粒子群優(yōu)化的改進(jìn)Tsallis熵圖像閾值分割

胥田田 李積英 任臻 楊永紅

摘 要：提出基于改進(jìn)粒子群優(yōu)化的二維Tsallis熵分解算法。首先將二維Tsallis熵算法降維分解為兩個(gè)一維Tsallis熵，同時(shí)在目標(biāo)函數(shù)中引入類內(nèi)離散測度函數(shù)，最終以此目標(biāo)函數(shù)作為改進(jìn)后粒子群優(yōu)化算法的尋優(yōu)函數(shù)，完成圖像的全局最優(yōu)解閾值分割。實(shí)驗(yàn)結(jié)果表明，相對(duì)一維及二維Tsallis熵算法，改進(jìn)算法在主觀效果和區(qū)域間對(duì)比度評(píng)價(jià)指標(biāo)上有較大改善，在鐵路軌道異物圖像的分割中滿足實(shí)時(shí)性要求、抗噪效果更佳。

關(guān)鍵詞：圖像分割；Tsallis熵；類內(nèi)離散度；粒子群優(yōu)化；鐵路軌道異物圖像

中圖分類號(hào)：TP751 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2018）12-0024-03

Abstract： A two-dimensional Tsallis entropy decomposition algorithm based on improved particle swarm optimization （PSO） is proposed. Firstly， the two-dimensional Tsallis entropy algorithm is decomposed into two one-dimensional Tsallis entropies. At the same time， the within-class scatter function is introduced into the objective function. Finally， the objective function is used as the optimization function of the improved particle swarm optimization algorithm. The global optimal threshold segmentation of the image is completed. The experimental results show that the proposed method is greatly improved in terms of subjective visual effect and inter regional contrast evaluation indicators compared to the relevant methods， such as one-dimensional Tsallis and two-dimensional Tsallis entropy algorithm， and then the railway obstacle images segmentation meet the requirements of real-time and better anti-noise effect.

Keywords： image segmentation； Tsallis entropy； within-class scatter； particle swarm optimization （PSO）； railway obstacle image

高速鐵路的安全運(yùn)行離不開環(huán)境信息的采集、傳遞和實(shí)時(shí)處理。如何將獲取的軌道障礙物圖像用機(jī)器視覺代替人眼進(jìn)行目標(biāo)提取、特征分析與準(zhǔn)確識(shí)別，是目前降低并避免鐵路事故發(fā)生及適應(yīng)鐵路運(yùn)營的新途徑[1]，因此，要判斷鐵軌上異物是否存在危害，必須要用一種良好的分割方法快速分離異物與背景。在眾多圖像分割方法中，熵閾值分割由Pun[2]首次將BGS熵運(yùn)用到圖像分割上，因忽略了大多數(shù)情況下圖像的非廣延性，導(dǎo)致信息量的度量不準(zhǔn)確[3]。Tsallis熵在處理圖像分割中的分類問題時(shí)，充分考慮目標(biāo)與背景兩類數(shù)據(jù)間的相互關(guān)系，在度量信息時(shí)靈活性更高、適用性更強(qiáng)。

文獻(xiàn)[4]代替?zhèn)鹘y(tǒng)全局性長程關(guān)聯(lián)的假設(shè)改進(jìn)二維Tsallis熵判據(jù)，從而完成了紅外線圖像及無損檢測圖像的分割。文獻(xiàn)[5]通過遞推計(jì)算減小了二維Tsallis交叉熵準(zhǔn)則函數(shù)的中值的選取。二維熵改善了一維算法抗噪性差的情況同時(shí)也造成算法計(jì)算復(fù)雜度增加，針對(duì)這種缺點(diǎn)，研究者們常通過遞推算法消除冗余，分解法降低維度，同時(shí)將一些智能優(yōu)化算法用于最佳法自適應(yīng)選取，從而擴(kuò)大了Tsallis熵算法的應(yīng)用范圍[6-7]。文獻(xiàn)[8]將量子克隆進(jìn)化與二維Tsallis熵算法相融合，在醫(yī)學(xué)圖像分割中克服傳統(tǒng)進(jìn)化算法難收斂、易早熟的缺陷并取得良好的效果。本文提出改進(jìn)Tsallis熵融合粒子群算法，通過降維處理并在準(zhǔn)則函數(shù)中引入最小類內(nèi)離散測度改進(jìn)熵判據(jù)以此作為適應(yīng)度函數(shù)完成圖像分割。

1 二維Tsallis熵閾值分割算法分析

在分辨率為M×N、灰度級(jí)為L的圖像中定義某點(diǎn)像素（x，y），假設(shè)該像素處的灰度值i及鄰域灰度均值j分別表示為f（x，y），g（x，y）（1

p（i，j）=（1）

式中，0≤i，j≤（L-1），且 。

Tsallis熵分割算法是基于熵判據(jù)最大化的算法，將其目標(biāo)函數(shù)Sq（s，t）表示為：

（2）

式中，s、t分別表示圖像中某點(diǎn)（x，y）處的i與j的分割閾值，它們將圖像重組為目標(biāo)A與背景B兩類，表示兩類類內(nèi)概率為：

根據(jù)絕大多數(shù)情況下遠(yuǎn)離對(duì)角線的區(qū)域出現(xiàn)概率非常小，往往將其忽略不計(jì)，對(duì)（3）、（4）進(jìn)行歸一化處理有PA（s，t）+PB（s，t）=1。根據(jù)二維Tsallis熵的定義，A與B兩部分的Tsallis熵分別為：

S（s，t）=

由熵值最大導(dǎo)出最佳閾值為：

（7）

在以上算法中，良好的抗噪性提高分割效果，但每計(jì)算一個(gè)圖像的Tsallis熵，需經(jīng)過雙重循環(huán)，算法的時(shí)間復(fù)雜度達(dá)到0（L4），難以保證待處理圖像的實(shí)時(shí)性。

2 一種改進(jìn)的閾值選取算法

由p（i，j）推導(dǎo)出某點(diǎn)關(guān)于i值和j值的一維直方圖，并分別定義為Ui=p（i，j），Vj=p（i，j），其中0？燮i，j？燮（L-1）。則i值對(duì)應(yīng)直方圖中兩類所占的比例分別為：

且其對(duì)應(yīng)的一維Tsallis熵可表示為：

（10）

同理，j值所對(duì)應(yīng)的一維Tsallis熵表示為：

（11）

將二維Tsallis熵降維處理后，熵判據(jù)中引入類內(nèi)離散度，從而獲得最大化的Tsallis熵，以達(dá)到盡可能完整的保留原圖像信息、保證類內(nèi)一致性的目的。描述i值對(duì)應(yīng)分類的離散測度為：

（13）

式中？滋oi與？滋bi對(duì)應(yīng)各類均值，即

由式（10）（11）（12）構(gòu)建一個(gè)新的閾值識(shí)數(shù)：

（14）

同理，將j值構(gòu)建的閾值識(shí)別函數(shù)表示為：

（15）

式中

對(duì)？鬃i、？鬃j求最大值可獲得最佳閾值，最佳閾值（s*，t*）應(yīng)滿足：

（16）

3 改進(jìn)粒子群優(yōu)化算法

3.1 經(jīng)典粒子群優(yōu)化算法

Kennedy和Eberhart在1995年提出一種涉及種群概率的智能優(yōu)化算法，并將其命名為粒子群優(yōu)化算法PSO。在PSO算法中，粒子i的位置向量及速度向量可表示為X=（X，X，X，...，X），V=（V，V，V，...，V），其中1？燮i？燮M，1？燮d？燮D，M、D分別表示種群規(guī)模及搜索空間維度。在取優(yōu)過程中，個(gè)體及群體最優(yōu)位置分別描述為：P=（p，p，p，...，p），p=（p，p，p，...，p），據(jù)此表示個(gè)體粒子位置與速度更新的表達(dá)式為：

（17）

式中，w代表慣性權(quán)重，c1、c2表征學(xué)習(xí)因子，r1、r2是介于0，1之間的隨機(jī)數(shù)。在經(jīng)典粒子群算法尋優(yōu)過程中，算法收斂速度慢并難以保證最終結(jié)果為最佳閾值，即算法易受局部極值的束縛，算法遍歷性有待提高。

3.2 改進(jìn)粒子群算法

文獻(xiàn)[9]中將w采用自適應(yīng)線性遞減進(jìn)行動(dòng)態(tài)更新，即w（k）=wmax-（wmax-wmin）*k/G，在迭代的不同時(shí)期其值由大減小，表征粒子自身探索與開發(fā)能力的轉(zhuǎn)換。文獻(xiàn)[10]在此基礎(chǔ)上將粒子離散程度考慮在內(nèi)，提出自適應(yīng)更新公式w1，即：

（18）

其中，k、G分別代表當(dāng)前迭代數(shù)及最大迭代次數(shù)，fi和fa分別是粒子i的當(dāng)前適應(yīng)度值與所有粒子的平均適應(yīng)度值。

本文根據(jù)每個(gè)粒子的適應(yīng)度值的大小，將每次迭代后的粒子群中的M1（M1=30%M）認(rèn)為是促進(jìn)粒子群收斂的敏感粒子。若敏感粒子的適應(yīng)度值與全局粒子的適應(yīng)度均值相比，連續(xù)迭代n次中，兩者之差的和未發(fā)生較大的改變，說明敏感粒子濃度過高，若超過一定的設(shè)定值，或者每次迭代過程中的最大適應(yīng)度值連續(xù)n次保持不變，則認(rèn)為粒子所尋解為局部最優(yōu)，需初始化粒子位置及速度，以此改善經(jīng)典粒子群算法難收斂、易早熟的缺點(diǎn)。

在某次迭代中敏感粒子取得解為fi，計(jì)算相鄰兩次的適應(yīng)度值之差為△fi，則在連續(xù)n次的迭代中，用△fk表示連續(xù)兩次迭代中全局最優(yōu)解之差，則適應(yīng)度值之差的絕對(duì)值和可以表示為△f（△f？叟0）：

（19）

（20）

當(dāng)△f值不為0時(shí)，說明算法未陷入局部最優(yōu)，假設(shè)設(shè)定值表示為△f設(shè)，則當(dāng)△f=0或△f>△f設(shè)，對(duì)粒子的位置及速度重新初始化表示為：

其中，rand（M）表示為M維隨機(jī)數(shù)組，其中任一元素為[0，1]之間的隨機(jī)數(shù)，一般將Xmax=Vmax。

3.3 算法流程

本文改進(jìn)算法的執(zhí)行步驟為：（1）初始化算法參數(shù)，評(píng)價(jià)群體中粒子i的初始適應(yīng)度，設(shè)定初始敏感粒子。（2）據(jù)式（18）對(duì)慣性權(quán)重w進(jìn)行動(dòng)態(tài)更新。（3）據(jù)式（14）、（15）評(píng)價(jià)Xi，t的適應(yīng)度值。若此值大于Pi，t的適應(yīng)度值，則置Pi，t=Xi，t；同時(shí)，若此值大于Pg，t的適應(yīng)度值，則置Pg，t=Xi，t。（4）在以上過程中，通過式（19）、（20）判斷是否△f=0或△f>△f設(shè)，若是，則根據(jù)式（21）進(jìn)行初始化，否則根據(jù)式（17）更新粒子的速度及位置。（5）置Pi，t+1=Pi，t，Pg，t+1=Pg，t；更新迭代次數(shù)t=t+1。若算法不滿足終止條件，重返步驟（2）；反之結(jié)束算法，得到粒子的最優(yōu)位置及該處適應(yīng)度值。（6）置（s*，t*）為返回的兩個(gè)最優(yōu)位置，在兩者的共同作用下完成圖像的自適應(yīng)閾值分割。

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證改進(jìn)算法的可行性，在惠普Intel（R）Core（TM）i3-2120 CPU，2GB內(nèi)存，MATLAB7.0環(huán)境下，對(duì)圖像鐵路異物圖像進(jìn)行兩組分割處理的仿真實(shí)驗(yàn)，其中，實(shí)驗(yàn)過程中待處理圖像疊加均值為0、方差為0.01的高斯噪聲。參數(shù)設(shè)置為：M=15，Vmax=50，c1=c2=2，wmax=0.9，wmin=0.4，△f設(shè)=0.5，G=50，D=1。采用一維及二維Tsallis熵算法和本文算法進(jìn)行分割，對(duì)比分割效果分別如圖1所示。

由圖1的分割效果可以看出，在處理未加噪圖像時(shí)，三種算法分割效果相當(dāng)，均能夠很好的突出目標(biāo)與背景，在軌道異物圖像分割中，軌道上人屬于障礙物，除軌道外其他背景均為無關(guān)背景。在處理圖1（b）時(shí)，一維Tsallis熵算法不能很好的達(dá)到除噪的效果，圖1（c）中目標(biāo)受噪聲干擾較嚴(yán)重，圖像模糊不清未顯示明顯輪廓，而圖1（d）、圖1（e）得到的分割圖像，人形輪廓均保留較完整，達(dá)到了很好的除噪效果，更加準(zhǔn)確地分割出目標(biāo)。三種算法的定量評(píng)價(jià)引入?yún)^(qū)域間對(duì)比度GC，根據(jù)分割后圖像的GC值比較圖像分割的質(zhì)量，其值越高，分割效果越好。三種算法處理下的平均運(yùn)行結(jié)果如表1所示，本文算法提高了傳統(tǒng)Tsallis熵算法的實(shí)時(shí)性及抗噪性。

5 結(jié)束語

一維及二維Tsallis熵在實(shí)時(shí)性與魯棒性方面各占優(yōu)勢。本文結(jié)合兩種算法的優(yōu)點(diǎn)，提出基于分解降維的Tsallis熵算法，由類內(nèi)離散度改進(jìn)目標(biāo)函數(shù)，將其作為改進(jìn)粒子群算法搜索全局最優(yōu)解的適應(yīng)度函數(shù)，對(duì)待處理圖像進(jìn)行尋優(yōu)操作。本文改進(jìn)優(yōu)化算法改善了標(biāo)準(zhǔn)粒子群算法難收斂、易早熟的缺點(diǎn)，在鐵軌異物圖像的分割應(yīng)用中，取得與二維Tsallis熵算法相當(dāng)?shù)目乖胄Ч瑫r(shí)實(shí)時(shí)性更好。

參考文獻(xiàn)：

[1]王前選，梁習(xí)峰，劉應(yīng)龍，等.緩變異物入侵鐵路線路視覺檢測方法[J].中國鐵道科學(xué)，2014，35（3）：137-143.

[2]T.Pun.Entropic thresholding：a new approach.Computer Vision，Graphics and Image Processing， 1981，16：210-239.

[3]吳一全，孟天亮，吳詩 .圖像閾值分割方法研究進(jìn)展20年（199

4-2004）[J].數(shù)據(jù)采集與數(shù)據(jù)處理，2015，30（1）：1-23.

[4]林倩倩，歐聰杰.二維Tsallis熵在圖像閾值分割中的應(yīng)用[J].傳感器與微系統(tǒng)，2014，33（7）：150-153.

[5]吳詩 ，吳一全，周建江.基于Tsallis交叉熵快速迭代的河流遙感圖像分割[J].信號(hào)處理，2016，32（5）：599-607.

[6]吳一全，王凱，曹鵬祥.蜂群優(yōu)化的二維非對(duì)稱Tsallis交叉熵圖像閾值選取[J].智能系統(tǒng)學(xué)報(bào)，2015，10（1）：104-112.

[7]朱磊，吉峰，白瑞林.基于灰度_梯度二維對(duì)稱Tsallis交叉熵的閾值分割[J].計(jì)算機(jī)工程與應(yīng)用，2015，51（19）：194-199.

[8]李積英，黨建武，王陽萍.融合量子克隆進(jìn)化與二維Tsallis熵的醫(yī)學(xué)圖像分割算法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2014，26（3）：465-471.

[9]Shi Y，Eberhart R C.A modified swarm optimize [A]IEEE International Conference of Evolutionary computation[C]. Anchorag

e， Alaska：IEEE Press，May，1998.

[10]黃山，李眾，李飛，等.基于改進(jìn)粒子群和自適應(yīng)濾波的快速模糊聚類圖像分割[J].計(jì)算機(jī)測量與控制，2016，24（4）：171-173.