Improved Sparrow Search Algorithm and Its Application in Infrared Image Segmentation
-
摘要: 电力设备的故障常以异常发热的状态经红外图像检测被检测人员发现。针对使用最大类间方差法（Otsu method, Otsu）对电力设备热故障诊断精度不佳，效率不高的问题，提出了基于变螺旋麻雀搜索算法（variable spiral sparrow search algorithm, VSSSA）的红外图像分割方法。变螺旋麻雀搜索算法先采用Tent混沌序列优化初始种群，然后，通过引入Lévy飞行和变螺旋策略提高种群的寻优速度和探索能力，并使用基准函数测试验证了其性能的有效性；最后，在VSSSA优化二维Otsu函数，并对红外图像进行双阈值分割的基础上，结合自适应区域生长法进一步提取精确的目标区域。图像分割实验结果显示，该红外方法相比其他的分割方法，分割精度更优，因而具有一定的实用性。Abstract: Faults in power equipment are often observed during inspections as abnormal heat through infrared image detection. To address the problem of poor accuracy and efficiency in thermal fault diagnosis of power equipment using the Otsu method, an infrared image segmentation method based on variable spiral sparrow search algorithm (VSSSA) is proposed. VSSSA first uses tent chaotic sequences to improve the initialization. Then, Lévy flight and variable spiral strategy were introduced to enhance the optimization speed and exploration ability of the population. The effectiveness of the algorithm performance was verified using benchmark function tests. Finally, on the basis of VSSSA optimization of the two-dimensional Otsu function and double threshold segmentation of infrared images combined with adaptive region growth method, the accurate target region was further extracted. The experimental results of image segmentation demonstrated better accuracy of the proposed algorithm compared with that of other segmentation methods. This has certain practical applications.
-
0. 引言
目前，类似于微光夜视仪的直视型微光装备可靠性试验主要通过“拷机”即静态工作过程来实现。试验时，参试人员间歇性地观察被试品显示端图像，通过人工判读被试品目镜视场的方法来确定被试品是否处于正常工作状态[1]。此方法存在以下不足：一是人工试验鉴定效率低且易发生漏检。可靠性试验具有工作量大、重复性高的特点。由于设备批量大，采用人工方法需要多名检测人员每天长时间工作、连续几个月以上才能完成，耗时耗力。而且，试验中人员间隔对设备进行检查，检查间隙内出现的偶发故障则很难被发现。加之检查很大程度取决于检查人员技术水平和检查经验，主观性大，极易发生漏检。二是人工试验鉴定缺乏有效的故障数据存储处理，不利于技术的持续改进。以人工检测为主的试验方法主要依靠肉眼识别，对出现的故障进行简短的文字描述与记载。这样的检测记录方式存在两个问题：一方面，人工检测记录在装备出现故障时难以完备具体、定性定量地记录故障对装备各个部件的影响，在提供故障检测报告时缺乏有力佐证，且由于故障出现的随机性，难以复现；另一方面，人工检测记录的方式缺乏有效的检测数据存储，无法形成故障数据样本集，这为技术改进增加了难度。
综上所述，现有直视型装备的可靠性试验所存在的问题归根结底是检测手段无法满足日益增长的检测需求，因此亟需一种智能的、高效的替代人工检查的技术[2-3]。从图像中提取特征获得场景信息是区域监视、目标识别等领域的重要手段。图像质量评价方法可通过衡量图像变化程度来实现视场异常检测[4-5]。传统的图像质量评价方法包括利用图像像素偏离量度量图像下降质量的方法[6]，如均方误差度量（Mean-Square Error，MSE）、峰值信噪比（Peak Signal to Noise Ratio，PSNR）等；计算图像像素灰度幅度变化（等价为图像边缘信息）衡量图像质量的方法[7]；利用图像灰度分布计算信息熵的方法[8]等。基于小波变换[9]与结构相似性（Structural SIMilarity，SSIM）理论[10-12]的评估方法与人类视觉系统类似，其出现使图像质量评价的准确性有了较大提升。
本文通过设计转接环连接相机与直视型微光装备进行图像的采集获取，采用结构相似性算法进行异常图像的自动检测，从而实现对直视型微光装备在可靠性试验中的故障诊断。
1. 直视型微光装备图像采集技术
基于SSIM算法的直视型微光装备可靠性试验故障诊断通过在被试品目镜上采用连接环固定图像采集设备的方法来获取图像，连续采集记录在被试品可靠性试验过程中目镜里的图像信息。通过设定图像模板，计算被试品监测图像与模板图像的相似度，识别被试品工作过程中的故障，标记、记录并报警，实现被试品工作过程中的故障自动监测。
1.1 被试品与图像采集设备的可靠连接
被试品与图像采集设备间的可靠连接是稳定采集图像的前提。文中利用直视型微光装备目镜上预留的眼罩螺纹与工业相机镜头上的滤镜螺纹进行可靠连接。按照被试品目镜上螺纹规格和相机镜头滤镜螺纹规格设计加工连接环，一端与被试品连接，另一端与视频采集设备镜头连接，即可实现被试品与图像采集设备间的可靠连接。采集图像时，通过手动调节被试品视度、相机焦距和被试品焦距来实现被试品图像的高清采集。在图像采集相机和镜头选定后，适配该相机的转接环尺寸也随即确定。实际应用中不同被试品眼罩转接环尺寸可能有所差异，为保证转接环能够适用多型装备，可预先按照常用眼罩螺纹规格设计加工系列与相机连接的转接环，如图 1所示的M21×0.7－M25.5×0.5，使用时，根据被试品眼罩螺纹规格，选用相匹配的转接环。
1.2 图像采集设备的选择
图像采集设备应尽量满足以下要求：
1）图像采集的效果应尽可能模拟或超过人眼观察效果，保证软件处理的准确性；
2）相机与被试品间的连接不影响被试品的正常操作和整体平衡，相机重量应尽量轻，体积尽量小；
3）实际试验中可能存在多路图像同时采集的需求，为便于后期图像处理和管理，要求相机接口以Ethernet为主。
文中选择高分辨率彩色相机（型号A3600MU60）作为图像采集设备，配置12mm 1:2.0 1/1.8″镜头。表 1展示了其基本参数。
表 1 图像采集设备基本参数Table 1. Basic parameters of image acquisition equipmentParameter Value Resolution 1920×1200 Maximum frame rate 54fps@1920×1200 Camera type Color camera Pixel size 4.8μm×4.8μm Exposure time 59μs-10s Data interface Gigabit Ethernet Power supply Voltage range 5-15 V，Support PoE power supply Power consumption 2.9 W@12VD Lens interface C－Mout 2. 图像异常诊断技术
2.1 SSIM算法
SSIM算法利用图像像素间的相关性，结合亮度l、对比度c以及两个复杂结构信号间的结构变化s对图像质量进行客观量化评估。
定义图像亮度为：
$${\mu _x} = \frac{1}{N}\sum\limits_{i = 1}^N {{x_i}} $$ 式中：xi为图像第i个像素点的灰度值；N为图像的像素总个数。
设x为模板图像信号，y为待测图像信号。采用平均亮度(μx, μy)计算亮度相似性，定义为：
$$l\left( {x,y} \right) = \frac{{2{\mu _x}{\mu _y} + {C_1}}}{{\mu _x^2 + \mu _y^2 + {C_1}}}$$ 采用标准差(σx, σy)来估计对比度相似性，定义为：
$$c\left( {x,y} \right) = \frac{{2{\sigma _x}{\sigma _y} + {C_2}}}{{\sigma _x^2 + \sigma _y^2{\rm{ + }}{C_2}}}$$ 采用$\left( {\frac{{{\mu _i} - {\mu _x}}}{{{\sigma _x}}},\frac{{{y_i} - {\mu _y}}}{{{\sigma _y}}}} \right)$来计算结构相似度s(x, y)，定义为：
$$s(x,y) = \frac{{2{\sigma _{xy}} + {C_3}}}{{{\sigma _x} + {\sigma _y} + {C_3}}}$$ 式中：σxy为参考图像信号x和失真图像信号y的相关系数，计算为：
$${\sigma _{xy}} = \frac{1}{{N - 1}}\sum\limits_{i = 1}^N {\left( {{x_i} - {\mu _x}} \right)\left( {{y_i} - {\mu _y}} \right)} $$ 上述公式中的C1、C2、C3为引入常数，避免μx2+μy2或σx2+σy2值接近0时引起公式无意义。
在实际操作过程中，通常引入参数α, β, γ＞0调整亮度、对比度和结构性信息的权重，确定较为合适的SSIM值，定义如下：
SSIM＝[l(x, y)]α[c(x, y)]β[s(x, y)]γ
在评价被测图像质量时，SSIM算法用一定尺寸的窗口沿图像逐像素地从左上角到右下角移动，每次计算两幅图像中窗口对应子图像的SSIM值。得到的所有子图像的SSIM值的平均即为该待测图像相较于模板图像的相似度，记为MSIMM(X, Y)表示为：
$${\rm{MSIMM}}(X,Y) = \sum\limits_{j = 1}^M {{\rm{SSIM}}\left( {{X_j},{Y_j}} \right)} $$ 式中：M为子图像块的数量。
2.2 基于结构相似性的图像异常诊断软件设计
异常诊断软件主要根据SSIM算法计算得到的待测图像与模板图像的相似度判定待测设备是否出现故障。软件运行情况如图 2，诊断流程主要包括：确定模板图像、选定相似度判决阈值、SSIM算法计算相似度、实时检测筛选异常图像并对异常信息做出警告与记录。其主要步骤如下：
1）确定模板图像：对于直视型微光装备可靠性试验而言，通常在一个大的、较为黑暗条件下的工房中或晚上照度较小的野外进行。SSIM算法需提前确定好模板图像，即提前将直视型微光装备的视场固定。模板图像作为判定被试装备异常的基础，在选取过程中需严格控制相关外部条件。在视场中心放置一个特征明显、占据直视型微光装备目镜视场1/3~2/3视场的物体，同时控制现场外部光线不出现明显变化，保证直视型微光装备空间位置不变，点击软件拍照功能，存储为模板；
2）相似度判决阈值确定：正式试验前，录制一段被试品目镜视场的视频，期间通过人为开关机操作和遮挡目镜镜头等方式模拟故障，将视频逐帧图像与选定的模板进行比较，得到系列相似度值，将其与故障现象对照，确定出故障出现的最大相似度值，进而作为相似度判决阈值；
3）对于筛选出的异常图像，需发出警告信息并记录序号和时间信息，与图像一起存入告警文件夹。
本文基于MATLAB GUI设计开发直视型微光装备可靠性自动诊断软件，界面如图 2所示。
3. 工程实践与结果分析
根据1.2的描述选择图像采集设备，按照图 3所示的方式通过转接环连接图像采集设备与直视型微光装备目镜。被试微光夜视仪开机，通过相机参数调节，使拍摄到的图像满足观察和软件处理需求。本文实践中依据测试实际情况设置相机采样频率为1 Hz。
![]()
图 3 图像采集设备与被测设备连接图Figure 3. Connection diagram of image acquisition device and equipment under test3.1 模拟故障识别率检验试验
设置模板图像为设备正常工作时相机传回的监视图像，如图 4。
直视型微光装备可靠性试验主要检测一定工作时间内装备是否正常工作，可能出现的故障有：设备非正常关机、图像质量非正常变化等[3, 13]。故障发生时，监视器中的图像主要表现为：视场出现黑斑、十字刻度消失、黑屏。
采集过程中，通过人为开关机操作和遮挡被试品目镜镜头等方式模拟微光夜视仪可靠性试验过程中出现故障的情况，可覆盖故障时视场变化情况。共获得93幅图像，其中故障图像15幅，如图 5（下标为对应图像在模拟试验获取的图像序列中的编号），构成本文装备可靠性试验工作图像数据集。
利用SSIM算法进行图像相似度计算，采集的监视图像与模板图像相似度计算结果如图 6所示；根据图像序号挑选出相似度小于设定阈值（根据SSIM分布特征和历史经验数据提前确定，本文取0.5）的图像，用“*”表示，这些图像正是数据集中模拟所得的故障图像。故障检测率达到100%且未出现虚警。
该试验证明，通过合理地设置相似度阈值，SSIM算法能够准确地诊断出可靠性试验过程中，被试装备图像的异常情况。
3.2 室内照度变化对被试品故障诊断的影响
直视型微光装备的可靠性试验一般在暗室条件下进行。由于装备对环境照度变化十分敏感，需要保持室内环境照度相对稳定。实际试验中，物体移动、光源发生变化等都会引起室内环境照度不同程度变化[14-15]。图 7(a)显示了某次试验中模拟人员走动、开关门和使用手机时暗室环境的照度变化曲线，图 7(b)展示了采集的对应图像与模板图像的SSIM值。其中，用“*”标记的点为与模板图像相似度小于0.5的图像。可以看到，微小的照度变化引起了被试品图像的显著变化。图 8（下标为对应图像在模拟试验获取的图像序列中的编号）展示了部分相似度小于0.5也被错误识别为异常的图像。
![]()
图 7 环境照度变化对相似度计算结果的影响Figure 7. Influence of environmental illumination changes on the results of similarity calculation![]()
图 8 因环境照度变化时被误识别为故障的图片Figure 8. Images misidentified as malfunction due to changes in environmental illuminance可见，室内照度变化会显著影响SSIM算法图像诊断的准确性。在实际可靠性试验过程中，应该尽可能保证室内照度的稳定，从而提高算法诊断的准确性。
4. 结束语
本文针对传统的直视型微光装备可靠性试验故障诊断中的不足，讨论了一种基于机器视觉的自动故障诊断方法。该方法通过设计转接环连接工业相机与被试装备目镜，自动采集传输监视图像，采用SSIM算法计算测试图像与模板的相似度从而判断设备是否发生异常。实践表明该方法很好地符合了人工视觉观察判断的结果，可为实现装备可靠性自动故障检测提供有力支撑，同时指出试验环境照度变化对试验结果的显著影响。
-
表 1 测试函数
Table 1 Test function
Function Dim Range Min $ {F_1}(x) = \sum\nolimits_{i = 1}^n {x_i^2} $ 30 [-100, 100] 0 ${F_2}(x) = \sum\nolimits_{i = 1}^n {\left| {{x_i}} \right|} + \prod\nolimits_{i = 1}^n {{x_i}} $ 30 [-10, 10] 0 $ {F_3}(x) = \sum\nolimits_{i = 1}^n {{{(\sum\nolimits_{j = 1}^i {{x_j}} )}^2}} $ 30 [-100, 100] 0 $ {F_4}(x) = \max \{ \left| {{x_i}} \right|,1 \leqslant i \leqslant n\} $ 30 [-100, 100] 0 $\begin{gathered} {F_5}(x) = 0.1\{ {\sin ^2}(3{\rm{\mathsf{π}}} {x_1}){\text{ + }}\sum\nolimits_{i = 1}^n {{{({x_i} - 1)}^2}[1 + {{\sin }^2}(3{\rm{\mathsf{π}}} {x_i} + 1)]} \hfill \\ {\text{ }} + {({x_n} - 1)^2}[1 + {\sin ^2}(2{\rm{\mathsf{π}}} {x_n})]\} {\text{ }} + \sum\nolimits_{i = 1}^n {u({x_i},5,100,4)} \hfill \\ \end{gathered} $ 30 [-50, 50] 0 ${F_6}{\text{(}}x{\text{) = 4}}{x_1}^2 - 2.1{x_1}^4 + \frac{1}{3}{x_1}^6 + {x_1}{x_2} - 4{x_2}^2 + 4{x_2}^4$ 2 [-5, 5] 0 $ {F_7}(x) = {({x_2} - \frac{{5.1}}{{4{{\rm{\mathsf{π}}} ^2}}}x_1^2 + \frac{5}{{\rm{\mathsf{π}}} }{x_1} - 6)^2} + 10(1 - \frac{1}{{8{\rm{\mathsf{π}}} }})\cos {x_1} + 10 $ 2 [-5, 10]×[0, 15] 0.398 ${F_8}(x) = {(0.002 + \sum\limits_{i = 1}^{25} {\frac{1}{{i + {{({x_1} - {a_{1i}})}^6} + {{({x_2} - {a_{2i}})}^6})}}} )^{ - 1}}$ 2 [-65.536,
65.536]0.998 ${F_9}(x) = \sum\nolimits_{i = 1}^n { - {x_i}\sin (\sqrt {\left| {{x_i}} \right|} )} $ 30 [-500, 500] -12569.5 ${F_{10}}(x) = - 12569.5 - \sum\nolimits_{i = 1}^n { - {x_i}\sin (\sqrt {\left| {{x_i}} \right|} )} $ 30 [-500, 500] 0 
下载: 导出CSV
表 2 各算法性能对比
Table 2 Performance comparison of different methods
Algorithm Best Mean Std F1 VSSSA 0 0 0 CSSA 0 0 0 SSA 0 5.192E-251 0 PSO 3.8599E-12 3.0697E-11 2.7076E-11 F2 VSSSA 0 0 0 CSSA 0 3.8973E-160 2.134E-159 SSA 0 2.2022E-144 8.443E-144 PSO 8.9056E-08 2.5055E-07 1.4584E-07 F3 VSSSA 0 0 0 CSSA 0 4.2858E-192 0 SSA 0 7.7137E-210 0 PSO 22.2592 49.9596 18.1286 F4 VSSSA 0 0 0 CSSA 0 4.1077E-141 2.249E-140 SSA 4.0636E-14 1.9036E-07 2.9266E-07 PSO 8.1218E-14 6.9044E-13 7.0838E-13 F5 VSSSA 1.3498E-31 1.3498E-31 0 CSSA 1.4730E-31 2.3043E-29 3.9261E-29 SSA 1.3498E-31 3.9049E-29 5.2232E-29 PSO 1.3048E-23 4.7707E-21 6.0171E-21 F6 VSSSA 0 0 0 CSSA 0 4.9534E-285 0 SSA 0 3.7547E-237 0 PSO 4.0625E-25 6.4627E-22 1.8985E-21 F7 VSSSA 6.0457E-26 4.95058E-19 2.5854E-18 CSSA 4.3789E-21 3.2277E-16 1.5937E-15 SSA 2.7959E-21 1.2661E-16 2.7684E-16 PSO 1.1013E-22 8.1661E-20 1.7949E-19 F8 VSSSA 9.9800E-1 9.9800E-1 0 CSSA 9.9800E-1 2.1068 2.9273 SSA 9.9800E-1 2.5594 3.6421 PSO 9.9800E-1 1.1968 3.9760E-1 F9 VSSSA -12437.718 -10253.9993 1060.1100 CSSA -9859.7543 -8700.9989 615.6127 SSA -9374.4498 -8208.1416 501.1037 PSO -8405.1316 -6176.2342 793.1086 F10 VSSSA 5.4787 1756.8855 1336.3995 CSSA 2529.3974 3661.9962 725.5963 SSA 3471.6704 4292.6178 529.19907 PSO 5205.7803 7638.9387 1024.9673
下载: 导出CSV
表 3 IoU和MSE对比
Table 3 Comparison table of IOU and MSE
Index Method of this paper Multi-seeds growing Method of paper[4] SSA-2d Otsu Scene 1 IoU 0.846222 0.36123 0.706857 0.71578 MSE 192.0716 798.2628 369.2659 494.7231 Scene 2 IoU 0.809679 0.37660 0.539486 0.216439 MSE 201.8666 1087.5 436.5527 1214.8 Scene 3 IoU 0.823503 0.507142 0.691515 0.216439 MSE 51.9754 411.4971 148.9468 945.6562 Scene 4 IoU 0.815424 0.667688 0.713268 0.663621 MSE 216.8688 563.7104 388.4329 574.1082
下载: 导出CSV
-
[1] 周莉莉, 姜枫. 图像分割方法综述研究[J]. 计算机应用研究, 2017, 34(7): 1921-1928. https://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ202203001.htm ZHOU Lili, JIANG Feng. Overview of image segmentation methods [J]. Computer Application Research, 2017, 34(7): 1921-1928. https://www.cnki.com.cn/Article/CJFDTOTAL-JSYJ202203001.htm
[2] 黄鹏, 郑淇, 梁超. 图像分割方法综述[J]. 武汉大学学报(理学版), 2020, 66(6): 519-531. https://www.cnki.com.cn/Article/CJFDTOTAL-WHDY202006001.htm HUANG Peng, ZHENG Qi, LIANG Chao. A review of image segmentation methods[J]. Journal of Wuhan University (Science Edition), 2020, 66(6): 519-531 https://www.cnki.com.cn/Article/CJFDTOTAL-WHDY202006001.htm
[3] 刘健庄, 栗文青. 灰度图像的二维Otsu自动阈值分割法[J]. 自动化学报, 1993(1): 101-105. https://www.cnki.com.cn/Article/CJFDTOTAL-JSGG201233035.htm LIU Jianzhuang, LI Wenqing. Two-dimensional Otsu automatic threshold segmentation method for grayscale images[J]. Journal of Automation, 1993(1): 101-105. https://www.cnki.com.cn/Article/CJFDTOTAL-JSGG201233035.htm
[4] 彭道刚, 尹磊, 戚尔江, 等. 基于OTSU和区域生长的电厂管道缺陷检测与分割[J]. 红外技术, 2021, 43(5): 502-509. http://hwjs.nvir.cn/article/id/0d4584a9-4405-4877-b4c5-4ab4e8adcbbb PENG Daogang, YIN Lei, QI Erjiang, et al. Detection and segmentation of pipeline defects in power plants based on OTSU and region growing[J]. Infrared Technology, 2021, 43(5): 502-509. http://hwjs.nvir.cn/article/id/0d4584a9-4405-4877-b4c5-4ab4e8adcbbb
[5] 吕鑫, 慕晓冬, 张钧. 基于改进麻雀搜索算法的多阈值图像分割[J]. 系统工程与电子技术, 2021, 43(2): 318-327. https://www.cnki.com.cn/Article/CJFDTOTAL-XTYD202102006.htm LV Xin, MU Xiaodong, ZHANG Jun. Multi-threshold image segmentation based on improved sparrow search algorithm[J]. Systems Engineering and Electronics Technology, 2021, 43(2): 318-327. https://www.cnki.com.cn/Article/CJFDTOTAL-XTYD202102006.htm
[6] 李云红, 李传真, 屈海涛, 等. 基于改进人工蜂群正余弦优化的红外图像分割方法[J]. 激光与红外, 2021, 51(8): 1076-1080. https://www.cnki.com.cn/Article/CJFDTOTAL-JGHW202108018.htm LI Yunhong, LI Chuanzhen, QU Haitao, et al. Infrared image segmentation method based on improved artificial swarm sine cosine optimization[J]. Laser and Infrared, 2021, 51(8): 1076-1080. https://www.cnki.com.cn/Article/CJFDTOTAL-JGHW202108018.htm
[7] 王坤, 吉尧, 刘沛伦, 等. 基于Otsu和改进易经占卜进化算法的红外图像分割[J]. 系统仿真学报, 2021, 33(2): 421-433. https://www.cnki.com.cn/Article/CJFDTOTAL-XTFZ202102020.htm WANG Kun, JI Yao, LIU Peilun, et al. Infrared image segmentation based on Otsu and improved I Ching divination evolutionary algorithm[J]. Journal of System Simulation, 2021, 33(2): 421-433. https://www.cnki.com.cn/Article/CJFDTOTAL-XTFZ202102020.htm
[8] XUE J, SHEN B. A novel swarm intelligence optimization approach: sparrow search algorithm[J]. Systems Science & Control Engineering an Open Access Journal, 2020, 8(1): 22-34.
[9] 张娜, 赵泽丹, 包晓安, 等. 基于改进的Tent混沌万有引力搜索算法[J]. 控制与决策, 2020, 35(4): 893-900. https://www.cnki.com.cn/Article/CJFDTOTAL-KZYC202004016.htm ZHANG Na, ZHAO Zedan, BAO Xiaoan, et al. An improved tent-based chaotic universal gravity search algorithm[J]. Control and Decision Making, 2020, 35(4): 893-900. https://www.cnki.com.cn/Article/CJFDTOTAL-KZYC202004016.htm
[10] Khurma R A, Aljarah I, Sharieh A. A simultaneous moth flame optimizer feature selection approach based on Levy flight and selection operators for medical diagnosis[J]. Arabian Journal for Science and Engineering, 2021, 46: 8415-8440.
[11] 毛清华, 张强, 毛承成, 等. 混合正弦余弦算法和Lévy飞行的麻雀算法[J]. 山西大学学报(自然科学版), 2021, 44(6): 1086-1091. https://www.cnki.com.cn/Article/CJFDTOTAL-SXDR202106007.htm MAO Qinghua., ZHANG Qiang, MAO Chengcheng, et al. Hybrid sine cosine algorithm and sparrow algorithm for Lévy flight[J]. Journal of Shanxi University (Natural Science Edition), 2021, 44(6): 1086-1091. https://www.cnki.com.cn/Article/CJFDTOTAL-SXDR202106007.htm
[12] 徐航, 张达敏, 王依柔, 等. 混合策略改进鲸鱼优化算法[J]. 计算机工程与设计, 2020, 41(12): 3397-3404. https://www.cnki.com.cn/Article/CJFDTOTAL-SJSJ202012013.htm XU Hang, ZHANG Daming, WANG Yirou, et al. Hybrid strategy to improve whale optimization algorithm[J]. Computer Engineering and Design, 2020, 41(12): 3397-3404. https://www.cnki.com.cn/Article/CJFDTOTAL-SJSJ202012013.htm
[13] LI Jingnan, LE Meilong. Improved whale optimization algorithm based on mirror selection (English)[J]. Transactions of Nanjing University of Aeronautics and Astronautics, 2020, 37(S1): 115-123.
[14] 刘磊, 白克强, 但志宏, 等. 一种全局搜索策略的鲸鱼优化算法[J]. 小型微型计算机系统, 2020, 41(9): 1820-1825. https://www.cnki.com.cn/Article/CJFDTOTAL-XXWX202009006.htm LIU Lei, BAI Keqiang, DAN Zhihong, et al. Whale optimization algorithm with global search strategy[J]. Small Microcomputer System, 2020, 41(9): 1820-1825. https://www.cnki.com.cn/Article/CJFDTOTAL-XXWX202009006.htm
[15] 彭启伟, 罗旺, 冯敏, 等. 改进二维Otsu法和果蝇算法结合的图像分割方法[J]. 计算机应用, 2017, 37(S2): 193-197. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJY2017S2047.htm PENG Qiwei, LUO Wang, FENG Min, et al. An improved image segmentation method combining two-dimensional Otsu method and fruit fly algorithm[J]. Computer Application, 2017, 37(S2): 193-197. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJY2017S2047.htm
[16] 施兢业, 刘俊. 基于改进区域生长法的电力设备红外图像分割[J]. 光学技术, 2017, 43(4): 381-384. https://www.cnki.com.cn/Article/CJFDTOTAL-GXJS201704019.htm SHI Jingye, LIU Jun. Infrared image segmentation of power equipment based on improved region growing method[J]. Optical Technology, 2017, 43(4): 381-384. https://www.cnki.com.cn/Article/CJFDTOTAL-GXJS201704019.htm
[17] 吕鑫, 慕晓冬, 张钧, 等. 混沌麻雀搜索优化算法[J]. 北京航空航天大学学报, 2021, 47(8): 1712-1720. https://www.cnki.com.cn/Article/CJFDTOTAL-BJHK202108024.htm LV Xin, MU Xiaodong, ZHANG Jun, et al. Chaotic sparrow search optimization algorithm[J]. Journal of Beijing University of Aeronautics and Astronautics, 2021, 47(8): 1712-1720. https://www.cnki.com.cn/Article/CJFDTOTAL-BJHK202108024.htm
计量
- 文章访问数: 138
- HTML全文浏览量: 52
- PDF下载量: 39
