基于蜜獾算法的破片序列图像多阈值分割_牛天利.pdf

书书书测控技术2023 年第 42 卷第 1 期数据采集与处理收稿日期:2022 03 26基金项目:山西省基础研究计划(自然探索类)面上项目(202103021224188);山西省回国留学人员科研资助项目(HGKY2019068)引用格式:牛天利，于丽霞，刘吉，等 基于蜜獾算法的破片序列图像多阈值分割 J 测控技术，2023，42(1):92 98NIU T L，YU L X，LIU J，et al Multi-Threshold Segmentation of Fragment Sequence Images Based on Honey Badger Algorithm J Measurement Control Technology，2023，42(1):92 98基于蜜獾算法的破片序列图像多阈值分割牛天利1，于丽霞1，刘吉1，2，武锦辉2，牛雅昕1(1 中北大学 信息与通信工程学院，山西 太原030051;2 中北大学 电子测试技术重点实验室，山西 太原030051)摘要:针对静爆试验中拍摄的图像中破片目标小、背景复杂等情况，基于经典阈值分割法在破片图像分割的应用中存在不能将目标所在像素准确分离的问题，提出一种基于蜜獾算法(HBA)的多阈值图像分割方法，该方法引入 HBA 求解 Tsallis 相对熵的最小值作为目标函数值来计算最佳阈值，在分析经典阈值分割方法处理破片图像的不足后，选择合适的阈值数，将 HBA 与遗传算法(GA)、蝗虫优化算法(GOA)、麻雀搜索算法(SSA)三种优化算法进行性能对比，利用分离出的目标绘制破片轨迹图并确定有效破片。分析结果表明，阈值数为 2 时分割效果满足需求，HBA 运行时间 1 32 s，进行 100 次重复实验后其结果的标准偏差约为 0，分割出的目标中有效破片达 83 8%，说明该算法的实时性和稳定性强，分割效果可满足对破片群运动参数测试的需求。关键词:蜜獾算法;多阈值图像分割;Tsallis 相对熵;破片序列图像中图分类号:TP391文献标志码:A文章编号:1000 8829(2023)01 0092 07doi:10 19708/j ckjs 2023 01 015Multi-Threshold Segmentation of Fragment Sequence Images Based onHoney Badger AlgorithmNIU Tian-li1，YU Li-xia1，LIU Ji1，2，WU Jin-hui2，NIU Ya-xin1(1 School of Information and Communication Engineering，North University of China，Taiyuan 030051，China;2 Key Laboratory of Electronic Testing Technology，North University of China，Taiyuan 030051，China)Abstract:Aiming at the small target and complex background in the image of static explosion test and the clas-sical threshold-based segmentation method has the problem of failing to accurately separate the target pixels inthe application of fragment image segmentation，a multi-threshold image segmentation method based on thehoney badger algorithm(HBA)is proposed，which introduces the HBA to solve the minimum value of Tsallisrelative entropy as the objective function value to calculate the optimal threshold After analyzing the shortcom-ings of classical threshold segmentation methods for processing fragment images，the appropriate number ofthresholds is selected，the performance of HBA is compared with genetic algorithm(GA)，grasshopper optimiza-tion algorithm(GOA)and sparrow search algorithm(SSA)，the fragment trajectories are mapped and the effec-tive fragment is determined by using the separated targets The analysis results show that the segmentationeffect meets the demand when the threshold number is 2，the HBA running time is 1 32 s，the standard devia-tion is about 0 after conducting 100 repetitions of the experiment，and the effective fragment reaches 83 8%inthe segmented target，which indicates that the algorithm is real-time and stable，and the segmentation effect canmeet the demand for testing the motion parameters of the fragment group29Key words:HBA;multi-thresholds image segmentation;Tsallis relative entropy;fragment sequence image破片图像处理是静爆场破片参数测量的重要步骤之一，静爆之后的破片在运动过程中具有目标小、数量多和尺寸不一等特点，且在图像中还存在复杂的强火光背景和炸药未燃烧殆尽导致的运动破片灰度值相差较大等问题1。因此，在图像处理的过程中，将有效破片的运动区域和复杂的背景区域进行较高精度的划分有着重要的意义，图像分割是将其进行分离的重要步骤之一，分割的精度将直接影响到后期破片的检测和识别准确度。常用于图像分割破片目标的方法主要是基于一维灰度直方图的阈值门限法和改进的最大类间方差的方法等，但是这些方法更适用于具有单一目标、前景和背景灰度分布差别较大的破片图像中，而其余传统的图像分割方法，包括基于区域、图论、超像素和活动轮廓模型的方法，在实现过程中都存在时间复杂度较高的问题，实时性较差2 4。自卷积神经网络发展以来，基于深度学习的小目标分割也应运而生，但是基于深度学习的方法需要大量的数据集，并且在复杂的背景下算法的鲁棒性较差5 7。考虑到破片图像成像环境的复杂性和图像分割结果的特定应用场合，目前还没有普适的分割技术能够应用在处理这类图像中8 9。本文利用破片序列图像之间的相关性，采用帧差的方法对图像进行预处理后初步消除其背景10 11，采 用 蜜 獾 算 法(Honey Badger Algorithm，HBA)优化的 Tsallis 相对熵多阈值图像分割算法对其进行较为精确的阈值分割。1HBA1 1基本原理HBA 是求解优化问题的新型元启发式算法之一。元启发式算法是在现实问题的复杂性和难度不断增加的过程中，为了适应不同的应用场合而不断发展的，具有灵活、无梯度机制、避免局部最优和计算成本低等优势12 13。HBA 是基于蜜獾的觅食行为发展而来的一种求解优化问题的高效搜索策略，是一种全局优化算法14。蜜獾的觅食行为可分为两种，一种是通过自身嗅和挖来寻找食物;另一种是通过跟随引导獾定位蜂巢。该算法将蜜獾的这两种行为分别设定为挖掘模式和采蜜模式，在算法实现中主要用于更新个体位置。HBA 与大多数算法相同，都由探索和开发 2 个重要部分组成，探索将搜索范围扩展到搜索空间中较远的区域，开发是在搜索到的有效区域进行局部目标搜索15 16。探索和开发本质上是两种相互矛盾的功能，需要控制种群中的随机性确保两者功能的平衡17 18。HBA 结构大体分为种群初始化、种群评估和更新参数3 部分，其包括 3 个主要控制参数，分别为强度 I、随机控制因子 和改变搜索方向的标志 F。强度 I 用于调整由探索到开发过程以及避免局部最优。随机控制因子 在迭代过程中随时间衰减，减少种群的多样性，保证探索和开发阶段的平衡。改变搜索方向的标志 F为给定的搜索空间的搜索提供种群的多样性。1 2算法的基本步骤HBA 的实现步骤如下。定义在一个 d 维的搜索空间中，存在 N 只蜜獾，第 i 只蜜獾在 d 维空间中的位置为 xi=x1i，x2i，xdi，i=1，2，N。对种群大小和其位置进行初始化，xi=lbi+r1(ubi lbi)。r1为 0 1 之间的随机数;lbi和 ubi分别为搜索空间的上边界和下边界;l 和 u 分别为自定义数值范围的上界和下界;bi一般设为 d 维单位矩阵。定义强度 I，强度与猎物的集中程度和蜜獾之间的距离有关，Ii=r2(s4d2i)。r2为 0 1 之间的随机数;s 为源强度或猎物集中的强度，s=(xi x2i+1);di为猎物与第 i 只蜜獾之间的距离，di=xprey xi。更新密度因子，=C exptt()max。t 为当前迭代次数;tmax为最大迭代次数;C 为大于 1 的常数，默认值是 2;通过 控制时间变化时种群的随机化程度，保证算法由探索转换到开发时整体环境的平稳。跳出局部最优，使用标志 F 改变搜索方向，使得搜索个体严格扫描搜索空间，在实现过程中与步骤相结合。更新个体位置 xnew，分为挖掘阶段和采蜜阶段。在挖掘阶段，蜜獾的运动可用心脏线来表示，xnew=xprey+F I xprey+F r3 dicos2r4 1 cos(2r5)。xprey为目前全局最优位置;1，表示蜜獾获取食物的能力，默认值为 6;di为猎物与第 i 只蜜獾之间的距离，r3、r4、r5为 0 1 之间 3 个不同的随机数;F 为改变搜索方向的标志，r60 5 h 时，F=1，其余时候 F=1;采蜜阶段是蜜獾根据蜂蜜向导寻找蜂蜜的情况，模拟为 xnew=xprey+F r7 di，在这个过程中蜜獾在猎物 xprey附近搜索，搜索过程受密度因子 的影响。2Tsallis 相对熵多阈值图像分割原理Tsallis 相对熵是在 Tsallis 熵和 Kullback-Leibler 散度的基础上提出的19，设两个离散有限概率向量 A 和39基于蜜獾算法的破片序列图像多阈值分割B 分别为 A=a1，a2，an 和 B=b1，b2，bn，其中 ai，bi0 且 a1+a2+an=b1+b2+bn=1，则 Tsallis 相对熵测度为D A()B=1q 1ni=1biaib()iq 1(1)为便于描述，令 q1，ai和 bi分别为数据的近似分布和原始分布概率;ni=1biaib()i 1为 K-L 散度的近似表达式，仍然表示两个分布之间的差异;q 为 Tsal-lis 熵的非广延指数，其值介于 0 1 之间，可根据经验取值。由于大多数信号的分布都与高斯分布有密切的关系，因此将分割后的图像用高斯分布进行拟合后，对原始图像灰度级的