王向 李月鳳 王震洲 張佳佳

摘 要：

針對(duì)K Means算法對(duì)初始聚類中心的依賴性較高，容易出現(xiàn)局部最優(yōu)停滯的問題，提出一種改進(jìn)樽海鞘群算法優(yōu)化 K Means 的小麥覆蓋度提取算法。首先，將小麥圖像轉(zhuǎn)換到HSV色彩空間；然后，用改進(jìn)樽海鞘群算法進(jìn)行全局尋優(yōu)，以獲得全局最優(yōu)值作為K Means算法的初始聚類中心，接著運(yùn)用K Means算法進(jìn)行局部尋優(yōu)，直到迭代完成；最終，輸出經(jīng)過分割的小麥圖像。為了評(píng)估算法性能，使用12個(gè)基準(zhǔn)函數(shù)對(duì)ISSA及其他智能優(yōu)化算法進(jìn)行對(duì)比測試，同時(shí)將改進(jìn)樽海鞘群算法優(yōu)化K Means應(yīng)用于小麥覆蓋度提取。結(jié)果表明，ISSA算法在優(yōu)化精度和收斂速度上均超越其他算法，魯棒性也得到了顯著提高。與其他算法相比，ISSA K算法分割后的小麥圖像紋理比較清晰，效果更佳，同時(shí)具有更加高效的優(yōu)勢，可用于小麥覆蓋度的提取，具有較強(qiáng)的實(shí)用性。

關(guān)鍵詞：圖像處理；K Means；改進(jìn)樽海鞘群算法；HSV色彩空間；圖像分割；小麥覆蓋度提取

中圖分類號(hào)：TP391?? 文獻(xiàn)標(biāo)識(shí)碼：A??DOI：10.7535/hbkd.2023yx04004

Wheat coverage extraction based on improved salp swarm algorithm for optimizing K Means

WANG Xiang1，LI Yuefeng1，WANG Zhenzhou1，ZHANG Jiajia2

（1.School of Information Science and Engineering， Hebei University of Science and Technology， Shijiazhuang， Hebei 050018， China; 2.Meteorological Detection Technology Section， Hebei Meteorological Technology and Equipment Center， Shijiazhuang， Hebei 050021， China）

Abstract： Aiming at the problems of high dependence of the K Means algorithm on the initial clustering center and local optimal stagnation， a wheat coverage extraction algorithm with optimized K Means by an improved salp swarm algorithm was proposed. First， the wheat image was converted to HSV colour space; Then the improved salp swarm algorithm was used to find the global optimal value as the initial clustering center of K Means algorithm; Afterwards， the K Means algorithm was used for local optimization until the iteration was completed; Finally the segmented wheat image was output. In order to evaluate algorithm performance， ISSA and other intelligent optimization algorithms were compared and tested by using 12 benchmark functions. Meanwhile， the improved salp swarm optimization K Means algorithm was applied to wheat coverage extraction. The results indicate that the optimization accuracy and convergence speed of ISSA algorithm are superior to other algorithms， and its robustness is also significantly improved. Compared with other algorithms， the wheat image segmentation by ISSA K algorithm has clearer texture and better effect. At the same time， it has the advantage of being more efficient which can be used for wheat coverage extraction and has strong practicability.

Keywords： image processing; K Means; improved salp swarm algorithm; HSV color space; image segmentation; wheat coverage extraction

小麥作為中國重要的糧食作物，其產(chǎn)量和供需平衡對(duì)國家食品經(jīng)濟(jì)的發(fā)展具有重要意義[1]。作物覆蓋度是反映植物生長狀況的常用參數(shù)，它直接決定作物對(duì)光的截流量，進(jìn)而影響光合作用效率，是對(duì)作物長勢進(jìn)行分析的常用指標(biāo)之一[2]。快速、準(zhǔn)確地獲取小麥覆蓋度對(duì)小麥農(nóng)田精細(xì)化管理和產(chǎn)量估測等具有重要價(jià)值。

小麥覆蓋度提取是將圖片中的小麥和背景區(qū)域分割開來，國內(nèi)外研究人員對(duì)圖像分割進(jìn)行了廣泛而深入的研究。劉立波等[3]利用全卷積網(wǎng)絡(luò)（fully convolutional networks，F(xiàn)CN）結(jié)合條件隨機(jī)場，實(shí)現(xiàn)了棉花冠層圖像分割。和興華[4]運(yùn)用SegNet模型提升了田間玉米冠層圖像的分割精度。王曉東等[5]提出了在U net語義分割的基礎(chǔ)上，利用殘差學(xué)習(xí)進(jìn)一步增強(qiáng)卷積深度，并運(yùn)用深層次特征實(shí)現(xiàn)像素級(jí)圖像分割。但這些深度學(xué)習(xí)方法對(duì)樣本的選擇性高，訓(xùn)練樣本不充分，容易影響網(wǎng)絡(luò)的性能，并且訓(xùn)練過程需要花費(fèi)大量時(shí)間。K Means算法因其簡潔、高效的特性，在圖像分割領(lǐng)域備受青睞。傳統(tǒng)K Means算法在進(jìn)行圖像分割時(shí)存在對(duì)初始聚類中心依賴性較高，容易出現(xiàn)局部最優(yōu)停滯等問題，為此許多學(xué)者把智能優(yōu)化算法與K Means算法進(jìn)行結(jié)合改進(jìn)。KAPOOR等[6]提出了一種改進(jìn)的灰狼優(yōu)化算法（grey wolf optimization algorithm，GWO），用于衛(wèi)星圖像的聚類分割。吳煥麗等[7]利用自適應(yīng)步長果蠅算法對(duì)K Means進(jìn)行了改進(jìn)，實(shí)現(xiàn)對(duì)小麥覆蓋度的提取。RONG等[8]提出了基于語義檢測和改進(jìn)K Means的圖像目標(biāo)提取，和傳統(tǒng)的K Means分割算法相比，改進(jìn)算法提高了圖像分割質(zhì)量，同時(shí)效率也得到了提升。TIAN等[9]提出了一種改進(jìn)的基于自適應(yīng)聚類數(shù)的K Means算法對(duì)番茄葉片進(jìn)行分割。李志杰等[10]提出融合Circle映射和萊維飛行的樽海鞘算法，然后用其優(yōu)化K Means算法進(jìn)行圖像分割。

上述方法雖然取得了較好的分割效果，但適用范圍局限于大葉作物或種植密度相對(duì)較低的作物。對(duì)于邊緣信息較為豐富的細(xì)葉作物，作物冠層精準(zhǔn)分割面臨著巨大的挑戰(zhàn)，需要進(jìn)一步深入研究。因此，本研究提出一種改進(jìn)樽海鞘群算法（improved salp swarm algorithm， ISSA），優(yōu)化K Means的小麥覆蓋度提取算法。結(jié)合Tent混沌、高斯變異和自適應(yīng)慣性權(quán)重對(duì)樽海鞘群算法進(jìn)行改進(jìn)，然后用其優(yōu)化K Means算法實(shí)現(xiàn)小麥圖像分割，解決細(xì)葉作物分割精度低的問題。

1 圖像預(yù)處理

圖像預(yù)處理在整個(gè)圖像處理中至關(guān)重要，無論是在圖像分割還是圖像分析中都占有非常重要的地位。為了更好地提取出小麥信息，必須做好小麥圖像預(yù)處理工作。由于小麥圖像的采集環(huán)境為自然環(huán)境，在小麥圖像分析中，更易受到光照變化的影響，鑒于此，本文將去除光照影響作為圖像預(yù)處理的關(guān)鍵。

對(duì)于與背景顏色差異較大的小麥圖像，顏色是對(duì)小麥進(jìn)行目標(biāo)提取的重要依據(jù)之一[11]，利用顏色特征提取圖像中的小麥區(qū)域是較為簡單的方法。與RGB色彩空間相比，HSV色彩空間具有更強(qiáng)的直觀性，更加適合人眼的視覺效果，可以更直接地呈現(xiàn)出色彩的多樣性和鮮艷度[12]，因此在進(jìn)行圖像分割時(shí)，有更大的優(yōu)勢。此外，HSV色彩空間對(duì)光照變化有著很強(qiáng)的適應(yīng)能力[13]，它在彩色圖像處理中有著非常廣泛的應(yīng)用。本文研究的小麥圖像是在自然環(huán)境下拍攝的，受到光照的變化影響較大，為了方便后續(xù)小麥圖像的分割，本文將采集到的小麥圖像轉(zhuǎn)換到HSV空間。

對(duì)于圖像中的任意像素點(diǎn)，其RGB色彩空間為（R，G，B），HSV色彩空間為（H，S，V），首先需要將R，G，B值轉(zhuǎn)換到0～1之間，轉(zhuǎn)換公式如式（1）所示：

R=R/255，G=G/255，B=B/255，（1）

V值計(jì)算如式（2）所示：

V=max（R，G，B）（2）

S值計(jì)算如式（3）所示：

H值計(jì)算如式（4）所示：

2 ISSA優(yōu)化K Means的小麥圖像分割

2.1 樽海鞘群算法

樽海鞘群算法（salp swarm algorithm， SSA）是MIRJALILI等[14]在2017年提出的一種用于處理多種優(yōu)化問題的群體算法，它模擬了樽海鞘種群的特殊聚集行為。樽海鞘作為一種海洋生物，身體為透明的桶狀，組織和水母有很高的相似性，移動(dòng)方式也與水母十分相似[15]。在深海中，樽海鞘通常以樽海鞘鏈形式存在，根據(jù)樽海鞘群在鏈結(jié)構(gòu)中所處位置的先后將樽海鞘群分成2種，稱為領(lǐng)導(dǎo)者和追隨者。在鏈條最前端的是領(lǐng)導(dǎo)者，它選擇種群的移動(dòng)方向和覓食路線，其余的個(gè)體是追隨者，在迭代過程中跟隨領(lǐng)導(dǎo)者去尋找空間中的食物源。用一個(gè)N×d的矩陣來描述樽海鞘鏈，其中N代表樽海鞘群的規(guī)模，d代表樽海鞘群的空間維數(shù)[16]，樽海鞘鏈的表示方式如式（5）所示：

第i個(gè)樽海鞘個(gè)體的表示見式（6）。

Xi=［xi1xi2…xid］ 。（6）

在樽海鞘群算法中，這群樽海鞘的目標(biāo)是尋找一個(gè)被稱為F的食物源，領(lǐng)導(dǎo)者的位置需要不斷更新，其位置更新方式見式（7）。

式中：x1j是第j維空間中領(lǐng)導(dǎo)者的位置；Fj為食物源在第j維空間中的定位；ubj和lbj分別為第j維空間的上界和下界；參數(shù)c2和c3均為[0，1]范圍內(nèi)的任意值，c2用于控制領(lǐng)導(dǎo)者移動(dòng)步長，c3用于選擇領(lǐng)導(dǎo)者移動(dòng)方向。c1在算法的全局探索與局部開發(fā)過程中起著重要的調(diào)節(jié)作用[17]，如式（8）所示：

式中：t代表目前迭代次數(shù)；Tmax代表迭代次數(shù)的上限。

追隨者的位置按照式（9）進(jìn)行更新。

式中：xij表示第i個(gè)追隨者在第j維中的位置。

2.2 改進(jìn)樽海鞘群算法

樽海鞘種群以鏈狀方式運(yùn)動(dòng)和覓食，有利于信息在個(gè)體間進(jìn)行交流與傳遞，在解決多種優(yōu)化問題方面表現(xiàn)出明顯優(yōu)越性。由于其特殊結(jié)構(gòu)使之具有很強(qiáng)的全局搜索能力，被廣泛用于多目標(biāo)優(yōu)化中，并取得了很好的效果。但是，與其他智能優(yōu)化算法相比，SSA具有收斂速度慢、尋優(yōu)精度低等缺點(diǎn)[18]。因此，如何改進(jìn)其性能成為該領(lǐng)域研究的重點(diǎn)內(nèi)容之一。針對(duì)SSA中出現(xiàn)的一些問題，本文首先采用Tent混沌初始化種群，豐富初始種群的多樣性，加速算法早期的收斂；其次，將高斯變異引入領(lǐng)導(dǎo)者位置更新階段，增強(qiáng)全局搜索能力，從而改善算法的優(yōu)化精度；接著將自適應(yīng)慣性權(quán)重同時(shí)引入到領(lǐng)導(dǎo)者和追隨者位置更新階段，平衡算法的局部開發(fā)和全局搜索能力，加速算法的收斂。

2.2.1 Tent混沌初始化

混沌映射是自然界非線性系統(tǒng)中普遍存在的現(xiàn)象，因其隨機(jī)性、遍歷性和有序性等特征，常被用作優(yōu)化算法中的一種改進(jìn)方法[19]，有利于提高種群的多樣性，加速搜索過程，增強(qiáng)算法的開發(fā)能力。Tent混沌映射的尋優(yōu)速度較快，并且其模型結(jié)構(gòu)簡單、對(duì)初始條件依賴性低[20]。因此，本文引入Tent混沌對(duì)SSA算法進(jìn)行改進(jìn)，其表達(dá)式如式（10）所示。

式中：u在（0，1）范圍內(nèi)隨機(jī)取值；t是目前迭代的次數(shù)；yij為第i個(gè)個(gè)體在第j維中的位置。迭代完成得到y(tǒng)ij（Tmax），Tmax為最大迭代次數(shù)，樽海鞘群的運(yùn)動(dòng)軌跡如式（11）所示。

xij=yij（Tmax）（ubj-lbj）+lbj。（11）

2.2.2 引入高斯變異

樽海鞘算法在尋優(yōu)過程中容易被其他個(gè)體同化，造成種群多樣性降低。由于個(gè)體本身缺乏變異機(jī)制，一旦陷入局部最優(yōu)狀態(tài)，將難以擺脫其束縛。所以，將高斯變異引入到算法中對(duì)領(lǐng)導(dǎo)者位置進(jìn)行更新，指導(dǎo)樽海鞘種群在整個(gè)空間中較好地進(jìn)行搜索，使得算法可以在相對(duì)較短的時(shí)間內(nèi)達(dá)到全局最優(yōu)值，增強(qiáng)了算法的收斂速度，同時(shí)又能夠避免種群個(gè)體在局部最優(yōu)值附近過早出現(xiàn)停滯[21]，提高算法收斂精度。領(lǐng)導(dǎo)者位置更新公式見式（12）。

2.2.3 引入自適應(yīng)慣性權(quán)重

自適應(yīng)慣性權(quán)重最早出現(xiàn)在粒子群優(yōu)化算法中，用于平衡算法的全局探索和局部開發(fā)。后來，受到了粒子群優(yōu)化算法的啟發(fā)，許多研究者開始在優(yōu)化算法中引入自適應(yīng)慣性權(quán)重，并取得了很好的效果。在本文中，同樣引入了一個(gè)自適應(yīng)慣性權(quán)重系數(shù)ω，如式（13）所示，同時(shí)作用于領(lǐng)導(dǎo)者和追隨者位置更新階段。慣性權(quán)重ω在SSA算法的全局探索與局部開發(fā)過程中起著重要的調(diào)節(jié)作用。當(dāng)ω較大時(shí)，算法擁有較強(qiáng)的全局搜索能力；當(dāng)ω較小時(shí)，算法擁有較強(qiáng)的局部開發(fā)能力，可以圍繞最優(yōu)解進(jìn)行精細(xì)搜索，提高解的精度[22]。

式中：t代表目前迭代次數(shù)；Tmax代表迭代次數(shù)的上限；變量N代表種群數(shù)量。

在領(lǐng)導(dǎo)者位置更新階段，用式（14）替換式（12）。

在追隨者位置更新階段，用式（15）替換式（9）。

2.3 改進(jìn)樽海鞘算法步驟描述

ISSA算法實(shí)現(xiàn)步驟如下，流程圖如圖1所示。

步驟如下。

1）設(shè)置算法參數(shù) 種群數(shù)量N，種群迭代次數(shù)Tmax，搜索空間的上邊界ub和下邊界lb。

2）初始化樽海鞘種群 通過Tent混沌映射來初始化種群。

3）確定食物源位置 計(jì)算每個(gè)個(gè)體的適應(yīng)度值，適應(yīng)度值最優(yōu)的位置即為食物源位置。

4）更新參數(shù)c1 根據(jù)式（8）對(duì)參數(shù)c1進(jìn)行更新。

5）更新自適應(yīng)慣性權(quán)重ω 根據(jù)式（13）對(duì)自適應(yīng)慣性權(quán)重ω進(jìn)行更新。

6）領(lǐng)導(dǎo)者位置更新 利用式（14）更新領(lǐng)導(dǎo)者的位置。

7）追隨者位置更新 利用式（15）更新追隨者的位置。

8）食物源位置更新 計(jì)算出個(gè)體更新后的適應(yīng)度值，選出適應(yīng)度值最優(yōu)的位置作為更新后的食物源位置。

9）重復(fù)執(zhí)行步驟4）—步驟8），直到迭代完成，輸出全局最優(yōu)值。

2.4 ISSA優(yōu)化K Means算法的小麥圖像分割

在進(jìn)行小麥圖像分割時(shí)，首先，將輸入的小麥圖像由RGB空間轉(zhuǎn)化為HSV空間，小麥圖像可以看成一個(gè)圖像點(diǎn)集X，具有m維向量；然后，隨機(jī)抽取k個(gè)像素點(diǎn)當(dāng)作初始聚類中心，將圖像點(diǎn)集X中的像素點(diǎn)分配到這k類中。Xi是集合X中的第i個(gè)像素點(diǎn)，Yj是第j個(gè)聚類中心，計(jì)算像素點(diǎn)Xi與聚類中心Yj之間的距離，并按照最小距離原理將像素點(diǎn)Xi劃分給最近的聚類中心所在的子集[23]。樽海鞘群的適應(yīng)度計(jì)算公式如式（16）所示：

當(dāng)ISSA算法迭代結(jié)束后，獲得最佳適應(yīng)度值作為下一個(gè)過程K Means算法的最優(yōu)初始聚類中心，然后采用K Means聚類的方法，實(shí)現(xiàn)局部尋優(yōu)，直到迭代完成。

ISSA優(yōu)化K Means算法的小麥圖像分割實(shí)現(xiàn)步驟描述如下，流程圖如圖2所示。

步驟如下。

1）先讓ISSA進(jìn)行尋優(yōu)，用式（16）計(jì)算樽海鞘群的適應(yīng)度，直到達(dá)到最大迭代次數(shù)，將算法尋優(yōu)過程中獲得的全局最優(yōu)值作為K Means算法的初始聚類中心。

2）計(jì)算圖片各像素點(diǎn)到聚類中心的距離，根據(jù)最小距離原理劃分給最近的聚類中心。

3）重新計(jì)算各類的平均值，更新其聚類中心。

4）繼續(xù)進(jìn)行尋優(yōu)操作，直到聚類中心達(dá)到穩(wěn)定[24]，不再發(fā)生變化，則輸出小麥圖像；否則，重復(fù)執(zhí)行步驟2）—步驟4）。

3 結(jié)果與分析

3.1 基于測試函數(shù)的仿真及分析

本文是在Intel（R）Core（TM）i5 7200U CPU的計(jì)算機(jī)上進(jìn)行的，算法采用Matlab R2016b在Windows 10操作系統(tǒng)下實(shí)現(xiàn)。

為了評(píng)估ISSA算法的性能，將BOA算法（butterfly optimization algorithm）、PSO算法（particle swarm optimization algorithm）、CHO算法（chimp optimization algorithm）、SCA算法（sine cosine optimization algorithm）、SSA算法、ISSA算法進(jìn)行對(duì)比研究，本文選取的12個(gè)基準(zhǔn)測試函數(shù)包含了單峰函數(shù)和多峰函數(shù)。單峰函數(shù)和多峰函數(shù)的相關(guān)參數(shù)設(shè)置已在表1和表2中得到詳細(xì)闡述。f1-f7是單峰函數(shù)，僅包含1個(gè)局部最優(yōu)解，主要用來評(píng)估算法的開發(fā)潛力，f8-f12是多峰函數(shù)，有較多的局部極值，主要用來評(píng)估算法是否能夠避免出現(xiàn)局部最優(yōu)停滯和及時(shí)跳出局部最優(yōu)的能力[25]。

為了讓實(shí)驗(yàn)更加公平可靠，所有算法均采用了等實(shí)驗(yàn)參數(shù)：種群數(shù)量為30，迭代次數(shù)上限值為1 000，測試函數(shù)的維度為30。在本實(shí)驗(yàn)中，每個(gè)算法將在上述12個(gè)基準(zhǔn)函數(shù)上獨(dú)立運(yùn)行50次，并選取最佳值、均值和方差3個(gè)評(píng)價(jià)標(biāo)準(zhǔn)，用于評(píng)價(jià)算法的優(yōu)化精度、平均精度和穩(wěn)定性[26]。表3給出了ISSA算法與其他智能優(yōu)化算法在12個(gè)測試函數(shù)上的對(duì)比結(jié)果，各項(xiàng)性能最好的結(jié)果用粗體標(biāo)出。

從表3可以看出，本文算法的收斂精度優(yōu)于其他算法。ISSA算法在函數(shù)f8和f10上的收斂精度已達(dá)到理論最優(yōu)值，在其他測試函數(shù)中，ISSA收斂精度優(yōu)于其他算法，且與理論最優(yōu)值的差異不大。ISSA在平均精度和穩(wěn)定性方面均呈現(xiàn)出顯著的優(yōu)越性。結(jié)果表明，無論對(duì)于單峰函數(shù)或多峰函數(shù)進(jìn)行求解，本文提出的ISSA算法均具有良好的魯棒性，能夠穩(wěn)定地保持優(yōu)化精度。

為了更直觀地對(duì)BOA，PSO，SCA，CHO，SSA和ISSA在收斂速度和尋優(yōu)精度等方面的表現(xiàn)進(jìn)行比較，圖3給出了ISSA與其他算法在12個(gè)測試函數(shù)下的收斂曲線。

圖3的仿真結(jié)果表明，在大多數(shù)的測試函數(shù)中，ISSA的優(yōu)化效果都表現(xiàn)出明顯的優(yōu)勢。對(duì)于單峰測試函數(shù)f1-f7，ISSA的收斂曲線從迭代開始就快速下降，尋優(yōu)性能均是最好的。具體來說，在f2和f3上，基本在100代左右就已收斂到最優(yōu)值，其余單峰函數(shù)在算法初期的收斂速度也明顯高于其他算法，均在200代以內(nèi)完成收斂，并且收斂精度均是最高的。結(jié)果表明，改進(jìn)算法具有較強(qiáng)的局部挖掘能力，能快速收斂到目標(biāo)值。對(duì)于具有大量局部最優(yōu)值的多峰函數(shù)f8-f12，ISSA仍然表現(xiàn)出明顯的優(yōu)勢，均在最短的時(shí)間內(nèi)獲得了最高的優(yōu)化精度。ISSA雖然在f8，f11和f12上陷入局部極值，但是ISSA能夠及時(shí)跳出局部最優(yōu)并且迅速收斂到最優(yōu)值。這表明ISSA具有較強(qiáng)的全局搜索能力，避免陷入局部最優(yōu)值。對(duì)于單峰函數(shù)和多峰函數(shù)的仿真結(jié)果表明，ISSA算法在全局收斂性和優(yōu)化精度方面均具有一定的優(yōu)勢。

3.2 ISSA優(yōu)化K Means的小麥圖像分割實(shí)驗(yàn)

為了驗(yàn)證本文提出的小麥圖像分割算法的可行性與有效性，選取了2幅不同角度、不同時(shí)期的小麥圖片進(jìn)行分割實(shí)驗(yàn)。每幅圖片分別采用K Means，SSA優(yōu)化K Means（簡稱SSA K）、文獻(xiàn)[10]算法（簡稱CLSSA K）和本文ISSA優(yōu)化K Means（簡稱ISSA K）4種方法進(jìn)行分割操作，將分割結(jié)果進(jìn)行對(duì)比。各算法的參數(shù)設(shè)置同3.1節(jié)。

圖4和圖5所呈現(xiàn)的是上述4種算法對(duì)小麥幼苗期和抽穗期圖像進(jìn)行分割的結(jié)果。

由圖4和圖5可以看出，ISSA K對(duì)小麥圖像進(jìn)行分割，獲得了較為理想的分割效果。K Means分割出現(xiàn)較為明顯的錯(cuò)誤分割，且較為模糊；SSA K分割的效果和K Means相比略有提高；CLSSA K分割方法精度較高，但不能很好地分割出葉片邊緣的細(xì)節(jié)，導(dǎo)致葉片邊緣不夠清晰；而ISSA K較好地處理了圖像中的細(xì)節(jié)信息，分割后的葉片邊緣比較清晰，效果更佳。

使用運(yùn)行時(shí)間、均方誤差和峰值信噪比3個(gè)評(píng)價(jià)指標(biāo)對(duì)分割結(jié)果進(jìn)行客觀評(píng)價(jià)，數(shù)據(jù)如表4所示。運(yùn)行時(shí)間用于評(píng)價(jià)算法的效率；均方誤差用于評(píng)估算法的穩(wěn)定性，數(shù)值越小，算法穩(wěn)定性越高；峰值信噪比是衡量圖像質(zhì)量的客觀指標(biāo)，數(shù)值越大，表明分割出來的圖像越真實(shí)。分析發(fā)現(xiàn)ISSA K算法指標(biāo)總體優(yōu)于另外3種算法的指標(biāo)。由此可知，ISSA K具有良好的穩(wěn)定性，并且在提高小麥圖像分割質(zhì)量和效率方面呈現(xiàn)出顯著的優(yōu)越性，具有一定的可行性和優(yōu)越性。

4 結(jié) 語

K Means算法對(duì)初始聚類中心的依賴性較高，容易出現(xiàn)局部最優(yōu)停滯的情況，從而導(dǎo)致圖像分割質(zhì)量較差，為此，本文提出了基于改進(jìn)樽海鞘算法優(yōu)化K Means的小麥覆蓋度提取方法。ISSA在原SSA的基礎(chǔ)上引入了3種方法。1）Tent混沌，利用該方法進(jìn)行種群初始化，使得種群的多樣性得到提升，并且加快迭代前期的收斂速度。2）高斯變異，該方法作用于種群的領(lǐng)導(dǎo)者，旨在提升算法種群的多樣性和全局搜索能力。3）自適應(yīng)慣性權(quán)重，該方法在整個(gè)迭代過程中同時(shí)作用于種群的領(lǐng)導(dǎo)者和追隨者，提高了算法早期的全局搜索能力，加強(qiáng)了算法后期的局部搜索能力，2種機(jī)制之間的平滑過渡可以改善原有SSA收斂速度慢、尋優(yōu)質(zhì)量低等問題。此外，將ISSA與其他智能優(yōu)化算法進(jìn)行比較，ISSA算法表現(xiàn)出更高的優(yōu)化精度和更快的收斂速度，這充分驗(yàn)證了所提ISSA算法的有效性。最后，將改進(jìn)樽海鞘群算法優(yōu)化 K Means應(yīng)用于小麥圖像分割問題，表明本文算法改善了圖像分割的質(zhì)量，可以很好地解決小麥覆蓋度提取問題。本研究對(duì)含雜草環(huán)境下的小麥覆蓋度提取效果不佳，未來需要進(jìn)一步改進(jìn)和優(yōu)化算法，不斷提升算法在復(fù)雜場景下的適用性。

參考文獻(xiàn)/References：

潘貝托.基于視覺的小麥小區(qū)育種生長信息檢測系統(tǒng)設(shè)計(jì)［D］.合肥：安徽農(nóng)業(yè)大學(xué)，2022.

PAN Beituo.Design of Growth Information Detection System for Wheat Plot Breeding Based on Vision［D］.Hefei：Anhui Agricultural University，2022.

［2］ 蔡文婷，趙書河，王亞梅，等.結(jié)合Sentinel 2光譜與紋理信息的冬小麥作物茬覆蓋度估算［J］.遙感學(xué)報(bào)，2020，24（9）：1108 1119.

CAI Wenting，ZHAO Shuhe，WANG Yamei，et al.Estimation of winter wheat residue cover using spectral and textural information from Sentinel 2 data［J］.Journal of Remote Sensing，2020，24（9）：1108 1119.

［3］ 劉立波，程曉龍，賴軍臣.基于改進(jìn)全卷積網(wǎng)絡(luò)的棉田冠層圖像分割方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2018，34（12）：193 201.

LIU Libo，CHENG Xiaolong，LAI Junchen.Segmentation method for cotton canopy image based on improved fully convolutional network model［J］.Transactions of the Chinese Society of Agricultural Engineering，2018，34（12）：193 201.

［4］ 和興華.基于卷積神經(jīng)網(wǎng)絡(luò)的玉米冠層圖像分割與生育期鑒定方法［D］.南昌：江西農(nóng)業(yè)大學(xué)，2018.

HE Xinghua.CornCanopy Image Segmentation and Growth Identification MethodBased on Convolutional Neural Network［D］.Nanchang：Jiangxi Agricultural University，2018.

［5］ 王曉東，樊江川，杜建軍，等.基于U net語義分割模型的田間玉米冠層圖像分割［J］.江蘇科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，35（2）：59 67.

WANG Xiaodong，F(xiàn)AN Jiangchuan，DU Jianjun，et al.Field maize canopy image segmentation based on the U net semantic segmentation model［J］.Journal of Jiangsu University of Science and Technology（Natural Science Edition），2021，35（2）：59 67.

［6］ KAPOOR S，ZEYA I，SINGHAL C，et al.A grey wolf optimizer based automatic clustering algorithm for satellite image segmentation［J］.Procedia Computer Science，2017，115：415 422.

［7］ 吳煥麗，崔可旺，張馨，等.基于改進(jìn)K means圖像分割算法的細(xì)葉作物覆蓋度提?。跩］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（1）：42 50.

WU Huanli，CUI Kewang，ZHANG Xin，et al.Improving accuracy of fine leaf crop coverage by improved K means algorithm［J］.Transactions of the Chinese Society for Agricultural Machinery，2019，50（1）：42 50.

［8］ RONG Hanxiao，RAMIREZ SERRANO A，GUAN Lianwu，et al.Image object extraction based on semantic detection and improved K means algorithm［J］.IEEE Access，2020，8：171129 171139.

［9］ TIAN Kai，LI Jiuhao，ZENG Jiefeng，et al.Segmentation of tomato leaf images based on adaptive clustering number of K means algorithm［J］.Computers and Electronics in Agriculture，2019，165.DOI：10.1016/j.compag.2019.104962.

［10］

李志杰，王力，張習(xí)恒.改進(jìn)樽海鞘群優(yōu)化K means算法的圖像分割［J］.包裝工程，2022，43（9）：207 216.

LI Zhijie，WANG Li，ZHANG Xiheng.Improved salp swarm optimization K means algorithm for image segmentation［J］.Packaging Engineering，2022，43（9）：207 216.

［11］齊銳麗，陳曼龍，楊宗浩，等.基于HSV模型與改進(jìn)的OTSU算法花椒圖像分割［J］.中國農(nóng)機(jī)化學(xué)報(bào)，2019，40（11）：155 160.

QI Ruili，CHENManlong，YANGZonghao，etal.Image segmentation of Sichuan pepper based on HSV model and improved OTSU algorithm［J］.Journal of Chinese Agricultural Mechanization，2019，40（11）：155 160.

［12］張慧，伍萍輝，張馨，等.非垂直拍攝獲取細(xì)葉作物覆蓋度優(yōu)化算法研究［J］.灌溉排水學(xué)報(bào)，2019，38（9）：55 62.

ZHANG Hui，WU Pinghui，ZHANG Xin，et al.Research on optimization algorithm of fine leaf crop coverage based on non vertical shooting［J］.Journal of Irrigation and Drainage，2019，38（9）：55 62.

［13］SUN Yuheng，MU Ye，F(xiàn)ENG Qin，et al.Deer body adaptive threshold segmentation algorithm based on color space［J］.Computers，Materials& Continua，2020，64（2）：1317 1328.

［14］MIRJALILI S，GANDOMI A H，MIRJALILI S Z，et al.Salp swarm algorithm：Abio inspired optimizer for engineering design problems［J］.Advances in Engineering Software，2017，114：163 191.

［15］SAAFAN M M，EL GENDY E M.IWOSSA：An improved whale optimization salp swarm algorithm for solving optimization problems［J］.Expert Systems with Applications，2021，176.DOI：10.1016/j.eswa.2021.114901.

［16］ZHAO Xiaoqiang，YANG Fan，HAN Yazhou，et al.An opposition based chaotic salpswarm algorithm for global optimization［J］.IEEE Access，2020，8：36485 36501.

［17］成貴學(xué)，鄭曉楠.改進(jìn)樽海鞘群算法增強(qiáng)電力巡檢圖像的研究［J］.計(jì)算機(jī)仿真，2022，39（6）：373 379.

CHENG Guixue，ZHENG Xiaonan.Research on image enhancement of power patrol inspection based on improved slap swarm algorithm［J］.Computer Simulation，2022，39（6）：373 379.

［18］常祥潔，趙孜愷，周朝榮.樽海鞘群算法的改進(jìn)［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2022，43（7）：1941 1948.

CHANG Xiangjie，ZHAO Zikai，ZHOU Zhaorong.Improvements of slap swarm algorithm［J］.Computer Engineering and Design，2022，43（7）：1941 1948.

［19］TAWHID M A，IBRAHIM A M.Improvedsalp swarm algorithm combined with chaos［J］.Mathematics and Computers in Simulation，2022，202：113 148.

［20］周鵬，董朝軼，陳曉艷，等.基于階梯式Tent混沌和模擬退火的樽海鞘群算法［J］.電子學(xué)報(bào)，2021，49（9）：1724 1735.

ZHOU Peng，DONG Chaoyi，CHEN Xiaoyan，et al.Asalp swarm algorithm based on stepped Tent chaos and simulated annealing［J］.Acta Electronica Sinica，2021，49（9）：1724 1735.

［21］馮增喜，何鑫，崔巍，等.混合隨機(jī)反向?qū)W習(xí)和高斯變異的混沌松鼠搜索算法［J］.計(jì)算機(jī)集成制造系統(tǒng)，2023，29（2）：604 615.

FENG Zengxi，HE Xin，CUI Wei，et al.Hybrid random opposition based learning and Gaussian mutation of chaotic squirrel search algorithm［J］.Computer Integrated Manufacturing Systems，2023，29（2）：604 615.

［22］REN Hao，LI Jun，CHEN Huiling，et al.Adaptive levy assisted salp swarm algorithm：Analysis and optimization case studies［J］.Mathematics and Computers in Simulation，2021，181：380 409.

［23］LI Haiyang，HE Hongzhou，WEN Yongge.Dynamic particle swarm optimization and K means clustering algorithm for image segmentation［J］.Optik，2015，126（24）：4817 4822.

［24］CHEN Wei，HE Cenyu，JI Chunlin，et al.An improved K means algorithm for underwater image background segmentation［J］.Multimedia Tools and Applications，2021，80（14）：21059 21083.

［25］LIU Yun，SHI Yanqing，CHEN Hao，et al.Chaos assisted multi population salp swarm algorithms：Framework and case studies［J］.Expert Systems with Applications，2021，168.DOI：10.1016/j.eswa.2020.114369.

［26］CHEN Dongning，LIU Jianchang，YAO Chengyu，et al.Multi strategy improved salp swarm algorithm and its application in reliability optimization［J］.Mathematical Biosciences and Engineering，2022，19（5）：5269 5292.