趙曉寒 朱良寬 黃建平

摘 要：為解決森林冠層圖像因結(jié)構(gòu)復(fù)雜，提取時(shí)受光照不均的影響而導(dǎo)致分割精度低的問題，采用一種基于自適應(yīng)調(diào)整策略的混沌藤壺交配優(yōu)化算法（Chaotic Adaptive Barnacle Mating Optimization， CABMO）的森林冠層圖像分割方法。首先采用Logistic混沌映射初始化藤壺種群以提高算法的探索能力；然后設(shè)計(jì)非線性遞增陰莖系數(shù)使探索和開發(fā)之間更平衡；最后將Kapur熵作為適應(yīng)度函數(shù)，利用CABMO算法選取適應(yīng)度函數(shù)的最優(yōu)值，降低復(fù)雜度的同時(shí)，加強(qiáng)閾值的搜索效率。為驗(yàn)證CABMO算法在森林冠層圖像分割上的有效性，以適應(yīng)度值、峰值信噪比值（Peak Signal to Noise Ratio，PSNR）、特征相似性指數(shù)測(cè)試值（feature similarity index mersure，F(xiàn)SIM）和計(jì)算時(shí)間作為性能指標(biāo)來評(píng)估分割效果。研究結(jié)果表明，在適應(yīng)度值、PSNR值和FSIM值上CABMO算法分別以100%、99%、97.9%的占比優(yōu)于對(duì)比算法，在計(jì)算時(shí)間上100%優(yōu)于基本藤壺交配優(yōu)化算法（Barnacle Mating Optimization，BMO）。結(jié)果表明，CABMO算法在提高森林冠層圖像分割精度的同時(shí)也獲得了更高質(zhì)量的分割圖像。

關(guān)鍵詞：森林冠層圖像；Kapur熵；藤壺交配優(yōu)化算法；Logistic混沌映射；非線性遞增陰莖系數(shù)

中圖分類號(hào)：S7-05 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-8023（2023）06-0134-13

Forest Canopy Image Segmentation Based on Improved Barnacle Optimization Algorithm

ZHAO Xiaohan， ZHU Liangkuan， HUANG Jianping

（College of Mechanical and Electronic Engineering， Northeast Forestry University， Harbin 150040， China）

Abstract：A Chaotic Adaptive Barnacle Mating Optimization （CABMO） method based on an adaptive adjustment strategy for forest canopy image segmentation was used in this paper to solve the problem of low segmentation accuracy due to the complex structure of forest canopy images and the influence of uneven illumination during extraction. Firstly， a Logistic chaotic mapping was used to initialize the barnacle population to improve the exploration ability of the algorithm; then， a nonlinear incremental penis coefficient was designed to make a better balance between exploration and exploitation; finally， Kapur entropy was used as the fitness function， and the optimal value of the fitness function was selected by using the CABMO algorithm to reduce the complexity and enhance the search efficiency of the threshold at the same time. For verifying the effectiveness of the CABMO algorithm on forest canopy image segmentation， the fitness value， Peak Signal to Noise Ratio （PSNR） value， and Feature Similarity Index Measure （FSIM） value were used as performance indicators to evaluate the segmentation effect. The study results showed that the CABMO algorithm outperformed the comparison algorithm with 100%， 99%， and 97.9% of the fitness value， PSNR value， and FSIM value， respectively， and outperformsed the basic Barnacle Mating Optimization （BMO） algorithm with 100% of the computation time. The results of this study showed that the CABMO algorithm improved the segmentation accuracy of forest canopy images while obtaining higher-quality segmented images.

Keywords：Forest canopy image; Kapur entropy; barnacle mating optimization algorithm; Logistic chaos mapping; nonlinear incremental penis coefficient

收稿日期：2023-01-05

基金項(xiàng)目：國(guó)家自然科學(xué)基金（31370710）；黑龍江省博士后啟動(dòng)基金（LBH-Q13007）

第一作者簡(jiǎn)介：趙曉寒，博士研究生。研究方向?yàn)閳D像分割。E-mail：xiaohan_528@126.com

*通信作者：朱良寬，博士，教授。研究方向?yàn)榱謽I(yè)工程自動(dòng)化及智能化。E-mail：zhulk@nefu.edu.cn

引文格式：趙曉寒，朱良寬，黃建平. 基于改進(jìn)藤壺優(yōu)化算法的森林冠層圖像分割[J] .森林工程， 2023， 39（6）：134-146.

ZHAO X H， ZHU L K， HUANG J P. Forest canopy image segmentation based on improved barnacle optimization algorithm[J]. Forest Engineering，2023，39（6）：134-146.

0 引言

森林冠層參數(shù)是森林氧氣釋放速率、碳匯測(cè)量和植被生長(zhǎng)等研究的重要依據(jù)。傳統(tǒng)的人工森林冠層參數(shù)獲取方法，工作強(qiáng)度大且具有破壞性。冠層圖像因其可直觀地反映出森林生態(tài)系統(tǒng)中植被生長(zhǎng)狀況和趨勢(shì)而成為學(xué)者們研究的有效工具。如何快速、準(zhǔn)確地從復(fù)雜冠層圖像中獲取冠層參數(shù)也成為亟待解決的問題。圖像分割法是獲取森林冠層參數(shù)的關(guān)鍵步驟?；陂撝捣指钜蚱浜?jiǎn)單、準(zhǔn)確和穩(wěn)定等優(yōu)點(diǎn)成為圖像分割技術(shù)中的主流。其中，Kapur熵法因其高效的性能且對(duì)目標(biāo)和背景的大小不敏感，能夠較好地保留圖像中的小目標(biāo)而被廣泛應(yīng)用。

傳統(tǒng)圖像分割方法隨著閾值數(shù)目的增加，計(jì)算復(fù)雜度呈指數(shù)增加且分割精度低，因此，為滿足圖像分割精度和快速性的需求，智能優(yōu)化算法被用于求解該問題?；认x優(yōu)化算法（Grasshopper Optimization Algorithm， GOA）、蜻蜓算法（Dragonfly algorithm ， DA）、鯨魚優(yōu)化算法（Whale Optimization Algorithm， WOA）和藤壺交配優(yōu)化算法（Barnacle Mating Optimization， BMO）等智能優(yōu)化算法都已被應(yīng)用于圖像分割中。通過對(duì)23個(gè)基準(zhǔn)函數(shù)的測(cè)試結(jié)果可知，BMO算法在開發(fā)、探索和收斂性能上優(yōu)于GOA、DA和WOA等對(duì)比算法，在解決實(shí)際優(yōu)化問題方面也表現(xiàn)出巨大的潛力。

BMO算法是2020年提出的一種新穎的仿生進(jìn)化優(yōu)化算法，該算法模擬自然界中藤壺的交配行為來解決優(yōu)化問題。一經(jīng)提出，便得到學(xué)者們的廣泛關(guān)注。Zamli等將BMO算法應(yīng)用于軟件測(cè)試。Rizk-Allah等提出了一種拉普拉斯藤壺交配算法（Laplacian barnacles mating algorithm，NLBMA），利用拉普拉斯策略提高BMO算法的搜索能力，改進(jìn)后的算法被用于求解太陽(yáng)能電池二極管模型。試驗(yàn)結(jié)果表明，與BMO算法相比NLBMA算法更準(zhǔn)確。Li等^[13]提出了基于邏輯模型和混沌映射的藤壺優(yōu)化算法（Logistic model and chaotic map barnacles mating algorithm，LCBMO），Logistic模型對(duì)陰莖系數(shù)（l）和位置更新公式進(jìn)行改進(jìn)，實(shí)現(xiàn)參數(shù)的自適應(yīng)轉(zhuǎn)換以及避免陷入局部最優(yōu)值。LCBMO被首次應(yīng)用于彩色圖像多閾值分割。試驗(yàn)結(jié)果表明LCBMO算法具有更好的搜索精度和收斂速度。在解決彩色圖像多閾值分割方面具有可靠性和前景性。對(duì)BMO算法的成功改進(jìn)與應(yīng)用證明了BMO算法的優(yōu)越性，但BMO算法仍存在探索能力較弱，探索和開發(fā)不平衡等缺陷。

綜上所述，提出一種自適應(yīng)混沌藤壺交配優(yōu)化算法并應(yīng)用于森林冠層圖像分割領(lǐng)域。在改善BMO算法性能的同時(shí)提高圖像的分割精度。針對(duì)BMO算法的局限性，主要進(jìn)行以下2方面的改進(jìn)。1）Logistic混沌映射初始化種群以增強(qiáng)其探索能力；2）非線性遞增陰莖系數(shù)的設(shè)計(jì)使探索和開發(fā)之間更平衡。與CS、ChOA、BMO算法在圖像分割質(zhì)量評(píng)價(jià)指標(biāo)上的對(duì)比結(jié)果可知，基于CABMO算法的分割方法可有效地提高森林冠層圖像的分割精度。

1 材料與方法

1.1 數(shù)據(jù)源及試驗(yàn)環(huán)境

用于試驗(yàn)的森林冠層圖像來源于東北林業(yè)大學(xué)涼水試驗(yàn)林場(chǎng)。獲取方法為半球攝影法，使用帶魚眼鏡頭Samyang AE 8/3.5 Aspherical IF MC Fish-eye的Panasonic DMC-LX5相機(jī)獲取，分辨率為2 736×2 736。試驗(yàn)在intel CPU@2.20 GHz、8 GB RAM、windows 10操作系統(tǒng)和Matlab R2016b環(huán)境中進(jìn)行。

1.2 森林冠層圖像分析

涼水試驗(yàn)林場(chǎng)為針葉林和闊葉林混合種植的混交林。林木冠層錯(cuò)綜復(fù)雜，受限于當(dāng)前的攝影技術(shù)以及林隙、郁閉度等影響，使得獲取的圖像存在光照不均的現(xiàn)象，從而導(dǎo)致分割精度低。為驗(yàn)證CABMO算法的適用性，分別選取3種不同光照強(qiáng)度下的6幅冠層圖像進(jìn)行測(cè)試。測(cè)試圖像如圖1所示。圖1（a）和圖1（d）為光照不足的情況下獲取的冠層圖像，其整體色調(diào)偏暗，樹干部分與背景幾乎融合在一起，很難分辨，對(duì)圖像分割來說，容易發(fā)生錯(cuò)分現(xiàn)象。圖像1（b）和圖1（e）為強(qiáng)光時(shí)所采集的冠層圖像，樹梢與天空接壤處由于陽(yáng)光的反射而變得模糊，如何準(zhǔn)確對(duì)其進(jìn)行分割，對(duì)算法的考驗(yàn)很大。圖1（c）和圖1（f）光照正常的高清圖像，高清圖像顏色靚麗，光照均勻，但林木交錯(cuò)，結(jié)構(gòu)復(fù)雜。值得注意的是，受限于當(dāng)前冠層攝影技術(shù)，在光照均勻的理想樣本中也或多或少存在一些光照不均現(xiàn)象。

1.3 研究方法

1.3.1 藤壺交配優(yōu)化算法

BMO算法可分為3個(gè)階段：初始化、隨機(jī)選擇和繁殖。不同階段建立的數(shù)學(xué)模型如下。

初始化：藤壺種群向量用下列矩陣表示。

式中：N 為控制變量個(gè)數(shù)；n為種群大小。每個(gè)控制變量的上下界約束如下。

式中，u和l分別為第i個(gè)變量的上界和下界。

隨機(jī)選擇機(jī)制：從藤壺種群中隨機(jī)選出需要交配的父代和母代，選擇式（4）和式（5）。

d=randperm（n） 。 ????（4）

m=randperm（n） 。 ????（5）

式中：d為要交配的父代；m為要交配的母代。

繁殖：如果父代的陰莖長(zhǎng)度在設(shè)定的l長(zhǎng)度范圍內(nèi)（開發(fā)過程），根據(jù)哈迪-溫伯格定理產(chǎn)生子代，迭代公式見式（6）。

式中，p和q分別為父代和母代的特征在下一代中所占的百分比。其中，p為[0，1]內(nèi)均勻分布的隨機(jī)數(shù)，q=（1-p）。

如果選擇的藤壺超過l長(zhǎng)度范圍（探索過程），子代的產(chǎn)生通過遠(yuǎn)程授精進(jìn)行，迭代公式見式（7）。

式中，rand（）是[0，1]內(nèi)的隨機(jī)數(shù)。

1.3.2 自適應(yīng)混沌藤壺交配優(yōu)化算法

針對(duì)BMO算法的局限性，本研究提出2種改進(jìn)策略。

1）Logistic混沌映射初始化

標(biāo)準(zhǔn)BMO算法采用隨機(jī)初始化的方法來確定藤壺粒子的初始位置。此類初始方法隨機(jī)性和遍歷性不強(qiáng)，無(wú)法使粒子對(duì)解空間進(jìn)行全面搜索。若初始藤壺粒子遠(yuǎn)離全局最優(yōu)解，算法的收斂速度會(huì)受到很大影響，且增加算法陷入早熟的概率。

Logistic混沌映射因其具有較強(qiáng)的隨機(jī)性和遍歷性而常被用來增強(qiáng)種群初始位置的隨機(jī)性。其表達(dá)式如下。

式中：μ∈（0，4］，x∈（0，1），μ越大混沌性越高，μ=4時(shí)處于完全混沌狀態(tài)。

利用Logistic混沌映射對(duì)BMO算法進(jìn)行初始化可使粒子在解空間的分布更加均勻，提高算法對(duì)解空間的開發(fā)，增加其探索能力。

2）動(dòng)態(tài)自適應(yīng)陰莖系數(shù)

l在BMO算法的開發(fā)和探索的過程中起著重要作用。在基本BMO算法中，l為固定值7。固定的陰莖系數(shù)易導(dǎo)致探索和開發(fā)過程不平衡。因此，本研究設(shè)計(jì)一種非線性遞增陰莖系數(shù)控制策略來改善算法探索和開發(fā)的靈活性。改進(jìn)的參數(shù)策略見式（9）。

式中：l=7；l=0；t表示當(dāng)前迭代次數(shù)；T表示最大迭代次數(shù)。

改進(jìn)后的l在算法迭代初期較小，多數(shù)藤壺粒子在l范圍外，對(duì)解空間進(jìn)行全面搜索。隨著迭代次數(shù)的增加，l也隨之增加，算法從探索階段逐漸過渡到開發(fā)階段。在迭代末期，絕大多數(shù)的粒子都處于開發(fā)階段，少量的藤壺粒子在進(jìn)行全局探索，尋找可能的全局最優(yōu)解。該設(shè)計(jì)使探索和開發(fā)過程更平衡。

1.3.3 CABMO應(yīng)用于多閾值分割

圖像分割按閾值個(gè)數(shù)可分為單閾值分割和多閾值分割，單閾值分割是通過單個(gè)閾值將圖像分為目標(biāo)和背景2部分，多閾值分割是通過多個(gè)閾值將圖像分成不同類別的區(qū)域。森林冠層圖像為結(jié)構(gòu)復(fù)雜的彩色圖像，簡(jiǎn)單的單閾值分割不足以完成分割任務(wù)，故采用多閾值分割方法。

假設(shè)n個(gè)閾值向量為t，t，…，t，則灰度級(jí)映射如下。

式中：L=256，為每幅圖像的灰度級(jí)；l，l，…，l為分割后圖像的n+1個(gè)灰度級(jí)。從式（10）中可知，多閾值分割就是用n個(gè)閾值向量t，t，…，t將圖像分為n+1個(gè)區(qū)域（l，l，…，l）。而圖像分割的關(guān)鍵在于選取最優(yōu)的閾值向量。

Kapur熵是一種比較常用的基于信息熵的閾值選取方法，因其計(jì)算量小、速度快和對(duì)分類面積不敏感等優(yōu)點(diǎn)而被廣泛應(yīng)用于復(fù)雜圖像多閾值分割問題。本研究采用Kapur熵作為CABMO算法的適應(yīng)度函數(shù)，以確定最優(yōu)分割閾值。在降低計(jì)算復(fù)雜度的同時(shí)產(chǎn)生細(xì)節(jié)更豐富的分割圖像。

假設(shè)圖像選取n個(gè)閾值，那么Kapur熵的目標(biāo)函數(shù)可以定義如下。

式中：H是分割后不同類的熵;ω是每一類像素點(diǎn)出現(xiàn)的概率;P是灰度值為j的像素點(diǎn)出現(xiàn)的概率。

為了選取最優(yōu)閾值組合，利用式（15）進(jìn)行判斷。

式中，H（t，t，…，t）為Kapur熵的目標(biāo)函數(shù)。最大化的組合即為所求的最優(yōu)閾值，由此可見，其本質(zhì)是對(duì)最佳閾值組合的求解問題。利用智能優(yōu)化算法選取最優(yōu)閾值可有效的解決傳統(tǒng)方法效率和精度低的問題?；贑ABMO分割算法流程圖如圖2所示。

2 結(jié)果與分析

2.1 森林冠層圖像多閾值分割試驗(yàn)

試驗(yàn)中設(shè)定種群規(guī)模（N）為30，最大迭代次數(shù)（T）為500次。圖像分割閾值（dim）設(shè)置為4、8、16、24。為了驗(yàn)證CABMO算法的有效性，將CABMO算法分割的圖像與布谷鳥算法（CS）、黑猩猩優(yōu)化算法（ChOA）和藤壺交配優(yōu)化算法（BMO）的分割結(jié)果圖進(jìn)行對(duì)比。算法具體參數(shù)見表1。

各算法在冠層1、2、4、5圖像上的分割結(jié)果圖分別如圖3—圖6所示。冠層圖像錯(cuò)綜復(fù)雜，細(xì)節(jié)處分割的好壞不便觀察。因此，在分割結(jié)果圖上截取分割難點(diǎn)和易錯(cuò)點(diǎn)所在的區(qū)域進(jìn)行詳細(xì)分析。冠層1、4的分割難點(diǎn)位于樹干與背景的交界處。圖3（a）—圖3（d）、圖3（e）—圖3（h）和圖5（a）—圖5（d）、圖5（e）—圖5（h）的分割結(jié)果圖質(zhì)量較差，各算法都將樹干部分錯(cuò)分為背景，圖像與背景的交界線也不清晰，證明各算法在低閾值時(shí)分割精度較低，不能對(duì)圖像進(jìn)行準(zhǔn)確分割。其中，圖3（a）與圖5（b）的效果最差，幾乎沒有分割出邊界。隨著閾值數(shù)目的增加，分割結(jié)果越加清晰，從圖3（i）—圖3（l）與圖5（i）—圖5（l）中可明顯看出樹干與背景之間的邊界。在圖3（m）—圖3（p）與圖5（m）—圖5（p）結(jié)果圖中，樹干的一些細(xì)節(jié)也能被準(zhǔn)確分割。整體上，ChOA的分割結(jié)果略優(yōu)于CS，但不如BMO和CABMO，CABMO算法分割的森林冠層圖像在色彩上更加柔和，細(xì)節(jié)處的分割也更加準(zhǔn)確。

冠層2、5的分割易錯(cuò)點(diǎn)在樹梢與天空的接壤處，特別是由強(qiáng)光的照射而出現(xiàn)的模糊區(qū)域。從圖4和圖6（a）—圖6（d）中可知，各算法在分割易錯(cuò)點(diǎn)處都出現(xiàn)了分割不清的現(xiàn)象。其中，圖4（a）與圖6（a）的分割結(jié)果最差，出現(xiàn)了明顯的色差。CABMO算法的分割質(zhì)量略優(yōu)于對(duì)比算法。在圖4（e）—圖4（h）與圖6（e）—圖6（h）中，模糊區(qū)域逐漸清晰，一些細(xì)小的樹梢也被成功分割。隨著閾值數(shù)目的增加，各算法的分割精度也隨之增加，都能對(duì)冠層圖像進(jìn)行準(zhǔn)確分割，肉眼分辨不出CABMO算法的優(yōu)勢(shì)與否。因此引入適應(yīng)度值、PSNR值、FSIM值和計(jì)算時(shí)間等評(píng)估指標(biāo)對(duì)其分割精度和計(jì)算速度進(jìn)行評(píng)估。

2.2 測(cè)試評(píng)價(jià)標(biāo)準(zhǔn)

為驗(yàn)證圖像的分割質(zhì)量，本研究選用3個(gè)評(píng)價(jià)指標(biāo)進(jìn)行衡量。

1）適應(yīng)度值：表示圖像分割成若干個(gè)部分的類間方差，適應(yīng)度值的大小可體現(xiàn)出圖像分割精度的高低。

2）峰值信噪比（Peak Signal to Noise Ratio ，PSNR，式中為P）：PSNR值通常用來評(píng)價(jià)圖像分割前后失真情況。公式如下。

式中：I（i，j）、I′（i，j）分別為原始圖像和分割圖像;H、W為圖像尺寸;R為均方誤差。

3）特征相似性（feature similarity index mersure，F(xiàn)SIM，式中為F）：FSIM是基于特征相似性來衡量圖像質(zhì)量的性能指標(biāo)。F值計(jì)算公式

式中：Ω為整個(gè)圖像的像素值；S（x）表示相似性值；C（x）表示相位一致性度量。

C（x）和C（x）分別表示參考圖像和被測(cè)圖像的相位一致性。

式中：S（x）為圖像的特征相似性; S（x）為圖像的梯度相似性; G（x）和G（x）分別為參考圖像和被測(cè)圖像的梯度幅值；α、β、T和T均為常量。

2.3 評(píng)估結(jié)果與分析

為更好地分析CABMO算法的優(yōu)劣，表2—表5中的數(shù)據(jù)均為CABMO算法與CS、ChOA、BMO算法的對(duì)比結(jié)果（CABMO算法的數(shù)據(jù)-對(duì)比算法的數(shù)據(jù)）。負(fù)值和0用粗體表示。在折線圖中，紅色折線為CABMO算法的折線。

2.3.1 適應(yīng)度值

表2為各算法在適應(yīng)度值上的對(duì)比結(jié)果。適應(yīng)度值的大小表示圖像的Kapur熵總和，其值越大，圖像分割精度越高。例如，在閾值數(shù)目為4時(shí)，對(duì)冠層1進(jìn)行分割的適應(yīng)度值分別提升了0.609 2、0.057 6、0，相應(yīng)算法優(yōu)劣為：CS<ChOA<BMO=CABMO。表中所有數(shù)據(jù)均為正值，說明CABMO算法100%優(yōu)于對(duì)比算法。

圖7為各算法適應(yīng)度值折線圖。由圖7中可知，各算法的折線幾乎重疊在一起，只在高閾值時(shí)略有分開。產(chǎn)生折線交融的原因?yàn)椴煌撝禃r(shí)適應(yīng)度值相差較大，而各算法之間的差異相對(duì)較小。以致在圖中不能準(zhǔn)確區(qū)分各算法在適應(yīng)度值上的優(yōu)劣。但無(wú)論在哪個(gè)閾值數(shù)目，CABMO算法的折線都位于最頂端，表明CABMO算法的適應(yīng)度值優(yōu)于對(duì)比算法。

2.3.2 PSNR值分析

表3為各算法在PSNR值上的對(duì)比結(jié)果。PSNR值越高，分割前后圖像的失真程度越低。由表3中可知，在閾值數(shù)目為4時(shí)，ChOA算法在冠層2圖像上與CABMO算法并列最優(yōu)，在冠層4圖像上優(yōu)于CABMO算法，取得了最優(yōu)的PSNR值。此外，BMO算法也取得了較好的結(jié)果，高于CS和ChOA，略低于CABMO算法?？傮w上，CABMO算法取得的最優(yōu)PSNR值99%優(yōu)于對(duì)比算法。

圖8為PSNR值折線圖，與適應(yīng)度值相比，PSNR值的折線圖分布更加清晰。由圖8可明顯看出CABMO>BMO>CS>ChOA，CABMO算法位于對(duì)比算法之上，表明CABMO算法分割后的圖像失真程度更低，與原圖像更相似。

2.3.3 FSIM值分析

表4為各算法在FSIM值上的對(duì)比結(jié)果。FSIM值越高，圖像分割后的質(zhì)量越好。由表4可知，F(xiàn)SIM值的對(duì)比數(shù)據(jù)相對(duì)較小，各算法的FSIM值都很接近。CABMO算法在冠層1的8閾值數(shù)據(jù)上不如CS算法，在冠層2的4閾值數(shù)據(jù)上不如BMO算法。但整體上，CABMO算法97.9%優(yōu)于對(duì)比算法。

圖9為各算法的FSIM值折線圖，由圖9可知，CABMO算法位于折線圖的最頂端，表明CABMO算法的FSIM值優(yōu)

于對(duì)比算法。所有FSIM值均位于[0.86，1]區(qū)間，區(qū)間范圍較小。在16閾值時(shí)CABMO算法的FSIM值達(dá)到0.98以上，在24閾值時(shí)除冠層1以外都達(dá)到了0.99以上，接近理想值1。表明CABMO算法分割的森林冠層圖像具有較好的質(zhì)量。

2.3.4 計(jì)算時(shí)間分析

表5為各算法在計(jì)算時(shí)間上的對(duì)比結(jié)果。由表5可知，CS算法和ChOA算法的計(jì)算時(shí)間相對(duì)值都為正值，表明CABMO算法在計(jì)算時(shí)間上長(zhǎng)于CS算法和ChOA算法。BMO算法的數(shù)據(jù)為負(fù)值，說明CABMO算法的計(jì)算時(shí)間優(yōu)于BMO算法。經(jīng)計(jì)算，CABMO算法相對(duì)于BMO算法在計(jì)算時(shí)間上平均提高了0.156 3 s。

圖10為各算法的計(jì)算時(shí)間柱狀圖。由圖10可知，CS算法和ChOA算法在計(jì)算時(shí)間上優(yōu)勢(shì)明顯。閾值數(shù)目較低時(shí)，ChOA算法略優(yōu)于CS算法，閾值數(shù)目較高時(shí)，CS算法略優(yōu)于ChOA算法。CABMO算法雖然計(jì)算時(shí)間較長(zhǎng)，但在所有冠層測(cè)試圖像的所有閾值上都略優(yōu)于BMO算法。

3 結(jié)論與討論

3.1 圖像分割精度

對(duì)各算法的適應(yīng)度值數(shù)據(jù)加以分析后可得出，在閾值數(shù)目較低時(shí)各算法的適應(yīng)度值差距較小，隨著閾值數(shù)目的增加，差距隨之增加，CABMO算法的優(yōu)勢(shì)越發(fā)明顯。表明CABMO算法可增強(qiáng)算法的探索能力，避免陷入局部最優(yōu)，提高算法的求解精度。

在森林冠層圖像測(cè)試試驗(yàn)中，ChOA算法在閾值數(shù)目為4和8時(shí)優(yōu)于CS算法，但在閾值數(shù)目為16和24時(shí)不如CS算法，穩(wěn)定性較差。BMO算法雖然穩(wěn)定性較好但分割精度不如CABMO算法。只有CABMO算法在保證穩(wěn)定性的前提下也獲得了較高的分割精度，適用于對(duì)復(fù)雜的冠層圖像進(jìn)行分割。

各算法適應(yīng)度值的折線都呈三角形，表明適應(yīng)度值隨著閾值數(shù)目的增加呈線性增長(zhǎng)，相應(yīng)的分割精度也呈線性增長(zhǎng)?？朔藗鹘y(tǒng)分割方法隨閾值數(shù)目的增加分割精度急劇下降的缺陷，也證明了智能算法在圖像分割上的有效性。

3.2 分割圖像失真程度

通過對(duì)各算法的PSNR數(shù)據(jù)加以分析后可得出，在閾值數(shù)目較低時(shí)，CABMO算法的優(yōu)勢(shì)不明顯， ChOA算法和BMO算法表現(xiàn)出很強(qiáng)的競(jìng)爭(zhēng)力， 但隨著閾值數(shù)目的增加，CABMO算法與對(duì)比算法的差距逐漸加大，獲得了所有高閾值數(shù)據(jù)的最優(yōu)值。說明利用CABMO算法分割的圖像與原始圖像最為接近，保留了原始圖像更多的信息。

3.3 圖像分割質(zhì)量

各算法在FSIM值上都取得了較好的結(jié)果。但在低閾值時(shí)，不同的冠層圖像所取得的FSIM值差距較大，說明在低閾值時(shí)不同的冠層圖像對(duì)FSIM值影響很大，這種現(xiàn)象隨著閾值數(shù)目的增加，逐漸消失。CABMO算法在所有閾值上幾乎都取得了最優(yōu)值。說明CABMO算法在圖像分割試驗(yàn)中得到的FSIM值能夠穩(wěn)定在一個(gè)固定區(qū)間內(nèi)，算法的穩(wěn)定性優(yōu)于對(duì)比算法，圖像分割質(zhì)量也更高。

3.4 分割時(shí)間

由各算法的計(jì)算時(shí)間結(jié)果分析可知，隨著閾值個(gè)數(shù)的增加，計(jì)算復(fù)雜度呈指數(shù)增加，計(jì)算時(shí)間也隨之增加。但所有算法從4維增加到24維所用的時(shí)間不超過4 s，表明智能算法的引入有效的克服了傳統(tǒng)枚舉法隨閾值數(shù)目的增加，計(jì)算復(fù)雜度和運(yùn)行時(shí)間呈指數(shù)增長(zhǎng)的缺陷。其中，BMO和CABMO所用時(shí)間較長(zhǎng)，不如CS和ChOA算法。這源于BMO和CABMO算法全面的搜索機(jī)制，使其提高尋優(yōu)精度的同時(shí)消耗更多的計(jì)算時(shí)間。CABMO算法在計(jì)算時(shí)間上略優(yōu)于BMO，這得利于算法的成功改進(jìn)，使CABMO算法可以節(jié)約更多的運(yùn)行資源和空間。

3.5 結(jié)論

針對(duì)森林冠層圖像分割時(shí)存在分割精度低，易出現(xiàn)錯(cuò)分、漏分等現(xiàn)象。提出一種基于改進(jìn)藤壺優(yōu)化算法（CABMO）的森林冠層圖像分割算法。針對(duì)BMO算法的局限性，引入Logistic混沌映射和非線性遞增陰莖系數(shù)對(duì)其進(jìn)行改進(jìn)，來提高其探索能力以及探索與開發(fā)之間的靈活性。然后以Kapur熵為適應(yīng)度函數(shù)，利用CABMO算法確定最優(yōu)分割閾值。

仿真結(jié)果表明，CABMO算法在分割精度、分割質(zhì)量上得到了顯著改進(jìn)，分別在適應(yīng)度值、PSNR值、FSIM值上100%、99%、97.9%優(yōu)于對(duì)比算法。雖然在計(jì)算時(shí)間上不如CS和ChOA算法，但相對(duì)于基本BMO算法也提高了0.156 3 s。因此，CABMO算法在森林冠層圖像分割問題中具有明顯的有效性和實(shí)用性，可廣泛應(yīng)用于各種復(fù)雜森林冠層圖像處理。

在未來的工作中還需開展以下研究。1）進(jìn)一步改善算法的搜索機(jī)制，在保證分割精度的前提下，降低計(jì)算時(shí)間；2）將CABMO算法與不同的信息熵方法進(jìn)行結(jié)合來對(duì)森林冠層圖像進(jìn)行應(yīng)用擴(kuò)展研究；3）將CABMO算法用于解決醫(yī)療圖像，如人腦圖像和胸部CT圖像以及其他彩色圖像等實(shí)際分割問題。

【參 考 文 獻(xiàn)】

[1]沈德勝.林木冠層半球圖像分割方法研究與實(shí)現(xiàn)[D].哈爾濱：東北林業(yè)大學(xué)，2016.

SHEN D S. Research and implementation of forest canopy hemisphere image segmentation methods[D]. Harbin： Northeast Forestry University， 2016.

[2]李曉冬，王雪峰，賀鵬.改進(jìn)Otsu法的冠層圖像分割及銀杏葉面積指數(shù)估測(cè)[J].東北林業(yè)大學(xué)學(xué)報(bào)，2013，41（8）：52-56，60.

LI X D， WANG X F， HE P. Canopy image segmentation based on improved Otsu method and leaf area index estimation of Ginkgo biloba[J]. Journal of Northeast Forestry University， 2013， 41（8）： 52-56， 60.

[3]王璟瑀.基于深度學(xué)習(xí)的森林冠層圖像分割方法研究[D].哈爾濱：東北林業(yè)大學(xué)，2020.

WANG J Y. Research on forest canopy segmentation based on deep learning[D]. Harbin： Northeast Forestry University， 2020.

[4]朱良寬，邵思協(xié)，景維鵬，等.PSO優(yōu)化三維Otsu森林冠層圖像快速分割算法[J].哈爾濱理工大學(xué)學(xué)報(bào)，2019，24（5）：128-133.

ZHU L K， SHAO S X， JING W P， et al. PSO-optimized-fast segmentation algorithm for 3D Otsu forest canopy image[J]. Journal of Harbin University of Science and Technology， 2019， 24（5）： 128-133.

[5]吳一全，孟天亮，吳詩(shī)婳.圖像閾值分割方法研究進(jìn)展20年（1994—2014）[J].數(shù)據(jù)采集與處理，2015，30（1）：1-23.

WU Y Q， MENG T L， WU S H. Research progress of image thresholding methods in recent 20 years （1994-2014）[J]. Journal of Data Acquisition and Processing， 2015， 30（1）： 1-23.

[6]EL AZIZ M A， EWEES A A， HASSANIEN A E. Whale optimization algorithm and moth-flame optimization for multilevel thresholding image segmentation[J]. Expert Systems With Applications， 2017， 83： 242-256.

[7]JIA H M， LANG C B， OLIVA D， et al. Hybrid grasshopper optimization algorithm and differential evolution for multilevel satellite image segmentation[J]. Remote Sensing， 2019， 11（9）： 1134.

[8]BAO X L， JIA H M， LANG C B. Dragonfly algorithm with opposition-based learning for multilevel thresholding color image segmentation[J]. Symmetry， 2019， 11（5）： 716.

[9]ABDEL-BASSET M， MOHAMED R， ABDEL-AZIZ N M， et al. HWOA： A hybrid whale optimization algorithm with a novel local minima avoidance method for multi-level thresholding color image segmentation [J]. Expert Systems with Applications， 2022， 190（3）：116145.

[10]SULAIMAN M H， MUSTAFFA Z， SAARI M M， et al. Barnacles Mating Optimizer： a new bio-inspired algorithm for solving engineering optimization problems[J]. Engineering Applications of Artificial Intelligence， 2020， 87： 103330.

[11]ZAMLI K Z， KADER M A. Sequence t-way test generation using the barnacles mating optimizer algorithm[C]//2021 10th International Conference on Software and Computer Applications. Kuala Lumpur Malaysia. New York， NY， USA： ACM， 2021： 88-93.

[12]RIZK-ALLAH RIZK M， EL-FERGANY ATTIA A. Conscious neighborhood scheme-based Laplacian barnacles mating algorithm for parameters optimization of photovoltaic single- and double-diode models[J]. Energy Conversion and Management， 2020， 226： 113522-.

[13]LI H B， ZHENG G， SUN K J， et al. A logistic chaotic barnacles mating optimizer with Masi entropy for color image multilevel thresholding segmentation[J]. IEEE Access， 2020， 8： 213130-213153.

[14]李鵬，陳守靜，楊山山，等.基于Logistic映射的果蠅算法優(yōu)化Otsu圖像分割方法[J].國(guó)外電子測(cè)量技術(shù)，2022，41（7）：9-17.

LI P， CHEN S J， YANG S S， et al. Otsu image segmentation method optimized by fruit fly optimization algorithm based on Logistic mapping[J]. Foreign Electronic Measurement Technology， 2022， 41（7）： 9-17.

[15]滕志軍，張華，張愛玲，等.融合Logistic映射的混沌二進(jìn)制螢火蟲頻譜分配策略[J].哈爾濱理工大學(xué)學(xué)報(bào)，2022，27（4）：16-22.

TENG Z J， ZHANG H， ZHANG A L， et al. Chaotic binary firefly spectrum allocation strategy based on logistic mapping[J]. Journal of Harbin University of Science and Technology， 2022， 27（4）： 16-22.

[16]LI H， GUO H B， YOUSEFI N. A hybrid fuel cell/battery vehicle by considering economy considerations optimized by Converged Barnacles Mating Optimizer （CBMO） algorithm[J]. Energy Reports， 2020， 6： 2441-2449.

[17]馬軍，賈鶴鳴.基于混沌電磁場(chǎng)優(yōu)化算法的多閾值彩色圖像分割[J].計(jì)算機(jī)應(yīng)用與軟件，2020，37（3）：244-250.

MA J， JIA H M. Multi-threshold color image segmentation based on chaotic electromagnetic field optimization[J]. Computer Applications and Software， 2020， 37（3）： 244-250.

[18]YAN Z P， ZHANG J Z， YANG Z W， et al. Kapur's entropy for underwater multilevel thresholding image segmentation based on whale optimization algorithm[J]. IEEE Access， 2020， 9： 41294-41319.

[19]鄔博文，朱良寬，王璟瑀.基于差分進(jìn)化鯨魚優(yōu)化算法的森林冠層圖像分割[J].西北林學(xué)院學(xué)報(bào)，2022，37（1）：67-73，136.

WU B W， ZHU L K， WANG J Y. Forest canopy image segmentation based on differential evolution whale optimization algorithm[J]. Journal of Northwest Forestry University， 2022， 37（1）： 67-73， 136.

[20]YANG X S， DEB S. Cuckoo search via levy flights[C]//2009 World Congress on Nature & Biologically Inspired Computing （NaBIC）. December 9-11， 2009， Coimbatore， India. IEEE， 2010： 210-214.

[21]KHISHE M， MOSAVI M R. Chimp optimization algorithm[J]. Expert Systems With Applications， 2020， 149： 113338.

[22] UPADHYAY P， CHHABRA J K. Kapur's entropy based optimal multilevel image segmentation using Crow Search Algorithm[J]. Applied Soft Computing， 2020， 97： 105522.