜜獾采蜜或挖掘操作;計(jì)算新蜜獾個(gè)體的適應(yīng)度并排序,更新食物源位置及其適應(yīng)度;通過引入柯西變異因子來避免算法陷入局部最優(yōu),并不斷更新迭代次數(shù)。最終可以輸出全局最優(yōu)個(gè)體的適應(yīng)度值及位置。 2.4.1 基準(zhǔn)測試函數(shù) 本文實(shí)驗(yàn)環(huán)境為11th Gen Intel(R)Core(TM)i5-1135G7,MATLAB2019b。為驗(yàn)證MHBA算法的性能,本文選取了8個(gè)測試函數(shù)在MATLAB2019b上進(jìn)行仿真實(shí)驗(yàn)。這些測試函數(shù)是在計(jì)算智能領(lǐng)域被廣泛應(yīng)用的標(biāo)準(zhǔn)基準(zhǔn)函數(shù),用于驗(yàn)證各種優(yōu)化算法的性能。在本文中,使用這些測試函數(shù)對比分析了MHBA、HBA和GWO算法的優(yōu)化效果。這些算法都是基于群體智能的元啟發(fā)式算法,適用于各種優(yōu)化問題,例如函數(shù)優(yōu)化、組合優(yōu)化和約束優(yōu)化等。然而,在不同的問題和問題規(guī)模下,各個(gè)算法的表現(xiàn)往往會有所不同。因此,測試函數(shù)的比較結(jié)果可以為不同應(yīng)用場景下的算法選擇提供重要的參考。測試函數(shù)信息如表1所示。其中,f1~f2為單個(gè)峰值的測試函數(shù),f3~f5為多個(gè)峰值的測試函數(shù),f6~f8為固定維度的測試函數(shù)[18]。 表1 測試函數(shù)說明 2.4.2 實(shí)驗(yàn)結(jié)果分析 本實(shí)驗(yàn)選擇標(biāo)準(zhǔn)HBA算法、GWO算法與MHBA算法在選取的8個(gè)基準(zhǔn)測試函數(shù)上進(jìn)行仿真實(shí)驗(yàn)。為保證實(shí)驗(yàn)公平性,種群規(guī)模N=30,空間維度D=30,最大迭代次數(shù)T=100,記錄每次運(yùn)行結(jié)果。實(shí)驗(yàn)結(jié)果采用收斂曲線進(jìn)行描述,方便直觀算法的優(yōu)化效果,如圖1~3所示,橫軸代表迭代次數(shù),橫軸代表適應(yīng)度值[19]。不同算法的測試結(jié)果統(tǒng)計(jì)如表2所示。 圖1 單峰測試函數(shù)上的收斂效果圖 表2 不同算法測試結(jié)果統(tǒng)計(jì) 通過表2的測試函數(shù)對比結(jié)果可直接反映出算法的尋優(yōu)效果和收斂速度的能力,MHBA算法在不同測試函數(shù)上都表現(xiàn)出最佳的優(yōu)化性能。在求解多峰函數(shù)f4時(shí),其最優(yōu)解、平均值和標(biāo)準(zhǔn)差都為0,說明MHBA算法在這個(gè)測試函數(shù)的求解過程中都達(dá)到了理想的最優(yōu)值。在求解單峰函數(shù)f1和f2時(shí),MHBA、HBA、GWO都沒有達(dá)到求解精度,但是HBA要較GWO的尋優(yōu)精度大幅提升,MHBA又在HBA基礎(chǔ)上提升了10~20個(gè)數(shù)量級。在求解固定維度的測試函數(shù)時(shí),雖然三種算法都能到達(dá)理想的尋優(yōu)精度附近,但是HBA和GWO的收斂精度要相對較差一點(diǎn)。 綜上所述,在求解單峰測試函數(shù)、多峰測試函數(shù)以及固定維度的測試函數(shù)時(shí),無論是在算法的尋優(yōu)精度還是尋優(yōu)速度上,融入反向?qū)W習(xí)策略與柯西變異因子的MHBA相比于原始的HBA以及GWO算法均表現(xiàn)出了一定的優(yōu)勢。 對于單峰測試函數(shù)f1~f2,雖然三種算法在迭代次數(shù)100次的情況下都沒有達(dá)到最優(yōu)解,但是加入反向?qū)W習(xí)和柯西變異策略的MHBA算法的收斂速度遠(yuǎn)遠(yuǎn)領(lǐng)先其他兩個(gè)算法。而且,100次迭代后MHBA算法在精度方面較其他兩個(gè)算法要提高了1020數(shù)量級。 對于多峰測試函數(shù)f3~f5,圖2(a)顯示在算法迭代初期,雖然MHBA算法的收斂速度相對較慢,但在迭代后期,其收斂速度快速加快并最先達(dá)到更高的尋優(yōu)精度。這是因?yàn)镸HBA算法在柯西變異因子的幫助下,能夠更好地跳出局部最優(yōu)解,并最終接近全局最優(yōu)解圖2(b)的對比效果更加明顯,MHBA算法不僅表現(xiàn)出了極佳的收斂速度也展現(xiàn)了精準(zhǔn)的尋優(yōu)能力。圖2(c)雖然都沒達(dá)到最優(yōu)精度,但MHBA的收斂速度要快的多。 圖2 多峰測試函數(shù)上的收斂效果圖 固定維度函數(shù)上的測試效果可以體現(xiàn)出算法的全局遍歷和局部搜索的均衡能力,圖3顯示MHBA算法的收斂速度遠(yuǎn)快于HBA算法。雖然HBA算法在固定維度函數(shù)上得到的結(jié)果比較趨近于測試函數(shù)理論值,但是圖3 (c)可以看出MHBA算法的結(jié)果精度比HBA算法更接近理論最優(yōu)值。 圖3 固定維度測試函數(shù)上的收斂效果圖 綜上所述,對于上述8個(gè)基準(zhǔn)測試函數(shù)而言,MHBA算法的收斂速度和求解精度較HBA算法和經(jīng)典的GWO算法更出色,尤其是在多峰函數(shù)的求解過程中,MHBA算法可以在較短的時(shí)間內(nèi)找到理想的最優(yōu)解,這對于實(shí)際應(yīng)用中的復(fù)雜優(yōu)化問題具有重要的意義。而在單峰函數(shù)的求解過程中,MHBA算法雖然沒有達(dá)到理想的精度,但是相比于HBA和GWO算法仍然表現(xiàn)出了更好的優(yōu)化性能。在固定維度的測試函數(shù)中,三種算法的性能差距不大,但MHBA算法仍然略微優(yōu)于HBA和GWO算法。實(shí)驗(yàn)充分證明了引入反向?qū)W習(xí)策略和柯西變異因子可以有效提高HBA算法收斂速度和精確度,MHBA算法在全局搜索和局部開發(fā)的均衡性上要比HBA算法更加優(yōu)秀。 二維OTSU算法原理是尋找一個(gè)合適的閾值對圖像進(jìn)行分割,通過該閾值分割得到的圖像的前景與背景的類間方差最大[20],因?yàn)榭紤]了圖像的灰度信息和空間鄰域信息,所以算法存在計(jì)算量大、效率低的問題。群智能優(yōu)化算法通過模擬一些生命種群等的覓食或其他行為,通過群體之間的合作交流,花費(fèi)較少的計(jì)算時(shí)間很快的找到更多的食物[21],被廣泛的應(yīng)用于函數(shù)優(yōu)化及參數(shù)尋優(yōu)等方面。于是本文將MHBA方法應(yīng)用到圖像分割領(lǐng)域,以實(shí)現(xiàn)閾值的尋優(yōu),從而更高效的獲得最優(yōu)閾值。 MHBA算法以圖像最大類間方差函數(shù)式(7)作為優(yōu)化的適應(yīng)度函數(shù),函數(shù)表達(dá)式如式(17)所示。以迭代選優(yōu)的方式求解得到圖像的最優(yōu)分割閾值。算法的尋優(yōu)邊界設(shè)置為0~255。 f(x)=max{Simg} (17) MHBA優(yōu)化的二維OTSU獲取圖像最優(yōu)分割閾值的流程如圖4所示。 1)初始化種群。設(shè)置最大種群數(shù)N,最大迭代次數(shù)T,優(yōu)化維度D,搜索空間的上下界UB、LB等相關(guān)參數(shù);采用反向?qū)W習(xí)策略對種群進(jìn)行初始化。 2)載入圖像,進(jìn)行灰度處理,計(jì)算最大類間方差。 3)將最大類間方差函數(shù)式(17)作為蜜獾的適應(yīng)度函數(shù)。 4)計(jì)算個(gè)體的適應(yīng)度。根據(jù)適應(yīng)度大小找出食物源的位置并更新個(gè)體的位置。 5)引入柯西變異因子,對算法當(dāng)前得到的可行解進(jìn)行自適應(yīng)擾動,避免算法陷入局部最優(yōu)。 6)迭代次數(shù)增加,判斷是否達(dá)到終止條件,如果達(dá)到,則輸出最優(yōu)解;否則,返回執(zhí)行步驟4)。 7)根據(jù)算法獲得最優(yōu)解作為閾值進(jìn)行圖像分割。 實(shí)驗(yàn)采用MATLAB2019b進(jìn)行仿真。為保證搜索的閾值可以在最佳閾值附近收斂,算法設(shè)置MHBA算法的群體規(guī)模為N=30,空間維度D=30,最大迭代次數(shù)T=100。為了直觀對比圖像分割所得到的效果,并驗(yàn)證本文改進(jìn)算法的可行性[22],選取伯克利大學(xué)提供的開源數(shù)據(jù)集BSDS500中的三幅圖像作為分割對象[23],分別采用二維OTSU算法和MHBA-OTSU進(jìn)行圖像分割實(shí)驗(yàn)對比,分割效果圖如圖5所示。 圖5 圖像分割對比圖 其中(a)為對圖像進(jìn)行灰度處理后的效果,分別選取了動物、人物及場景三種不同的類別。從圖(b)(c)分別為二維OTSU和MHBA-OTSU進(jìn)行圖像分割的效果圖。在動物圖像分割中,二維OTSU對于水面波紋沒有多余的檢測,但是因?yàn)轭^部黑色的羽毛與背景顏色太相近導(dǎo)致頭部尤其是嘴巴部分產(chǎn)生了較多的缺失,相反MHBA-OTSU雖然因?yàn)樗y的晃動產(chǎn)生了一定的誤判,但是頭部檢測還是比較完整的,而且在水面倒影的部分也是檢測的細(xì)節(jié)比較到位。雖然人物面部輪廓上兩個(gè)算法分割效果差不多,但是在細(xì)節(jié)方面對比是比較明顯的,二維OTSU分割的人物頭飾部分比較模糊,層次分明效果差,而且人物的眼睛部分由于眼白部分比較少導(dǎo)致二維OTSU分割后的整個(gè)眼睛呈現(xiàn)黑色,而MHBA-OTSU部分對于頭飾及眼睛部分的細(xì)節(jié)處理較好,可以分明的看到人物的黑眼球和白眼球部分。在環(huán)境分割圖中二維OTSU檢測的倒鐘完全融入了黑色背景部分,同時(shí)圖像的線條呈現(xiàn)了鋸齒狀,而MHBA-OTSU算法可以將倒鐘識別分割出來并且邊緣部分要比二維OTSU清晰許多,呈現(xiàn)比較光滑的線條。 本文通過計(jì)算三種算法的時(shí)間效率作為客觀評價(jià)標(biāo)準(zhǔn),如表3所示。 表3 算法圖像分割時(shí)間比較 s 動物和場景圖像的原圖對象簡單,色彩也相對單一,經(jīng)過灰度處理后的進(jìn)行分割的時(shí)間要少很多。而人物圖像的原圖色彩相對豐富,而且細(xì)節(jié)也比較多,在進(jìn)行圖像分割的時(shí)候花費(fèi)的時(shí)間要久一些。從表3可以看出MHBA-OTSU算法在融入改進(jìn)蜜獾算法后在效率方面有了較大的提高,有效減少了算法的運(yùn)行時(shí)間。 本文提出的改進(jìn)蜜獾算法,首先加入了反向?qū)W習(xí)策略進(jìn)行種群初始化,用于解決種群個(gè)體隨機(jī)性和均衡性沖突的問題,保證了種群分布的優(yōu)越性,有效避免了算法的過早收斂。其次,引入柯西變異因子對可行解進(jìn)行擾動,有利于算法跳出局部最優(yōu),提高局部搜索過程,提高算法尋優(yōu)精度。通過對8個(gè)經(jīng)典測試函數(shù)進(jìn)行查驗(yàn),與GWO和HBA算法進(jìn)行對比仿真實(shí)驗(yàn)結(jié)果表明,MHBA在尋優(yōu)速度和收斂精度上都有大幅提高,具有收斂速度更快、收斂精度更高的優(yōu)勢。將MHBA應(yīng)用于圖像分割領(lǐng)域的OTSU閾值尋優(yōu),在圖像分割方面表現(xiàn)出了分割效果更加細(xì)致,表明MHBA在圖像分割領(lǐng)域不僅提高了算法的收斂速度,而且可以獲得更優(yōu)的分割閾值。2.4 算法測試與分析
3 基于MHBA-OTSU的圖像分割研究
4 實(shí)驗(yàn)仿真與結(jié)果分析
5 結(jié)束語