改進(jìn)蜜獾算法優(yōu)化OTSU的圖像分割研究

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)

0 引言

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。

1 二維OTSU算法

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。

2 蜜獾算法的優(yōu)化

2.1 標(biāo)準(zhǔn)蜜獾算法

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 改進(jìn)蜜獾算法

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。

2.3 改進(jìn)蜜獾算法偽代碼

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 算法測試與分析

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。

3 基于MHBA-OTSU的圖像分割研究

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。

4 實(shí)驗(yàn)仿真與結(jié)果分析

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。

5 結(jié)束語

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。