賀 航， 馬小晶*， 王宏偉,2， 宋 帆， 劉 寒

(1.新疆大學(xué)電氣工程學(xué)院， 烏魯木齊 830047； 2.大連理工大學(xué)控制科學(xué)與工程學(xué)院， 大連 116024)

近年來，全世界范圍內(nèi)火災(zāi)頻發(fā)，特別是森林火災(zāi)會對人們的生活和生態(tài)環(huán)境帶來巨大的損失和破壞，因此，全球各國都加大了火災(zāi)監(jiān)測技術(shù)的研發(fā)。傳統(tǒng)的火災(zāi)檢測技術(shù)主要有感溫、感光和監(jiān)測可燃?xì)怏w，近些年隨著監(jiān)控系統(tǒng)的不斷完善，圖像識別也成為火災(zāi)檢測與識別的方法之一[1-2]。由于火災(zāi)現(xiàn)場環(huán)境惡劣，所獲圖像的邊緣較為模糊且對比度較低，圖像難以精準(zhǔn)分割，從而無法有效地的提取出火災(zāi)現(xiàn)場的特征。為了及時有效地識別和定位火災(zāi)現(xiàn)場，發(fā)展快速準(zhǔn)確的圖像分割技術(shù)是十分必要的。

圖像分割技術(shù)是從低級到高級的圖像處理轉(zhuǎn)換的關(guān)鍵，現(xiàn)階段機(jī)器視覺和圖像處理是研究熱點[3]。國內(nèi)外學(xué)者對圖像分割進(jìn)行了大量的研究，大致分為4類：基于形態(tài)學(xué)的圖像分割、基于區(qū)域生長分割、基于特征空間的聚類分割和基于圖像閾值分割[4]。其核心思想是通過閾值的合理選取獲得最優(yōu)的分割效果。現(xiàn)階段的研究有采用單閾值分割方法，但不能完全滿足實際的要求。多閾值分割技術(shù)作為一種基于圖像一維灰度直方圖來確定最優(yōu)閾值的方法，適用于多目標(biāo)分割，具有重要的研究價值[5-6]。

許多學(xué)者通過引入元啟發(fā)優(yōu)化算法對多閾值的適應(yīng)度函數(shù)進(jìn)行優(yōu)化。方維等[7]和李勇等[8]引入了遺傳算法，可以較好地解決實際工程問題，但是該算法容易陷入局部最優(yōu)?；依莾?yōu)化算法(grey wolf optimizer, GWO)是一種群體智能優(yōu)化算法[9]，Khairuzzaman等[10]將其引入多閾值圖像分割中，分割效率有所提升，然而在處理復(fù)雜的問題時，易導(dǎo)致處理速度慢、尋優(yōu)穩(wěn)定性差、存在早熟現(xiàn)象。劉丁等[11]提出了改進(jìn)的人工魚群算法，應(yīng)用于硅單晶直徑檢測圖像閾值，具有較好的分割精度。呂鑫等[12]研究了混沌麻雀搜索優(yōu)化算法，在進(jìn)行尋優(yōu)的過程中具有較好的搜索精度、收斂速度和穩(wěn)定性。Agarwal等[13]利用蜘蛛優(yōu)化算法分割了直方圖的雙模和多態(tài)膜閾值，能夠?qū)崟r的分割最佳閾值。此外，劉申曉等[14]、Agrawal等[15]和胡加鑫等[16]分別提出了基于改進(jìn)粒子群優(yōu)化算法(particle swarm optimization, PSO)的大津法(Otsu’s method, OTSU)多閾值圖像分割算法、基于布谷鳥搜索算法以及Tsallis熵的多閾值分割方法和基于鯨魚優(yōu)化算法(whale optimization algorithm, WOA)應(yīng)用于多閾值的森林火災(zāi)圖像分割方法。上述方法均采用了智能優(yōu)化算法，極大地降低了多閾值分割的計算復(fù)雜度，使得多閾值分割方法更易于應(yīng)用到實際工程問題中。

針對火災(zāi)圖像OTSU分割算法計算量大、運行時間長和閾值選取不夠準(zhǔn)確導(dǎo)致分割精度不高等缺點，現(xiàn)提出采用改進(jìn)麻雀搜索算法(improved sparrow search algorithm, ISSA)的指數(shù)熵多閾值圖像分割算法，對指數(shù)熵的閾值進(jìn)行尋優(yōu)，并在灰度圖的基礎(chǔ)上進(jìn)行相關(guān)的仿真實驗。通過對比和觀察不同算法的最佳閾值、運行時間和分割效果，對改進(jìn)麻雀搜索算法進(jìn)行驗證，以期提升森林火災(zāi)圖像檢測的實時性和精準(zhǔn)性。

1 麻雀搜索算法

1.1 麻雀搜索算法

麻雀搜索算法是根據(jù)麻雀覓食并逃避捕食者行為提出的群智能優(yōu)化算法[17]，通過建立發(fā)現(xiàn)者-加入者模型并疊加偵察預(yù)警機(jī)制模擬麻雀群的覓食過程。發(fā)現(xiàn)者為種群提供和引導(dǎo)覓食區(qū)域和方向，具有較高的適應(yīng)度。加入者的適應(yīng)度較低，通過跟隨發(fā)現(xiàn)者進(jìn)行覓食，從而提高自身的適應(yīng)度。模擬過程中發(fā)現(xiàn)者和加入者在整個種群中的比重需要保持不變。在覓食過程中，為了提高自身的捕食率并爭奪食物資源，部分加入者會不斷地監(jiān)控發(fā)現(xiàn)者，一旦麻雀意識到危險或者面臨捕食者的威脅時，會立刻采取安全措施。

假設(shè)在一個d維搜索空間中，存在N只麻雀，則第i只麻雀在d維空間中的位置為

Xi=[xi1,…,xid]

(1)

式(1)中：xid為第i只麻雀在第d維的位置，i=1,2,…,N。

所有麻雀的適應(yīng)度值可以表示為

(2)

式(2)中：f為適應(yīng)度值。

在麻雀種群中適應(yīng)度較高的發(fā)現(xiàn)者為整個種群尋找食物并優(yōu)先獲得食物，同時為加入者提供覓食方向，具有廣泛的搜索范圍。根據(jù)式(1)和式(2)可知，在每次迭代中，發(fā)現(xiàn)者通常占種群數(shù)量的10%～20%，其位置更新式如式(3)所示：

(3)

除發(fā)現(xiàn)者外，其余麻雀均作為加入者，需要按照式(4)更新位置。在覓食的過程中，加入者還對發(fā)現(xiàn)者進(jìn)行監(jiān)視，一旦察覺發(fā)現(xiàn)者已經(jīng)找到更好的食物，加入者會立刻離開現(xiàn)有位置，去爭奪食物。若加入者取得勝利，則獲得該食物，否則繼續(xù)執(zhí)行式(4)，加入者的位置更新如式(4)所示：

(4)

(5)

具有偵察預(yù)警功能的麻雀通常占到種群總數(shù)的10%～20%，其位置更新如式(6)所示：

(6)

式(6)中：K為[-1,1]之間的一個隨機(jī)數(shù)，表示步長控制參數(shù)，同時也代表麻雀的移動方向；β為步長控制參數(shù)，是服從均值為0，方差為1的正態(tài)分布隨機(jī)數(shù)；e為一個避免分母為0的極小常數(shù)；fi為第i只麻雀當(dāng)前個體的適應(yīng)度值；fg和fw分別為當(dāng)前麻雀種群的最優(yōu)和最差適應(yīng)度值。①當(dāng)fi=fg時，表明此時處于種群中間的麻雀意識到了危險，需要及時調(diào)整搜索路線并靠近其他麻雀避免被捕食的風(fēng)險；②當(dāng)fi≠fg時，表明麻雀正處于種群的邊緣，容易遭受捕食者的攻擊。

1.2 改進(jìn)麻雀搜索算法

1.2.1 精英反向?qū)W習(xí)策略

為了解決SSA算法收斂速度慢、易陷入局部最優(yōu)等問題，現(xiàn)通過精英反向?qū)W習(xí)策略對SSA算法進(jìn)行改進(jìn)。

在群智能算法尋優(yōu)性能指標(biāo)中，高質(zhì)量的初始種群可以加快找到全局最優(yōu)解并提升收斂速度。標(biāo)準(zhǔn)的SSA算法是通過隨機(jī)生成初始化方法進(jìn)行種群初始化，導(dǎo)致種群多樣性差且易陷入局部最優(yōu)，因此，收斂速度和穩(wěn)定性并不理想。鑒于此，將精英反向?qū)W習(xí)(opposition-based learning, OBL)[18]應(yīng)用于SSA初始化階段，利用精英個體包含更多有效信息這一特性，構(gòu)造出其反向種群，并從當(dāng)前種群和反向種群中選擇較優(yōu)個體作為初始解，從而提升初始種群質(zhì)量和多樣性。

假設(shè)xi=(xi,1,xi,2,…,xi,D)，i=1,2,…,N為D維搜索空間中的精英個體，定義其反向解并對其進(jìn)行越界處理：

(7)

(8)

1.2.2 Lévy飛行策略

為了提高搜索能力，在麻雀搜索算法位置更新后，利用Lévy飛行對種群進(jìn)行更新。Lévy過程是一個連續(xù)時間的隨機(jī)過程。研究人員通過對Lévy過程的研究發(fā)現(xiàn)，自然界中很多動物的活動規(guī)律均與Lévy過程的特點吻合[19]，反過來，研究人員通過對多種動物基于Lévy過程的覓食活動特點研究，提出了Lévy飛行覓食理論。Lévy飛行能夠增加麻雀種群的多樣性，使得算法有效地跳出了局部最優(yōu)。Lévy飛行本質(zhì)上是一個隨機(jī)步長服從 Lévy分布的隨機(jī)行走，Lévy飛行的方差隨時間呈現(xiàn)指數(shù)的關(guān)系，Lévy分布為

Lévy(β)～u=t-β, 1<β<3

(9)

式(9)中：Lévy(β)為一個帶有重尾的概率分布；β為冪次數(shù)。在Mategna等的算法中，可將Lévy 飛行步長[20]定義為

(10)

(11)

式(11)中：參數(shù)β的取值范圍為0<β<2，現(xiàn)取β=1.5。

2 多閾值圖像分割

2.1 指數(shù)熵閾值分割原理

Pal等[21]于1989年提出了指數(shù)熵的概念，并給出了最大指數(shù)熵閾值的選取算法。概率為pi的事件所含的信息量為

Eexp=e1-pi

(12)

類比基于shannon熵的準(zhǔn)則函數(shù)，能夠得到指數(shù)熵準(zhǔn)則函數(shù)，一維直方圖情況下指數(shù)熵的計算式對應(yīng)于閾值t的目標(biāo)類和背景類的熵值分別為

(13)

(14)

總的熵值如式(15)所示：

E(t)=H0(t)+Hb(t)

(15)

最佳閾值為

t*=argmax(0≤t≤L-1){E(t)}

(16)

單閾值分割可由式(16)求得，但在解決實際工程圖像分割的過程中，單閾值通常不能滿足分割精度的要求，因此，現(xiàn)階段研究多閾值的分割較為廣泛，推廣到多閾值則為尋找一組閾值(t0,…,tn)使得熵值最大：

t(1…n)*=argmax{H0+H1+…+Hn}

(17)

2.2 改進(jìn)麻雀搜索算法的指數(shù)熵多閾值分割

由上述多閾值指數(shù)熵分割原理可知，計算中通過不斷尋優(yōu)，可獲得閾值且熵值最大。因此，在圖像灰度空間里采用ISSA算法對適應(yīng)度函數(shù)式(17)進(jìn)行尋優(yōu)，從而獲得圖像分割最優(yōu)閾值向量。通過迭代搜尋使得總熵值取得最大的閾值組合t*，并將其作為圖像分割的閾值，具體操作步驟如下：①讀入彩色圖像并轉(zhuǎn)化為灰度直方圖；②設(shè)置算法的初始化參數(shù)；③根據(jù)反向?qū)W習(xí)策略，利用式(7)和式(8)產(chǎn)生初始化群體，初始化麻雀個體的位置向量，并規(guī)范位置向量使其分量由小到大的順序排列，位置向量是圖像的灰度值組合，其取值范圍為[0,255]，表示圖像分割所需的閾值向量；④根據(jù)式(17)計算麻雀中每個麻雀的適應(yīng)度函數(shù)值，更新并保存最大函數(shù)值的位置；⑤計算慣性權(quán)重因子f=1-iter/max iter，其中iter為當(dāng)前迭代次數(shù)，利用輪盤選擇，若選取的隨機(jī)數(shù)大于f，則對選擇的麻雀個體進(jìn)行Lévy飛行變異；⑥按照圖1進(jìn)行迭代計算；⑦若算法的迭代次數(shù)到達(dá)了預(yù)先設(shè)定的最大迭代次數(shù)，則優(yōu)化算法結(jié)束，此時得到的全局最優(yōu)解為圖像分割的最優(yōu)閾值向量t*，否則轉(zhuǎn)到步驟④；⑧根據(jù)迭代后最優(yōu)解所在的位置，輸出最佳閾值向量t*，并對圖像進(jìn)行多閾值分割。

由上述分析可知，分割算法流程如圖1所示。

圖1 本文分割算法流程圖Fig.1 Flow chart of the proposed segmentation algorithm

3 林火圖像分割實驗與分析

為了驗證本文算法處理森林火災(zāi)圖像的精確性和有效性，選擇了如圖2所示的不同時期的森林火災(zāi)圖像進(jìn)行分割研究。圖2(a)為近距離無遮擋清晰的白天火源，圖2(b)為遠(yuǎn)距離有遮擋的夜晚火源。采用改進(jìn)麻雀搜索算法的指數(shù)熵多閾值圖像分割技術(shù)，對圖2進(jìn)行了分割處理，并對最佳閾值、熵值、實時性、分割效果和抗噪聲等性能指標(biāo)進(jìn)行了分析研究。研究在MATLAB2017b、3.19 GHz主頻和16 GB內(nèi)存微處理器環(huán)境上展開。

圖2 森林火災(zāi)圖像Fig.2 Forest fire image

3.1 OTSU圖像分割實驗與分析

首先采用經(jīng)典的OTSU算法對森林火災(zāi)圖像中火源區(qū)域的前景與背景進(jìn)行分割，分割結(jié)果如圖3所示。

圖3 OTSU分割結(jié)果圖Fig.3 OTSU segmentation result images

由圖3(a)可知，對于清晰無遮擋的白天森林火災(zāi)圖像，OTSU單閾值分割方法能夠基本實現(xiàn)森林火災(zāi)區(qū)域的分割。然而，當(dāng)夜間火源有遮擋、光照度低且拍攝效果不清晰時，該算法在分割火源的同時還對與火源無關(guān)的煙區(qū)域進(jìn)行了分割，導(dǎo)致無法實現(xiàn)火源的精準(zhǔn)分割，如圖3(b)所示。為解決上述問題，提出改進(jìn)麻雀搜索算法的指數(shù)熵多閾值圖像分割對森林火災(zāi)圖像進(jìn)行實驗與分析。

3.2 ISSA圖像分割實驗與分析

3.2.1 閾值個數(shù)的選取

為了準(zhǔn)確分割出火源區(qū)域，采用不同的閾值個數(shù)對圖2進(jìn)行分割，圖4和圖5分別為白天和夜晚火源多閾值分割效果圖。

如圖4、圖5所示，分別選取閾值K=2、3、4、5對森林火災(zāi)圖像進(jìn)行分割效果驗證，分割結(jié)果表明，改進(jìn)算法在處理白天火源時，可以清晰地分割出火源，且能夠分割出夜間火源區(qū)域的大小。通過對比不同閾值下的分割效果可知：K=3時能夠?qū)⒒鹪床糠謪^(qū)分出來，其火災(zāi)范圍也能夠最優(yōu)化確定，因此，后續(xù)研究的閾值個數(shù)K均取值為3。

圖4 白天火源多閾值分割結(jié)果圖 (火災(zāi)1)Fig.4 Multi-threshold segmentation result images of fire source during the day (Fire1)

圖5 夜晚火源多閾值分割結(jié)果圖 (火災(zāi)2)Fig.5 Multi-threshold segmentation result images of fire source at night (Fire2)

3.2.2 最佳分割閾值

在森林火災(zāi)圖像閾值分割中，設(shè)置輸入森林火災(zāi)圖像如圖2所示，其圖像的灰度級為256，每種算法迭代次數(shù)為200，種群規(guī)模為40，其中WOA、PSO、GWO和ISSA分別代表基于鯨魚、粒子群、灰狼和改進(jìn)麻雀搜索算法的指數(shù)熵多閾值分割，OTSU代表最大類間方差算法。由于OTSU算法在處理森林火災(zāi)圖像實時性較差，因此，舍去該算法的閾值分割工作。當(dāng)所選取的最佳閾值較大時，前景和背景兩部分的差別性最大。表1給出了不同算法下的最佳分割閾值，與其他圖像分割算法相比，本文改進(jìn)麻雀搜索算法所得的最佳閾值最大。

表1 最佳分割閾值Table 1 The best segmentation threshold

3.2.3 最佳分割熵值

在求得不同算法最佳分割閾值的基礎(chǔ)上，根據(jù)熵值式(15)可計算出不同算法下森林火災(zāi)圖像分割的熵值。當(dāng)熵值越大，其分割的效果圖越好。表2為最佳分割熵值，由表2可知，與其他圖像分割算法相比，本文改進(jìn)麻雀搜索算法所得熵值最大。

表2 最佳分割熵值Table 2 The best segmentation entropy

雖然從閾值個數(shù)的選取、最佳分割閾值和最佳分割熵值方面對森林火災(zāi)圖像進(jìn)行分割可以得到火源區(qū)域和背景區(qū)域，但為了完全得到一幅圖像的所有火源區(qū)域，還需對分割后的森林火災(zāi)圖像進(jìn)行處理。因此，在將圖像轉(zhuǎn)化為二值圖的基礎(chǔ)上，通過形態(tài)學(xué)操作去除內(nèi)部干擾，并與原圖進(jìn)行結(jié)合，獲得較為清晰的彩色火焰圖像，如圖6所示。

圖6 火源的彩色圖像Fig.6 Color image of fire source

對比圖3和圖6可知，本文改進(jìn)算法能夠準(zhǔn)確、有效地分割森林火災(zāi)圖像，并對火源位置的準(zhǔn)確判斷提供較好的方法，在森林火災(zāi)方面的預(yù)防做了有效的工作。

3.2.4 實時性

預(yù)防森林火災(zāi)不僅需要精準(zhǔn)定位火源，而且要做到定位的實時性，分割森林火災(zāi)圖像所用時間越短，越有利于減小火災(zāi)帶來的損失。表3給出了改進(jìn)麻雀搜索算法以及其他算法結(jié)合指數(shù)熵多閾值圖像分割的運行時間，由表3可知，與其他圖像分割算法相比，本文改進(jìn)麻雀搜索算法所得運行時間最短。

表3 運行時間對比Table 3 Comparison of running time

在森林火災(zāi)檢測中，實時性是一項重要的指標(biāo)。為了分析并對比本算法與其他幾種算法的分割時間，在此給出了計算時間提升比，即

(18)

式(18)中：X分別為OTSU、WOA、PSO和GWO算法的時間；Y為本文ISSA算法的時間。顯然，P值越大，本文算法的計算時間相對其他時間越短，即圖像分割處理的越快。

針對上述研究的兩幅森林火災(zāi)圖像，給出了依據(jù)式(18)所得的不同算法分割的計算時間提升比，如圖7所示。

圖7 時間提升比Fig.7 Time improvement ratio

從圖7可以看出，WOA、PSO、GWO和OTSU 4種算法的分割時間均高于本文改進(jìn)麻雀搜索算法的時間，其中OTSU算法的分割時間最長，這說明改進(jìn)麻雀搜索算法在森林火災(zāi)圖像分割領(lǐng)域具有較好的實時性，能夠快速精準(zhǔn)地對森林火災(zāi)圖像的火源區(qū)域進(jìn)行分割，利于火災(zāi)及時的發(fā)現(xiàn)和控制。

3.3 林火圖像分割驗證

為了驗證本文算法在火災(zāi)圖像分割的有效性和準(zhǔn)確性，還選取了一幅典型的森林火災(zāi)圖像進(jìn)行處理。圖8和圖9分別為森林火災(zāi)原圖和基于不同算法結(jié)合指數(shù)熵多閾值處理后的圖像。

圖8 典型森林火災(zāi)圖像Fig.8 Typical forest fire image

圖9 分割結(jié)果圖Fig.9 Segmentation result images

由圖9的分割效果可知，基于WOA、PSO和GWO的指數(shù)熵多閾值圖像分割算法能夠進(jìn)行火焰區(qū)域的分割，但是并未明確地劃分出天空區(qū)域。由圖9(d)可以清晰地看出，本文ISSA算法不僅明確分割出火焰區(qū)域，而且對不同區(qū)域呈現(xiàn)出了不同的分割效果，降低了錯分區(qū)域，分割效果較好。

現(xiàn)實拍攝的火災(zāi)圖像通常都存在一定的噪聲干擾，為了分析所采用算法的抗噪性能，在輸入圖像基礎(chǔ)上添加了方差為0.02的高斯噪聲進(jìn)行分割研究。圖10給出了含有高斯噪聲上述4種不同算法的分割效果。

圖10 高斯噪聲下分割結(jié)果圖Fig.10 Segmentation result images under Gaussian noise

從圖10中看出，對圖像加入噪聲后，基于WOA、PSO和GWO的指數(shù)熵多閾值圖像分割算法處理森林火災(zāi)圖像效果較為模糊，仍存在噪聲的干擾，而本文改進(jìn)算法在分割森林火災(zāi)圖像時能排除噪聲的干擾，具有良好的抗噪性。

4 結(jié)論

圖像分割是圖像分析中非常重要的預(yù)處理步驟。為了解決森林不規(guī)則火源這類復(fù)雜圖像的分割問題，采用了改進(jìn)麻雀搜索算法的多閾值分割技術(shù)，分割處理了不同環(huán)境下的火災(zāi)圖像，對最佳閾值、最大熵、實時性、分割精度以及抗噪性等方面進(jìn)行了研究，并與其他分割算法進(jìn)行了對比分析，得出以下結(jié)論。

(1)與經(jīng)典的OTSU算法相比，改進(jìn)麻雀搜索算法能夠準(zhǔn)確且有效地分割不同環(huán)境下的森林火災(zāi)圖像。

(2)與WOA、PSO和GWO算法相比，改進(jìn)麻雀搜索算法得到的閾值和熵值均最大，說明對森林火災(zāi)圖像的分割效果取得最優(yōu)。

(3)對于研究的森林火災(zāi)圖像，改進(jìn)麻雀搜索算法的分割時間顯著優(yōu)于WOA、PSO、GWO和OTSU算法，說明改進(jìn)麻雀搜索算法能夠及時對火災(zāi)圖像進(jìn)行分割，實時性較好。

(4)對于具有噪聲的火災(zāi)圖像，改進(jìn)麻雀搜索算法的分割效果優(yōu)于上述幾種分割算法，因此，改進(jìn)麻雀搜索算法具有較好的抗噪性，有利于惡劣拍攝環(huán)境下森林火災(zāi)圖像的分割處理。