基于多策略融合未来搜索算法的林火图像分割.pdf

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)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 Forestry 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 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 populations.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 selected 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 experiments 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 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?0.5?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)。(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 Matlab 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(i:)G)f(S(i:)exp(f(S(i:)G)-f(S(i:)f(S(i:)G),otherwise。(15)1=1-(ttmax)2。(16)2=(ttmax)2。(17)式中:U(i:)G表示变异后的个体;cauchy(0,2)、Gauss(0,2)分别表示满足柯西分布与高斯分布的随机变量。在寻优过程中,取 2=1,1将逐渐减小、2将逐渐增大,可以避免 FSA 在搜索后期易陷入局部最优的情况。3基于多策略未来搜索算法的图像分割算法3.1 多阈值 Otsu 图像分割算法最大类间方差法(Otsu)是由学者大津提出的基于图像一维直方图的图像分割理论,根据阈值将图像分为背景和目标两类,并使类间方差值最大28。实际工程应用中,对于复杂图像需要选择多个阈值进行分割,才能达到令人满意的效果。设一幅图像灰度级为 L,像素为 NM,灰度值 i 的像素个数为ni,则灰度值 i 的像素占总像素点的概率为 Pi。假设图像中有 T 个待分割区域 C1,C2,Ct,需要 T-1 个阈值,即 t1,t2,tT-1。基于 Otsu 的多阈值图像分割原理具体定义见式(18)式(23)29-30Pi=niN M。(18)0=t1i=0Pi,1=t2i=t1+1Pi,T-1=tTi=tT-1+1Pi。(19)0=t1i=0iPi0,1=t2i=t1+1iPi1,T-1=tTi=tT-1+1iPiT-1。(20)=tT-1i=0ii。(21)2=0(-0)2+1(-1)2+T-1(-T-1)2。(22)t1,t2,tT-1=Arg max2(t1,t2,tT-1。(23)式中:i为第 i 类像素所占比例;i为第 i 类像素的均值;是所有像素值的总均值;2为类间方差;t1,t2,tT-1为最优阈值组合。3.2 目标函数的定义Otsu 法的本质是寻求一组最优解,随着选取阈值个数的增加,求取最大类间方差的计算量会呈现指数级增加。为提高算法的运行效率,利用多策略融合改进的未来搜索算法(IFSA)对选取多阈值的过程进行优化求解。应用于多阈值 Otsu 图像分割算法的数学模型见式(24)f(X1,X2,Xn)=0(-0)2+1(-1)2+T-1(-T-1)2=2(t1,t2,tT-1)。(24)式中:f(X1,X2,Xn)是关于阈值 ti的适应度函数;Xi对应未来搜索算法中取得最高成就的个体。731森 林 工 程第 39 卷本研究采用式(24)作为目标函数,通过 IFSA中个体向最优个体学习,从而得到一组阈值,求取使目标函数最大的阈值组合。3.3 基于 IFSA 的多阈值图像分割流程综上,在 FSA 中引入 Tent 混沌、自适应权重与认知因子,以及柯西-高斯变异策略后,IFSA 就具备了较强抗停滞的能力,可以更加精准、高效地找到全局最优解。基于 IFSA 的图像分割流程如图 3 所示。导入图像Import?image数字化图像处理生成图像直方图Digital?image?processing?generate?the?image?histogram设置算法参数Setting?algorithm?parametersTent 混沌种群初始化Tent?chaos?population?initialization计算适应度值Calculate?the?fitness?value适应度值排序并定义 GS与 LSFitness?values?sort?and?define?GS?and?LS根据式（5）更新种群初始化Update?the?population?initializationaccording?to?equation?（5）根据式（14）进行柯西-高斯变异Cauchy-gauss?variation?is?performedaccording?to?equation?（14）更新 GS与 LSUpdate?GS?and?LS根据式（10）更新个体位置According?to?equation?（10），theposition?of?the?individual?is?updated根据式（2）（3）更拳局部最优解与全局最优解The?local?optimal?solution?and?the?global?optimal?solution?are?updated?according?to?equations?（2）and?（3）检查 GS与 LSCheck?GS?and?LS否 N是 Y输出分割图像Output?segmentation?image得到最优个体位置即量佳阈值向量The?optimal?individual?position?is?theoptimal?threshold?vector用最佳阈值向量对图象进行分割The?optimal?threshold?vector?is?used?to?segment?the?image是否达到最大迭代次数？Has?the?maximum?number?of?iterations?been?reached?图 3 基于 IFSA 的图像分割流程图Fig.3 IFSA-based image segmentation flowchart4 实验设计4.1 实验样本实验选取 4 幅林火图像作为实验样品评估 IF-SA 算法的性能,如图 4 所示,图 4(a)为白天无遮挡的近距离火源;图 4(b)为夜间烟尘、森林遮挡的远距离火源;图 4(c)为白天以森林为背景的远距离火源;图 4(d)为夜间背景简单的近距离火源。图 4 实验图像Fig.4 Experimental images4.2 实验环境通过查阅国内外文献31-33,种群规模过小会导致算法陷入局部最优;种群规模过大会增加算法的计算复杂度;根据实验过程可以发现,算法迭代次数在 500 时可收敛至最优值。故选取最大迭代次数为 500,避免浪费系统资源;此外,为验证算法在不同维度下的图像分割性能,选择 dim=5、10 和 15 验证算法在低维、高维情况下的性能;种群大小设置为 30,选择 FSA、PSO、GWO、CSA、EPO 5 种算法作为对比算法;具体设置参数见表 1。实验采用 Win-dows 10 系统、仿真软件为 MATLAB 2019a、CPU 为2.7 GHz 的环境下进行。831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表 1 算法参数Tab.1 Algorithm parameters算法Algorithm参数Parameter改进的未来搜索算法IFSAmax=0.95,min=0.4,c1max=2.5,c1min=1.25,c2min=1.25粒子群优化算法PSO=0.95,c1=c2=2灰狼优化算法GWOa=2乌鸦搜索算法CSAAP(乌鸦的警觉概率)=0.1,fl=2鹰栖息优化算法EPOBmove=2.5,(2,3),(1.5,2)4.3 评价指标实验中选用峰值信噪比(PSNR)、结构相似度(SSIM)和适应度函数 3 个参数作为图像分割效果的评价指标。1)PSNR 值(公式中用 PSNR表示)越大表明 m n 彩色图像的失真程度越小34-35。公式如下PSNR=10 log(M2AXMSE)=20 log(MAXMSE)。(25)MSE=1mnm-1i=0n-1j=0I(i,j)-K(i,j)2。(26)式中:MAX表示图像的最大灰度值;MSE表示均方差。2)SSIM 能够反映场景中物体的结构与图像的亮度及对比度。SSIM 值越接近 1,表明 2 幅结构越相似36。SSIM(公式中用 SSIM表示)表示为SSIM=2xy+d12x+2y+d12xy+d3xy+d32xy+d22x+2y+d2。(27)式中:x与 y分别表示原图像与分割后图像的均值;x与 y分别表示原图像与分割后图像的方差;xy则表示原图像与分割后图像之间的协方差;d1、d2、d3是常数,取 d1=(0.01L)2,d2=(0.03L)2,d3=d2/2,L=255。3)适应度函数此外,本研究以式(24)为适应度函数,利用智能优化算法对函数进行优化,求取使类间方差最大的阈值组,因此选取适应度值作为评价指标。一方面,适应度函数最终的收敛值可以反映图像的分割精度,适应度值越大,其获取的阈值组合更优,图像分割精度更高;另一方面,根据适应度函数收敛曲线可以直观反映各算法的收敛效率,即图像分割效率。5 实验结果与分析5.1 失真度与相似度分析在表 2 中给出 6 种算法分割后图像的 SSIM 和表 2 SSIM 和 PSNR 的平均值Tab.2 Average value of SSIM and PSNR图像Image维度Dim粒子群优化算法PSO灰狼优化算法GWO乌鸦搜搜算法CSA鹰栖息优化算法EPO未来搜索算法FSA改进的未来搜索算法IFSA(a)51015SSIM0.748 60.704 00.743 20.747 10.742 30.747 8PSNR21.484 721.890 521.537 521.658 221.83 121.950 3SSIM0.879 40.875 30.877 60.878 70.876 10.890 3PSNR26.732 726.78 1427.036 126.865 427.010 227.620 5SSIM0.932 60.928 30.929 80.925 10.933 50.937 0PSNR30.346 930.043 230.033 430.103 430.354 430.566 1(b)51015SSIM0.745 10.745 30.741 70.745 10.736 00.738 3PSNR21.989 422.081 921.989 821.908 822.05 222.130 7SSIM0.886 30.860 90.883 80.864 60.883 20.888 9PSNR27.257 626.241 127.268 727.510 327.211 327.613 1SSIM0.929 50.931 30.929 30.915 40.933 50.937 6PSNR29.861 430.363 630.224 829.876 130.242 630.615 4(c)51015SSIM0.773 80.773 40.771 00.774 30.713 00.784 4PSNR22.376 822.420 922.082 522.381 822.276 522.445 6SSIM0.909 30.898 70.896 90.908 80.867 70.911 7PSNR28.074 127.570 827.711 528.056 928.308 928.427 1SSIM0.940 90.939 00.941 60.951 20.947 60.969 9PSNR31.002 230.480 330.603 330.800 731.058 531.292 1(d)51015SSIM0.709 70.710 10.704 00.709 70.667 10.712 8PSNR21.927 222.040 521.890 521.865 021.220 822.175 8SSIM0.874 10.858 10.868 80.883 50.875 70.889 3PSNR27.491 026.764 227.475 827.713 827.778 628.099 0SSIM0.926 70.917 20.922 60.935 70.923 20.940 3PSNR30.331 930.088 930.348 131.092 630.502 231.351 6931森 林 工 程第 39 卷PSNR 值。从整体来看,随着阈值分割层次逐步递增,分割后图像的失真程度逐渐减小,与原图的相似性逐渐提高。根据表 2 中数据分析,在 12 组实验中,IFSA 在 SSIM 中最优占比为 91.67%,在 PSNR中最优占比为 100%。在阈值个数较少时,几种优化算法的 SSIM 和 PSNR 数值相差较小;但随着阈值个数增加,基于 IFSA 的图像分割方法在 SSIM、PSNR 2个指标均表现出良好的数据特征。这表明基于 IF-SA 分割后的图像在亮度、对比度和结构相似性方面与原始图像都更加相似。此外,为了直观体现图像分割指标 PSNR 与 SSIM 数据之间的差异性,图 5 和图 6 给出 30 次平均运行结果的 SSIM 与 PSNR 的曲线图。由图 5 可知,阈值从 5、10 到 15,IFSA 算法的PSNR 与 SSIM 2 项指标值均高于其他对比算法,说明算法的稳定性较高,分割后的图像与原图像相似度更高,失真程度更低。并且对于同一幅实验图像,IFSA 折线在绝大多数情况均高于对比算法。特别地,阈值选取个数增加意味着计算量的急剧增加,算法此时很容易陷入局部最优,但 IFSA 与其他算法之间的差值仍逐渐变大。具体分析曲线图 6 可看出,在图像(c)与(d)的维度为 5 时,IFSA 相比FSA 之间的数值差距尤为明显,这说明改进策略的确可以提高算法的收敛精度,帮助其跳出局部最优。dim5?dim10?dim15dim5?dim10?dim15dim5?dim10?dim15dim5?dim10?dim15图像ImageabcdPSNR 平均值PSNR?average?value0.960.910.860.810.760.700.66IFSA?FSA?PSO?GWO?CSA?EPO图 5 PSNR 折线图Fig.5 PSNR line chartdim5?dim10?dim15dim5?dim10?dim15dim5?dim10?dim15dim5?dim10?dim15图像ImageabcdSSIM 平均值SSIM?average?value3130292827262524232221IFSA?FSA?PSO?GWO?CSA?EPO图 6 SSIM 折线图Fig.6 SSIM line chart041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5.2 Otsu 适应度函数收敛曲线分析图 7 为算法对图像(c)进行分割的 Otsu 适应度函数收敛曲线。其中 IFSA 的收敛曲线用粉色曲线与对比算法进行区分。从图 7 中可以清晰发现,IF-SA 相比 FSA 有了很大的提高;特别是随着阈值数目的增加,IFSA 与 FSA 之间的差距愈大。对比图像(c)在维度 5 到 15 的曲线图,各算法的适应度函数值均随之增加,图像分割更细致,分割效果更佳。根dim5dim10dim15迭代次数Iteration50?100?150?200?250?300?350?400?450?50050?100?150?200?250?300?350?400?450?500迭代次数Iteration50?100?150?200?250?300?350?400?450?500迭代次数Iteration适应度函数值Best?score?obtained?so?far适应度函数值Best?score?obtained?so?far适应度函数值Best?score?obtained?so?far1?7001?6901?6801?6701?6601?6501?7501?7451?7401?7351?7301?7251?7201?7151?7651?7601?7551?7501?745FSAEPOGSAGWOPSOIFSAFSAEPOGSAGWOPSOIFSAFSAEPOGSAGWOPSOIFSA200?250?300?350?400?4501?7001?6901?6801?6701?6601?650200?250?300?350?400?450100?150?200?250?300?350?400?450?5001?7701?7681?7661?7641?7621?7601?7581?7561?7541?7521?7501?7551?7501?7451?7401?735图 7 Otsu 收敛曲线图Fig.7 Otsu convergence curve141森 林 工 程第 39 卷据 IFSA 的收敛曲线走势进行分析,由于柯西-高斯变异策略帮助算法跳出局部最优的情况,因此随着计算复杂度的增加,IFSA 仍可以收敛到比较理想的值;从收敛速度方面分析,对比各个算法收敛曲线的斜率,IFSA 仍位居所有算法的前列。综合以上分析结果,有力证明了 IFSA 可以在保证较高算法效率的同时获得较出色的收敛精度。5.3 图像分割效果分析各个算法在阈值 K=10 时,对林火图像(a)(d)分割后的效果图见表 2。图(a)是夜间拍摄的林火图像,能见度低且火源被植物遮挡,清晰度不高。对比各算法对图(a)的分割效果可见,IFSA 与CSA 分割的图像中,火源范围分割更精准,亮度更高;此外,从对烟尘的分割效果来看,IFSA 对烟尘与天空的边界分割更清晰。图(b)是清晰无遮挡的林火图像,所有算法都将火源的轮廓从背景中分割出来。但是,可以观察到 IFSA 分割得到林火图像,其火源内外焰的细节更清楚。图(c)是以森林为背景,发生在空旷草地上远距离拍摄的林火图像。整体来看,各个算法分割后的图像差异最明显之处是所提取的火源图像完整度。其中,IFSA 分割效果最优,火源轮廓与原图像基本相符;其次为 CSA 与EPO,但二者与原图相比均缺失部分火源区域,属于欠分割。图(d)是近距离拍摄的正在燃烧树木。IF-SA 相较于前 3 幅图像分割效果最好,不同分割图像间的火源细节略有不同;特别是图像的左半部分,图中火势迅猛,火焰温度高,火焰亮度高,所以分割后的图像亮度整体偏高,火焰区域比较连贯,杂质较少。对比分割结果来看,只有 IFSA、GWO 与 EPO比较相符。表 2 分割效果图Tab.2 Segmentation renderings算法Algorithm图像(a)I