基于多策略融合未来搜索算法的林火图像分割.pdf
《基于多策略融合未来搜索算法的林火图像分割.pdf》由会员分享,可在线阅读,更多相关《基于多策略融合未来搜索算法的林火图像分割.pdf(11页珍藏版)》请在咨信网上搜索。
1、第 39 卷 第 4 期2023 年 7 月森 林 工 程FOREST ENGINEERINGVol.39 No.4Jul.,2023doi:10.3969/j.issn.1006-8023.2023.04.016基于多策略融合未来搜索算法的林火图像分割陈光伟1,徐梁1,方亮2,付雪1,陈普宽2(1.东北林业大学 机电工程学院 哈尔滨 150040;2.连云港天邦科技开发有限公司,江苏 连云港 222346)摘 要:为解决林火图像传统阈值分割方法时效性差、分割精度低等问题,提出一种基于多策略融合未来搜索算法(IFSA)的多阈值林火图像分割方法。在提升算法的性能方面,采用帐篷映射(Tent 映射
2、)初始化种群中的个体,引入自适应权重与认知因子增强种群内部信息交流,并对最优位置引入柯西分布与高斯分布结合的变异机制提高算法的收敛精度。利用改进算法对森林火灾图像进行分割,并选取最佳适应度、峰值信噪比和结构相似度作为评价指标,与粒子群优化算法、灰狼优化算法等进行对比分析。研究结果表明,改进的未来搜索算法(Improved Future Search Algorithm,IFSA)的适应度曲线收敛效果明显优于其他对比算法,峰值信噪比、结构相似度取得最优的实验次数分别占总实验次数的 100%与 91.67%,证明基于 IF-SA 的图像分割方法能有效改善林火图像分割效果,为林火特征的提取与分析建立
3、依据。关键词:未来搜索算法;Tent 混沌映射;柯西-高斯变异;多阈值图像分割;林火图像中图分类号:S 文献标识码:A 文章编号:1006-8023(2023)04-0134-11Forest Fire Image Segmentation Based on Multi-strategy Fusion Future Search AlgorithmCHEN Guangwei1,XU Liang1,FANG Liang2,FU Xue1,CHEN Pukuan2(1.College of Mechanical and Electrical Engineering,Northeast Forest
4、ry University,Harbin 150040,China;2.Lianyungang Tianbang Technology Development Company Ltd.,Lianyungang 222346,China)Abstract:A multi-threshold forest fire image segmentation method based on a multi-strategy fused future search algorithm(IF-SA)is proposed to address the shortcomings of traditional
5、threshold segmentation methods for forest fire images,such as poor timeliness and low segmentation accuracy.To improve the performance of the algorithm,the solution space is initialized using Tent chaotic map-ping.Inertia weights and cognitive factors are introduced to enhance exchange within popula
6、tions.A variational mechanism combining the Cauchy distribution and Gaussian distribution is introduced to improve the convergence accuracy of the algorithm.The improved algorithm is used to segment forest fire images,and the best adaptation,peak signal-to-noise ratio and structural similarity are s
7、elected as evaluation metrics and compared with particle swarm optimization algorithm and grey wolf optimization algorithm for analysis.The results show that the convergence of the adaptation curve of improved future search algorithm(IFSA)is better than that of other algo-rithms,and the number of ex
8、periments in which the peak signal-to-noise ratio and structural similarity achieved the best results accounted for 100%and 91.67%of the total number of experiments,respectively.It is proved that the IFSA-based image segmenta-tion method can effectively improve the segmentation effect of forest fire
9、 images and establish a basis for the extraction and analysis of forest fire features.Keywords:Future search algorithms;Tent chaotic map;Cauchy-Gaussian mutation;multi-threshold image segmentation;forest fire image收稿日期:2022-11-22基金项目:连云港“智能海州人才计划”创新类项目(“气压密闭式大口径流体装卸臂”)第一作者简介:陈光伟,博士,副教授。研究方向为液压伺服控制和机
10、械设计及理论研究。E-mail:引文格式:陈光伟,徐梁,方亮,等.基于多策略融合未来搜索算法的林火图像分割J.森林工程,2023,39(4):134-144.CHEN G W,XU L,FANG L,et al.Forest fire image seg-mentation based on multi-strategy fusion future search algorithmJ.Forest Engineering,2023,39(4):134-144.0 引言近年来,由于部分地区气候干燥以及人为原因引起的不同规模大小的森林火灾多达数十起,森林火灾的发生将严重影响森林中各种生物的生长与自
11、然繁育。为预防森林火灾,目前已研制出无人化的森林火灾早期预警与视觉监测系统,其中,林火图像分割是系统中最重要的环节之一。林火图像分割可以从图像中辨别出火源部分,为后续的林火特征提取与分析,以及灭火工作提供重要依据1-3。图像分割的大类方法主要有阈值分割、边缘检测和 BP 神经网络等4;在众多图像分割的方法中,阈值分割因其简单且性能稳定而被广泛应用。阈值分割法又可以分为多种,其中最大类间方差法(Ostu)5是目前公认的对阈值选取较为合理、分割效果较优的多阈值分割方法6。随着迭代次数的增加,多阈值分割方法的计算第 4 期陈光伟,等:基于多策略融合未来搜索算法的林火图像分割量呈指数级增长7。为提高算
12、法的运算效率,产生了学科交叉下的阈值分割算法8,如近些年来许多学者将粒子群优化算法(Particle Swarm Optimization Algorithm,PSO)9、灰狼优化算法(Gray Wolf optimi-zation algorithm,GWO)10、乌 鸦 搜 索 算 法(Crow search algorithm,CSA)11和帝企鹅优化算法(Em-peror Penguin optimization algorithm,EPO)12等应用于图像分割中,并取得了较好的优化效果。常君杰等13提出了一种基于改进乌鸦算法的多阈值图像分割方法,针对乌鸦位置更新的盲目性,采用精英分享
13、策略,同时引入莱维飞行机制,帮助 CSA 跳出局部最优;同时改进乌鸦算法去优化 Kapur 熵函数,明显地提高了多阈值图像的分割精度。郎春博等14提出了一种模拟退火算法与粒子群算法的混合优化算法,加快以 Otsu为适应度函数的多阈值图像分割的阈值选取过程,并在处理植物冠层图像分割问题时提高了图像的分割精度。贾鹤鸣等15提出了一种基于共生生物搜索算法的多阈值分割方法,并应用于林火图像分割;通过引入精英反策略与莱维飞行策略提高算法的寻优能力,进而获得良好的分割效果。邢致恺等16针对 Otsu 算法用于多阈值图像分割中存在的运算时间长与分割精度不足问题,提出应用莱维飞行对樽海鞘优化算法进行改进,从而
14、获得最优阈值。近几年,许多新发现的智能优化算法具备了更好的寻优能力,其中未来搜索算法(Future Search Algorithm,FSA)具有计算复杂度较低,收敛速度较快的优点17;但也存在着求解精度低,易陷入局部最优的问题。鉴于此,本研究提出了一种多策略融合的未来搜索算法(Improved Future Search Algo-rithm,IFSA),并将其应用到林火图像多阈值分割领域。该算法改进的基本思想是利用 IFSA 对 Otsu 函数搜索寻优,获得最优阈值组合,最终提升林火图像分割的精度。1 标准未来搜索算法(FSA)FSA 是 Elsisi17于 2019 年基于人们向最优秀的
15、人学习、追寻更美好生活的行为而发明的一种智能优化算法,即一个国家中取得最高成就的人是他人模仿的对象,也就是算法中的局部最优解。但每一年,每个国家中最优秀的人都有可能发生变化,这意味着算法在每次迭代中都需要更新局部最优解。如果一个人在新一年的表现不如去年,那么这个人的初始位置就会发生变化。根据上述原理,FSA 算法的具体步骤如下。首先,随机初始化种群,其数学表达式见式(1)S(i,:)=Lb+(Ub-Lb)rand(1,d)。(1)式中:S(i,:)表示第 i 个国家的当前解;Lb、Ub分别表示搜索空间的下限与上限;rand为均匀分布的随机数;d 表示问题的维度。其次,在初始化种群后,将每个解定
16、义为局部解 LS,并将其中的最优解定义为全局最优解 GS,然后通过算法迭代求解最优解 LS18。FSA 根据 GS与LS的方程更新解,其更新方程为式(2)和式(3)。S(i,:)L=(LS-S(i,:)rand(1,d)。(2)S(i,:)G=(GS-S(i,:)rand(1,d)。(3)在获得第 i 个国家局部最优解和全局最优解后,根据式(1)重新定义当前解S(i,:)=S(i,:)+S(i,:)L+S(i,:)G。(4)FSA 在更新局部最优解 LS与全局最优解 GS后,利用式(5)更新式(1)的随机初始值S(i,:)=GS+(GS-S(i,:)rand(1,d)。(5)2 多策略融合的未
17、来搜索算法(IFSA)2.1 基于混沌优化的种群初始化初始种群解的质量严重影响 FSA 的优化性能,传统 FSA 利用随机初始化方法,往往导致种群多样性不高。为此,本研究采用了混沌优化的种群初始化方法,利用其在空间中良好的遍历性、规律性与内在随机性改善种群的多样性,加快种群的收敛速度。常用的混沌优化方法有 Logistic 映射(单峰影像)和 Tent 映射(帐篷映射)19-21,2 种方法的表达式分别见式(6)和(7)zk+1=2zk,0 zk 1/22(1-zk),1/2 zk 1。(6)zk+1=4zk(1-zk)。(7)式中:zk代表第 k 个混沌数;k 为迭代次数。式(7)经过贝努利
18、移位变换后21,表达式变化如下zk+1=(2zk)mod1(8)式中,mod1为取余函数。为比较 2 种方法应用于 FSA 的效果,在 Matlab软件中,分别使二者在0,1迭代 20 000 次,所得分布如图 1 所示。531森 林 工 程第 39 卷(a)Tent 映射(a)Tent?map(b)Logistic 映射(b)Logistic?map混沌值Value?of?chaos混沌值Value?of?chaos频数Frequency频数Frequency800700600500400300200100008007006005004003002001000.1?0.2?0.3?0.4?0
19、.5?0.6?0.7?0.8?0.9?10.1?0.2?0.3?0.4?0.5?0.6?0.7?0.8?0.9?1图 1 Tent 映射、Logistic 映射在0,1的频数分布曲线Fig.1 Tent map,Logistic map frequency distribution curve between 0 and 1 由图1 可见,Tent 映射在各个区间的取值概率较为均匀,而 Logistic 映射在区间0,0.1与0.9,1内的取值概率明显高于其他区间,说明 Tent 映射具有更好的遍历性与更快的迭代速度。由此,选取 Tent映射进行种群初始化,实现最大程度地覆盖整个解空间,增加种
20、群的多样性,增强算法的搜索能力。2.2 基于自适应权重与认知因子的进化策略FSA 中,种群个体的经验知识更新是简单地将自身经验与学习得到的经验加和,这是一个正反馈过程,并未考虑到种群间的信息交流与共享问题。为了能有效平衡算法的勘探与开发能力,本研究借鉴粒子群算法(PSO)的思想,在 FSA 中引入自适应权重因子与认知因子,通过改进 FSA 的位置更新公式来提高算法的全局与局部搜索能力。PSO 的粒子更新公式中包含了种群间粒子的信息共享,从而实现了算法的快速收敛。标准 PSO的位置更新公式见式(9)9xti+1=xti+vti+c1r1(Ptbesti-xti)+c2r2(Gtbest-xti)
21、。(9)式中:xi为第 i 个粒子的当前位置;vi是第 i 个粒子的速度;t 为迭代次数;为惯性权重系数;c1、c2分别是自我学习因子及社会学习因子;r1、r2为 0 到 1 之间均匀分布的随机数;Ptbesti、Gtbest分别为第t 次迭代中粒子 i 的个体局部极值位置与种群全局最优位置。将式(9)引入式(2)与式(3),得加入自适应权重与认知因子的位置更新公式见式(10)S(i:)=S(i:)+(LS(i:)-S(i:)rand c3+(GS-S(i:)rand c4。(10)式中:为自适应惯性权重系数,其表达式如式(11);c3、c4分别是基于线性调节的自我学习因子及社会学习因子,其表
22、达式见式(12)和(13)=(max+min)/2+tanh(-4+8(tmax-t)/tmax)(max-min)/2。(11)c3=c1max-t(c1max-c1min)tmax。(12)c4=c2min+t(c2max-c2min)/tmax。(13)式中:max与 min分别为最大惯性权重系数与最小惯性权重系数;t 为当前迭代次数;tmax为最大迭代次数;c1max、c1min分别是自我学习因子的最大值与最小值;c2max,c2min分别是社会学习因子的最大值与最小值。取 c1max=2.5,c2max=1.5;c1min=1.5,c2min=2.5。设定上述取值范围后,在 Matl
23、ab 软件中对式(11)迭代 1 000 次,所得自适应变化曲线如图 2所示。0?100?200?300?400?500?600?700?800?900?1?000迭代次数Iterations自适应惯性权重系数Adaptive?weight1.00.90.80.70.60.50.4图 2 自适应变化曲线Fig.2 Adaptive curve of change631第 4 期陈光伟,等:基于多策略融合未来搜索算法的林火图像分割由图 2 可见,加入自适应权重与认知因子后,在搜索的初期阶段(迭代次数 0 400),曲线下降平缓,搜索速度较慢,使得 FSA 可以充分进行全局搜索,减少出现局部最优的
24、情况;中期阶段(迭代次数400700),曲线下降近似线性递减,c1由 2.5 逐渐线性递减至 1.25,c2由 1.25 线性增加到 2.5,搜索速度加快,加强了 FSA 的局部搜索能力;搜索后期(迭代次数 7001 000),曲线下降速度再次变缓,使得 FSA 搜索最优解更为细致。这证明了 可以很好地平衡当前解更新公式的全局与局部收敛关系,从而使 FSA 在迭代初期具备较强的全局搜索能力,在迭代后期能够协调算法局部开发和全局探索的能力。2.3 柯西-高斯变异策略利用优化算法处理高维度多峰优化问题时,为了避免陷入局部最优,本研究将柯西-高斯变异策略引入未来搜索算法中,目的是提高算法的抗停滞能力
25、22。柯西分布函数的两翼有更长、更宽的分布范围,其可变异的范围区间更大,具有很强的扰动能力23。高斯分布函数的极值更大,可以重点搜索原最优解附近的区域,能提高算法的局部搜索能力,缩短算法运行时间24-27。当 FSA 迭代后期处于停滞状态时,引入柯西-高斯变异策略,可以选择当前迭代次数中适应度最好的个体进行变异,并比较变异前后个体的适应度值,择优保留位置。在式(5)中引入该策略的随机初始值更新公式,为式(14)和(15),式(16)和式(17)则表示了动态参数 1与 2随迭代次数变化的方式。U(i:)G=S(i:)G(1+1cauchy(0,2)+2Gauss(0,2)。(14)=1,f(S(
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 策略 融合 未来 搜索 算法 图像 分割
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。