基于颜色系数反向粒子群模型的田间作物分割方法

徐艳蕾，朱炽阳，李陈孝，张 奇，孟笑天，王新东

0 引 言

机器视觉技术识别田间作物，具有实时性强、准确性高的特点，该技术被广泛应用于农机路径导航、作物病斑识别以及杂草识别等领域。其中农田作物分割是其关键技术，分割结果的好坏直接影响后续的处理结果。很多情况下，农田作物分割需要在自然光照环境中进行，光照强度、温度变化等都会对分割结果产生影响[1]。同时，为了能够保证农田作业的实时性，对速度要求也越来越高。因此，研究一种自然光照条件下既能兼顾分割效果，同时满足实时作业的农田图像分割算法是非常必要的。

在已有研究中，颜色分割是目前最为常用的分割方法[2]。现阶段利用颜色特征分割作物图像的常用方法包括归一化差异指数法NDI（normalised difference index）[3]、超绿法EXG（excess green index）[4]、植物颜色提取指数法CIVE（color index of vegetation extraction）[5]、红绿归一化差异指数法NGRDI（normalised green-red difference index）[6]和作物指数法VEG（vegetative index）[7]等。翟瑞芳等针对光照变化问题利用高斯颜色模型对大田油菜图像进行分割，其误差分割率为1.8%[8]；Bai等利用一种新的形态学建模方法建立作物在CIE(commission internationale de l’eclairage)空间内的色彩模型，能够在不同的天气状况下实现图像分割[9]；陈晓倩等利用 SLIC(simple linear iteration cluster)方法和YCgCr颜色空间中的Cg分量为基础，使用不同的分类器实现在光照偏强状态下农田彩色图像分割[10]；Hernández-Hernández 等[11]利用一种新的概率方法选择最佳的颜色空间，通过概率密度函数的非参数模型对植物与土壤进行分割；伍艳莲等[12]通过改进均值漂移算法（MS，Mean-shift algorithm），采用自适应设定带宽的方法将绿色作物与土壤背景分割开来，其错分率在6.5%以下。

采用颜色特征分割农田图像可以有效提取前景（作物）与背景（土壤）信息，但就目前常用的颜色模型来说，在充分保留作物形状特征完整的前提下，并不能同时满足速度与光照不敏感的要求。为此，一些研究将机器学习方法应用到作物图像分割问题中，以期弥补传统分割算法存在的缺陷[13-18]。Ruiz-Ruiz[14]结合环境自适应颜色分割算法（EASA，environmentally adaptive segmentation algorithm），利用HSI颜色模型中的色调信息消除光照影响；Zheng等将Mean-shift算法与反向传播神经网络学习算法（BPNN，back propagation neural network）结合，利用绿色植被在RGB与HSI颜色空间内特征对作物进行分割，该方法的平均误识别率为4.2%[15]；Guo等利用决策树分割模型自适应分割阈值，合理消除作物阴影区域[16]；Guerrero等提出一种基于支持向量机（SVM, support vector machine）的方法来识别绿色植物光谱，该方法能够有效识别图像中的枯萎杂草和缺损作物[17]。将机器学习算法与传统分割方法相结合，在农田作物目标提取问题中具有独特的优势。这些方法在不同的光照条件下能够显示出更好的分割效果，但是由于机器学习算法结果依赖于一个训练阶段，当训练样本较小时，分割效果并不理想，而使用在线学习方法对图像进行分割，处理速度较慢，难以应用到实时作业中去[18-21]。

为解决上述方法中存在的不足，提高机器学习算法的实用价值，本文提出一种基于反向变异粒子群优化颜色系数模型的田间作物分割方法。该分割方法分为离线和在线两个部分。离线部分，本文提出一种反向变异策略（RM，reverse mutation）形成反向变异粒子群优化（reverse mutation- particle swarm optimization，RM-PSO）算法，通过小样本训练提取样本图像的最优特征颜色系数，节省训练时间，降低外界环境变化对分割效果的干扰，并能提高算法全局搜索的准确性，避免最优粒子陷入局部最优，保证算法的快速性和准确性。在线实时采集图像，采用离线提取的最优颜色系数对作物图像灰度化，进而对图像进行阈值分割得到最终的分割结果。

1 反向变异粒子群优化(RM-PSO)算法

PSO算法模拟鸟群觅食行为，通过个体间的信息交流与竞争，搜索复杂空间的最优解[22-25]。在PSO建立的速度位置搜索模型内，每一个粒子都代表一个候选解，每一个解的优劣程度由适应度函数值决定，算法的基本原理如下：

假设在一个D维搜索空间内，由n个粒子组成的群体X，种群内第 i个粒子的空间位置为 Xi=(xi1, xi2··, xiD)T，根据每个粒子对应位置的适应度值，得到该粒子经过的最优位置 Pi=(Pi1, Pi2··, PiD)T，Pg=(Pg1, Pg2··, PgD)T是整个粒子群搜索到的最优位置，每个粒子的飞行速度用Vi=(Vi1,Vi2··, ViD)T表示。其速度与位置更新策略如式（1）～（2）所示：

式中k代表当前进化代数；c1，c2是2个非负参数，用以控制粒子加速度；r1，r2为分布于[0，1]的随机数；ω为惯性权重，起到平衡全局搜索、控制邻代速度影响的作用，d表示为当前维度（1≤d

1.1 粒子群反向策略（Reverse）

PSO算法对初值敏感，每个粒子的初始位置会直接影响算法的收敛速度，出现适应度不佳粒子过多，进而影响算法的有效搜索范围。巢渊等[26]提出了反向学习算法，可以有效提高初始粒子整体质量，加快粒子群收敛速度，扩大有效搜索范围，反向粒子定义如式（3）～（4）所示。

式中μ为[0,1]的随机系数，Δ为反向中心点，ad、bd为全局搜索的最小与最大边界值，Xid表示初始粒子群组中D维第i个粒子所在位置；为原始粒子生成的反向粒子。此方法先利用随机比例系数确定中心点位置，再通过随机中心点空间折叠确定反向粒子位置。但在彩色图像提取最优颜色系数组合问题中，由于算法在多维空间内进行寻优，颜色系数边界范围较小，容易造成反向解溢出边界[27]。

针对以上问题，本文通过生成有效反向量度粒子，增强初始粒子多样性，利用随机调节因子φ限制反向粒子范围，克服了原算法粒子容易溢出的缺点。具体反向策略表达式如式（5）～（7）所示：

其中Δ内含随机调节因子φ，通过不断调整反向中心点位置随机生成反向粒子，确保反向粒子始终落在有效位置内。得到反向粒子后，对原始粒子和反向粒子进行适应度函数优劣度评价（适应度函数的构建在2.1节进行详细讨论）。当原始粒子质量fit(Xid)更优时，原始粒子保持不变并消除反向粒子；反之反向粒子替代原始粒子组成新的粒子群组，如式（8）所示。

利用随机调节因子确定反向中心点，通过随机中心点空间折叠确定反向粒子位置，可以提高初始粒子整体质量，加快粒子群收敛速度，扩大搜索范围。

1.2 粒子群变异策略（Mutation）

在粒子群迭代过程中，当粒子所在位置靠近局部最优粒子时，容易早熟陷入局部最优范围。其主要原因是当gdP 陷入局部最优时，粒子惰性加大，其余粒子向惰性粒子靠拢，无法获得最优解。柯西变异策略CM（cauchy mutation）[28-29]能够对全局最优解进行变异，但仅对gdP 进行小范围变异，存在一定的局限性，对一部分函数来说不能取得较好的脱离效果。同时，连续对粒子进行变异，影响算法的收敛速度，但不进行变异，一旦粒子陷入局部最优区域便难以逃离。

因此，本文提出一种新的变异策略对粒子群进行调整。首先，引入变量L，对比粒子群内粒子的更新速度与移动距离，判断粒子是否处于稳定状态：

式中 Psum为粒子群粒子总数，当粒子满足稳定状态条件时，计算全局平均粒子移动速度，通过式（12），改变原始进化速度，对惰性粒子位置进行变异。N（0,1）为标准正态分布函数，T为粒子最大迭代次数。同时，为避免整个粒子群始终处于活跃状态，无法收敛，增加限制条件，如式（13）所示。当迭代次数超过一定范围停止对粒子进行变异。

1.3 基于反向变异策略的粒子群优化算法

本文提出的反向策略和变异策略应用到传统粒子群算法中，就形成了反向变异粒子群优化（RM-PSO）算法。该算法利用反向策略，生成反向粒子群组，引入随机调节因子调节反向中心点，增强粒子群搜索空间多样性，避免反向粒子跳有效搜索空间。同时，对初始粒子与反向粒子进行适应度函数计算，若反向粒子质量优于初始粒子，则根据式（8）对原始粒子进行替代，从而提高初始粒子整体质量。

组成新的初代粒子群后，对粒子进行位置与速度更新。在新的粒子群迭代过程中，引入粒子稳定性判定条件，形成新的位置更新策略，如式（14）所示，可以在不影响粒子正常收敛的情况下，通过对惰性粒子变异，帮助惰性粒子及时跳出局部最优区域，提高粒子搜索精度。

2 基于RM-PSO算法的田间作物分割方法

通常情况下田间作物图像为彩色图像，因此首先对作物图像进行灰度化处理，对灰度图像进行二值化处理。图像灰度化处理是关键步骤，灰度化处理的结果将直接影响分割效果。本文采用RM-PSO算法提取最优颜色系数对作物图像进行灰度化处理。利用颜色系数将彩色图像转换成一维灰度图像，如式（15）所示。

式中i，j代表像素位置，input为颜色系数，G(i,j)为彩色像素点一维灰度值。由式（15）可以看出，对图像r、g、b颜色分量的提取相当于在一个三维搜索空间内选取最优解问题。

2.1 RM-PSO提取颜色系数的关键问题

RM-PSO算法寻优过程中，在不利用外部信息前提下，整个算法的收敛依据由适应度函数来决定。

2.1.1 构造适应度函数

适应度函数应能准确描述粒子优劣程度，本文构建了适应度函数并对函数参数进行设置。首先使用 GIMP（GNU image manipulation program）软件对全部样本图片进行人工处理，通过人工标注的方式对图片中难以识别的区域进行标注，得到符合用户需求的二值矩阵 Fs。通过待测粒子r、g、b参数对样本图像进行灰度化处理，再经过 OTSU函数对样本图像进行分割，得到参数矩阵Ft。通过计算矩阵绝对差值和样本图像像素点总数 Cn，求出样本图像适应度函数值。

当|Fs-Ft|值变小，两幅图像相似程度越高，适应度函数值变大。也就是说，当利用待测粒子分割图像更符合用户要求时，算法的适应度越好，符合描述粒子优劣的要求。

2.1.2 构造满意度函数

通过RM-PSO提取最优颜色系数，只能对单个样本图像进行最优值搜寻，在面对不同的外界环境干扰时，使用单一图像提取最优解对图像进行分割并不具有普适性。因此，本文将不同环境下采集的样本图片进行分类并建立样本数据库，通过构建满意度模型，对数据库中所有图片的最优解进行满意度评估，通过离线计算，选取满意度最高的颜色系数解作为最优颜色系数。满意度模型如式（17）~（19）所示：

式中Sat为粒子满意度系数；N为样本图像总数；u为粒子稳定系数；Pgj表示第 j幅样本图像的全局最优解，xj表示第j幅图像的绝对差值。根据上式可以看出，最优解集内元素对整个样本数据库适应性越好，u值越大，Sat值也随之提高。采用最优颜色系数对实时采集图像进行灰度化处理，可以节省处理图片时间。

2.2 提取全局最优颜色系数

本文提出的RM-PSO提取全局最优颜色系数方法具体操作步骤如下：

1）根据空间整体大小、粒子收敛速度与收敛效果，对变异反向粒子群各项参数进行初始化，包括设置粒子群粒子规模M，粒子迭代次数上限T，粒子加速度系数c1、c2，粒子群内粒子随机初始位置以及初始速度。

2）根据式（5）置入反向粒子群组，分别计算初始粒子群组与反向粒子群组适应度函数值。对初始粒子与反向粒子进行筛选组成新的组群进行搜索。

3）根据式（14）判断粒子是否属于稳定粒子。当出现稳定状态粒子时，对该粒子进行变异处理，如式（12）。所有粒子均处于活跃状态时转5）。

4）对活跃粒子进行速度位置更新，将稳定粒子转为变异粒子后对全局最优粒子进行更新，迭代次数加1，转6）。

5）根据式（1）～（2）对粒子位置速度进行更新，累加迭代次数。

6）判断当前迭代次数是否达到迭代上限，若迭代次数大于T，停止迭代，输出全局最优粒子解，否则重回3）。

7）将数据库内所有样本图像进行最优解提取，组成最优解集。分别计算解集内每个元素满意度系数。

8）选出满意度最高粒子，将该粒子解作为最优颜色系数。

2.3 田间作物分割方法

提取出全局最优颜色系数后，代入公式（15）对采集图像进行灰度化处理。灰度化后的图像进行二值化处理便能完成田间作物的分割。

本文采用最大类间方差法（OTSU）对灰度图像进行二值化处理。最大类间方差法计算简单，在处理灰度直方图双峰明显的图像时，不易受图像对比度与亮度变化的影响。而对田间作物图像来说，一般其图像红绿特征比例较大，其灰度直方图大致都体现为双峰形式。分割方法框图如图1所示。

图1 田间作物分割方法原理框图Fig.1 Principle block diagram of field crops segmentation method

3 试验与结果分析

3.1 离线提取最优颜色系数

为了验证本文算法的分割效果、分割速度以及提取颜色系数的适应性，针对不同的作物，分别建立样本容量为 30的数据库。采集苗期玉米、小麦 、棉花图片各30幅，其中包括晴天采集图片15幅、阴天10幅、雨天5幅，其中玉米图片为2016年于吉林农业大学试验田采集，棉花及小麦图片于2016年采集自河北正定。三类图片的大小均为2347×1728像素、格式为JPG的彩色图片。

试验采用本文提出的RM-PSO算法离线对样本数据库的最优颜色系数进行提取。离线与在线试验均在Matlab R2012a软件平台下进行，运行计算机配置为 Intel Core(TM)i5，3.1 GHz，4 GB内存。RM-PSO的各项参数设置为：粒子群初始规模 M=30；最大迭代次数 T=50；学习因子 c1=2、c2=1.5；惯性因子ω从 0.95线性递减到0.5；反向搜索边界范围为[–2,2]。

试验结果显示，采用RM-PSO方法离线提取的玉米颜色系数取值为 r=–0.792，g=1.149，b=–0.396；小麦取值为 r=–0.642，g=1.030，b=–0.447；棉花取值为 r=–0.819，g=1.219，b=–0.500。再利用对应作物提取的颜色系数，分别对时间地点均为随机采集的30幅对应作物测试图像进行分割。

3.2 田间作物分割评价指标及结果分析

3.2.1 分割评价指标

错分率ER[30]经常用来评价图像分割质量，本文采用错分率对 5种方法的分割图像效果及处理时间进行定量评价分析，如式（20）所示。

式中sN为图片像素总数，eN为分割图像和标准图像之间误差区域像素数。当分割结果越接近标准图像时，eN值变小，错分率变低。不同算法错分率及处理时间对比如表1所示。

表1 不同分割方法错分率及处理时间对比Table 1 Comparison of error distinguish rate and processing time of different algorithms

根据表1中数据可以看出，相对于其他4种方法，在不同的农田场景下，本文方法均能保证较低的错分率。统计90幅测试图像数据，在算法的分割准确率方面，本文方法RM-PSO错分率均值为4.8%，低于HSI算法、EXG法、Mean-shift神经网络算法及传统PSO方法的11.3%、19.5%、5.7%、7.6%；而在算法稳定性方面，本文算法RM-PSO错分率标准差达到 3.1%，相较于 HSI算法的7.2%、EXG法的14.7%、传统PSO算法的7.9%，本文算法具有更高的稳定性。同时，传统PSO方法在小样本数据库中训练得到的最优颜色系数，由于单个样本容易陷入局部最优生成无效最优解，影响提取结果，而本文方法通过反向变异策略保证了单个样本最优解提取质量。

在处理速度方面，由于 HSI算法在空间转换过程中存在非线性变化，处理时间相对较长，平均处理时间为0.908 s。基于Mean-shift神经网络算法虽然利用反向传播算法通过在神经网络里增加一个隐蔽层，但由于网络层数的增加，算法处理图片速度达到了1.942 s，难以满足作业中对实时性的要求。而EXG法、传统PSO方法与本文方法相比均为线性变化，处理时间相近，分别为0.303、0.319、0.311 s。

3.2.2 分割试验及结果分析

利用3.1节中不同作物的最优颜色系数分别对玉米、棉花、小麦3种作物各30幅随机采集的图像进行灰度化，再利用 OTSU算法对图像进行分割。为了能够有针对性地对试验结果进行讨论，本文以玉米为例，对分割结果进行分析，部分试验结果如图 2所示。为了对比每种分割方法的分割效果，图2b给出了分割标准图，标准图采用 GIMP软件人工处理选择有效植被作为分割目标。试验选取了目前常用的EXG法、HSI算法、Mean-shift神经网络分割算法、传统PSO算法及本文方法RM-PSO对测试图片进行了分割，分割结果如图4c-4f所示。

图2 不同处理方法分割结果Fig.2 Segmentation image using different algorithm

图2 c可以看出，EXG法能够适应一定范围的光照变化，同时不受作物阴影影响，但在面对光照变化大及干扰物较多的农田场景时，该算法对作物信息并不敏感，明显出现作物信息缺失现象。利用HSI空间内H分量对作物信息进行提取，能够应对不同光照场景，但从图 2d不难发现，该方法易受噪声干扰，且将干扰物误认为提取目标，针对作物阴影出现了误识别。采用 Mean-shift神经网络分割算法在处理不同光照与作物阴影时能够有效提取目标作物，但处理时间较长。

从图2f可以看出，传统PSO方法分割的效果较差，这是因为传统PSO方法选取最优颜色系数时，颜色系数依赖于初始粒子质量，一旦随机初始粒子位置不理想，粒子收敛速度过慢，极易陷入局部最优值。传统方法试验中，当训练样本较小时，样本最优解集中多个解的满意度Sat过小，使得最终得到的最优颜色系数环境适应度较差，同时分割效果也并不理想。而本文方法在处理不同光照不同作物密度及干扰物的农田图像时，均能取得较好的分割效果，提取的颜色系数具有较强的适应性。

4 结 论

本文提出一种基于RM-PSO（reverse mutation- particle swarm optimization）算法的田间作物分割方法。文中提出了新的反向变异（RM）策略优化初始粒子群质量，避免粒子群陷入局部最优。在RGB颜色空间内，采用本文方法搜索空间内最优解，建立满意度函数提取样本数据库中的全局最优颜色系数，对作物图像进行灰度化处理，然后进行阈值分割得到田间作物分割的最终结果。随机选取不同作物采集图片，对算法进行测试分析，相比于传统颜色分割方法，本文方法平均错分率仅为4.8%，低于HSI算法、EXG法以及mean-shift神经网络分割算法的11.3%、19.5%、5.7%；标准差值为3.1%，相较于HSI算法的7.2%、EXG法的14.7%、及传统PSO方法的7.9%，本文算法具有更高的稳定性；本文方法采用离线小样本训练，减少训练时间，并采用离线和在线处理相结合的方式，平均处理时间为0.311 s，而HSI方法为0.908 s，Mean-shift神经网络分割算法为1.942 s。综上所述，本文算法识别速度快、精度高、训练样本小，可为农田路径导航，杂草识别等大田作业提供技术支持。

[1] Burgos-Artizzu X P, Ribeiro A, Tellaeche A, et al. Analysis of natural images processing for the extraction of agricultural elements[J]. Image and Vision Computing, 2010, 28(1):138－149.

[2] Hamuda E, Glavin M, Jones E. A survey of image processing techniques for plant extraction and segmentation in the field[J]. Computers and Electronics in Agriculture, 2016,125(7): 184－199.

[3] Woebbecke D M, Meyer G E, Von Bargen K, et al. Plant species identification, size, and enumeration using machine vision techniques on near-binary images[J]. SPIE Opt.Agriculture and Forestry, 1992, 1836(1): 208－219.

[4] Woebbecke D M, Meyer G E, Von Bargen K, et al. Shape features for identifying young weeds using image analysis[J].Transactions on American Society of Agricultural Engineering,1995, 38(1): 271－281.

[5] Neto J C, Meyer G E. Crop species identification using machine vision of computer extracted individual leaves. International Society for Optics and Photonics[J]. Proceedings of SPIE,2005, 5996: 64－74.

[6] Hunt E R, Cavigelli M, Daughtry C S T, et al. Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status[J]. Precision Agriculture,2005, 6(4): 359－378.

[7] Hague T, Tillet N D, Wheeler H. Automated crop and weed monitoring in widely spaced cereals[J]. Precision Agriculture,2006, 7(1): 95－113.

[8] 翟瑞芳，方益杭，林承达，等. 基于高斯 HI 颜色算法的大田油菜图像分割[J]. 农业工程学报，2016，32(8)：142－147.Zhai Ruifang, Fang Yihang, Lin Chengda, et al. Segmentation of field rapeseed plant image based on Gaussian HI color algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(8): 142－147. (in Chinese with English abstract)

[9] Bai X D, Cao Z G, Wang Y, et al. Crop segmentation from images by morphology modeling in the CIE Lab color space[J]. Computers and Electronics in Agriculture, 2013,99(11): 21－34.

[10] 陈晓倩，唐晶磊，王栋. 基于 SLIC方法的光照偏强农田图像分割研究[J]. 计算机工程与应用，2017，11(2)：1－8.Chen Xiaoqian, Tang Jinglei, Wang Dong. Research on farmland image segmentation based on SLIC method under strong light[J]. Computer Engineering and Applications,2017, 11(2): 1－8. (in Chinese with English abstract)

[11] Hernández-Hernández J L, García-Mateos G, González-Esquiva J M, et al. Optimal color space selection method for plant/soil segmentation in agriculture[J]. Computers and Electronics in Agriculture, 2016, 122(3): 124－132.

[12] 伍艳莲，赵力，姜海燕，等. 基于改进均值漂移算法的绿色作物图像分割方法[J]. 农业工程学报，2014，30(24)：161－167.Wu Yanlian, Zhao Li, Jiang Haiyan, et al. Image segmentation method for green crops using improved mean shift[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(24):161－167. (in Chinese with English abstract)

[13] Bai Xiaodong, Cao Zhiguo, Wang Yu, et al. Vegetation segmentation robust to illumination variations based on clustering and morphology modelling[J]. Bioprocess and Biosystems Engineering, 2014, 125(9): 80－97.

[14] Ruiz-Ruiz G, Gómez-Gil J, Navas-Gracia L M. Testing different color spaces based on hue for the environmentally adaptive segmentation algorithm (EASA)[J]. Computers and Electronics in Agriculture, 2009, 68(1), 88－96.

[15] Zheng L, Zhang J, Wang Q. Mean-shift-based color segmentation of images containing green vegetation[J]. Computers and Electronics in Agriculture, 2009, 65(1): 93－98.

[16] Guo W, Rage U K, Ninomiya S. Illumination invariant segmentation of vegetation for time series wheat images based on decision tree model[J]. Computers and Electronics in Agriculture. 2013, 96(8): 58－66.

[17] Guerrero J M, Pajares G, Montalvo M, et al. Support vector machines for crop/weeds identification in maize fields[J].Expert Systems with Applications, 2012, 39(12): 11149－11155.

[18] 张志斌，罗锡文，臧英，等. 基于颜色特征的绿色作物图像分割算法[J]. 农业工程学报，2011，27(7)：183－189.Zhang Zhibin, Luo Xiwen, Zang Ying, et al. Segmentation algorithm based on color feature for green crop plants[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(7)：183－189. (in Chinese with English abstract)

[19] 阎庆，梁栋，张东彦，等. 基于监督局部线性嵌入算法的玉米田间杂草识别[J]. 农业工程学报，2013，29(14)：171－177.Yan Qing, Liang Dong, Zhang Dongyan, et al. Recognition of weed in corn field based on supervised locally linear embedding algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2013, 29(14): 171－177. (in Chinese with English abstract).

[20] 彭红星，邹湘军，陈琰，等. 基于演化算法的水果图像分割[J]. 农业工程学报，2014，30(18)：294－301.Peng Hongxing, Zou Xiangjun, Chen Yan, et al. Fruit image segmentation based on evolutionary algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014,30(18): 294－301. (in Chinese with English abstract)

[21] Wang H, Wu Z, Rahnamayan S, et al. Enhancing particle swarm optimization using generalized opposition- based learning[J]. Information Sciences, 2011, 181(20): 4699－4714.

[22] 胥小波，郑康锋，李丹，等. 新的混沌粒子群优化算法[J].通信学报，2012，33(1)：24－37.Xu Xiaobo, Zheng Kangfeng, Li Dan, et al. New chaos-particle swarm optimization algorithm[J]. Journal on Communications,2012, 33(1): 24－37. (in Chinese with English abstract)

[23] 刘爱军，杨育，李斐，等. 混沌模拟退火粒子群优化算法研究及应用[J]. 浙江大学学报(工学版)，2013，47(10)：1722－1730.Liu Aijun, Yang Yu, Li Fei, et al. Research and application of chaotic simulated annealing particle swarm optimization algorithm[J]. Journal of Zhejiang University (Engineering Edition), 2013, 47(10): 1722－1730. (in Chinese with English abstract)

[24] 刘逸. 粒子群优化算法的改进及应用研究[D]. 西安：西安电子科技大学，2013.Liu Yi. Improvement and Application of Particle Swarm Optimization Algorithm[D]. Xi'an: Xidian University, 2013.(in Chinese with English abstract)

[25] 刘坤，谭营，何新贵. 基于粒子群优化的过程神经网络学习算法[J]. 北京大学学报(自然科学版)，2011，47(2)：238－244.Liu Kun, Tan Ying, He Xingui. The process neural network learning algorithm based on particle swarm optimization[J].Journal of Peking University (Natural Science Edition),2011,47(2): 238－244. (in Chinese with English abstract)

[26] 巢渊，戴敏，陈恺，等. 基于广义反向粒子群与引力搜索混合算法的多阈值图像分割[J]. 光学精密工程，2015，23(3)：879－886.Chao Yuan, Dai Min, Chen Kai, et al. Image segmentation of multilevel threshold using hybrid PSOGSA with generalized opposition-based learning[J]. Optics and Precision Engineering,2015, 23(3): 879－886. (in Chinese with English abstract)

[27] 夏学文，刘经南，高柯夫，等. 具备反向学习和局部学习能力的粒子群算法[J]. 计算机学报，2015，38(7)：1397－1407.Xia Xuewen, Liu Jingnan, Gao Kefu, et al. Particle swarm optimization algorithm with reverse-learning and locallearning behavior[J]. Chinese Journal of Computers, 2015,38(7): 1397－1407. (in Chinese with English abstract)

[28] 王晖. 基于柯西变异的混合粒子群算法研究[D]. 北京：中国地质大学，2008.Wang Hui. Research on Hybrid Particle Swarm Algorithms with Cauchy Mutation[D]. Beijing: China University of Geosciences, 2008. (in Chinese with English abstract)

[29] 吕立国，季伟东. 结合质心思想和柯西变异策略的粒子群优化算法[J]. 计算机应用，2017，37(5)：1369－1375,1418.Lv Liguo, Li Weidong. Combining the particle swarm optimization algorithm of the center of mass mind and cauchy’s variation strategy [J]. Computer Application, 2017,37(5): 1369－1375,1418. (in Chinese with English abstract)

[30] 邓晓政，焦李成，卢山. 基于非负矩阵分解的谱聚类集成SAR图像分割[J]. 电子学报，2011，39(12)：2905－2909.Deng Xiaozheng, Jiao Licheng, Lu Shan. Spectral clustering ensemble applied to SAR image segmentation using nonnegative matrix factorization[J]. Acta Electronica Sinica,2011, 39(12): 2905－2909. (in Chinese with English abstract)