Optics and Precision Engineering, Volume. 32, Issue 6, 930(2024)
Multi-threshold image segmentation method of QFN chip based on improved grey wolf optimization
Figures & Tables(14)
Fig. 3. Original images ， the corresponding histograms and segmentation results
Fig. 5. Convergence curves of Kapur entropy by five-threshold segmentation
Table 1. Initialization parameter settings for each comparative algorithm
View tableView in ArticleTable 1. Initialization parameter settings for each comparative algorithm
算法 参数 取值 GWO r1，r2，r3 ［0，1］ DSF-GWO ω 2.5 LSSA C2，C3 ［0，1］ 莱维参数 1.5 INGO n 1.02e+04 IGWO r1，r2，r3 ［0，1］ ω1 1+t/Tmax ω2，ω3 1 k1 0.8 k2 0.2 k3 a k4 a/2
Table 2. Population size and number of iterations settings of algorithms
View tableView in ArticleTable 2. Population size and number of iterations settings of algorithms
组号 实验内容 种群数量 最大迭代次数 1 消融实验 50 100 2 基准函数实验 30 500 3 图像分割实验 50 100
Table 3. Results of standard test functions
View tableView in ArticleTable 3. Results of standard test functions
序号 基准函数 评价指标 GWO DSF-GWO LSSA INGO IGWO 1 F1 mean 9.46×10-28 0 6.68×10-5 0 1.11e×10-292 std 1.04×10-27 0 1.62×10-4 0 0 2 F2 mean 8.55×10-17 1.13×10-195 0.25 0 3.79×10-148 std 7.25×10-17 0 0.46 0 1.57×10-148 3 F3 mean 4.54×10-6 0 2.04×10-3 0 2.37×10-285 std 6.35×10-6 0 1.17×10-3 0 0 4 F4 mean 6.85×10-7 2.51 ×10-185 12.23 5.67×10-143 5.68×10-143 std 6.93×10-7 0 2.76 2.18×10-143 2.18×10-143 5 F5 mean 1.98×10-2 1.97 ×102 7.29×106 1.99×102 1.97 ×102 std 0.41 0.4 1.76×106 0 0.05 6 F7 mean 0.84 1.04 7.05 ×10-5 7.5 3.77 std 0.49 0.49 2.82×10-4 0 0.86 7 F9 mean 2.49 0 60.43 0 0 std 2.96 0 17.28 0 0 8 F10 mean 1.03×10-13 8.89×10-16 2.02 8.89×10-16 8.88 ×10-16 std 2.06×10-14 0 0.74 0 0 9 F11 mean 4.28×10-3 0 1.39×10-2 0 0 std 8.83×10-3 0 1.08×10-2 0 0
Table 4. Description of different improved GWO algorithms
View tableView in ArticleTable 4. Description of different improved GWO algorithms
算法名称 改进点 IGWO1 仅改进衰减因子a IGWO2 仅改进位置更新公式（包括反向学习） IGWO3 仅引入头狼靠拢策略 IGWO4 仅交替引入头狼靠拢策略和种群变异策略 IGWO 引入上述所有改进点
Table 5. Results of ablation experiments for IGWO
View tableView in ArticleTable 5. Results of ablation experiments for IGWO
测试图像 评价指标 GWO IGWO1 IGWO2 IGWO3 IGWO4 IGWO Lena mean 20.748 8 20.746 2 20.758 1 20.760 7 20.760 6 20.760 7 std 0.026 306 11 0.036 528 49 0.008 967 50 0.000 074 66 0.000 134 87 0.000 042 90 best 20.760 8 20.760 8 20.760 8 20.760 8 20.760 8 20.760 8 worst 20.652 2 20.616 6 20.714 7 20.760 6 20.760 6 20.760 6 t（s） 0.731 1 0.732 2 0.734 3 0.733 2 0.734 4 0.731 5 NS 4 22 20 26 11 28 Pepper mean 21.529 6 21.523 0 21.525 0 21.530 8 21.530 8 21.530 9 std 0.003 872 04 0.026 674 06 0.017 662 54 0.000 123 85 0.000 150 91 0 best 21.530 9 21.530 9 21.530 9 21.530 9 21.530 9 21.530 9 worst 21.514 4 21.409 1 21.457 3 21.530 3 21.530 3 21.530 9 t（s） 0.727 1 0.727 1 0.728 4 0.751 6 0.726 3 0.726 8 NS 10 24 12 24 20 30 Baboon mean 20.920 2 20.913 7 20.914 0 20.922 2 20.922 2 20.922 2 std 0.010 723 54 0.026 162 42 0.017 034 05 0.000 051 82 0.000 081 55 0.000 040 91 best 20.922 2 20.922 2 20.922 2 20.922 2 20.922 2 20.922 2 worst 20.863 4 20.822 3 20.853 9 20.922 1 20.922 0 20.922 1 t（s） 0.721 3 0.724 4 0.724 7 0.722 5 0.723 5 0.721 6 NS 15 23 18 27 22 28 Building mean 21.388 1 21.386 8 21.383 7 21.392 8 21.398 2 21.398 4 std 0.026 430 53 0.034 148 29 0.030 042 49 0.021 259 51 0.000 308 42 0.000 264 70 best 21.398 5 21.398 5 21.398 5 21.398 5 21.398 5 21.398 5 worst 21.291 8 21.265 2 21.287 2 21.314 6 21.397 6 21.397 1 t（s） 0.730 7 0.731 3 0.733 5 0.734 1 0.733 3 0.730 1 NS 4 20 17 23 16 27
Table 6. Segmentation results of comparative algorithms
View tableView in ArticleTable 6. Segmentation results of comparative algorithms
测试
图像
分割算法 阈值个数 2 3 4 5 阈值 熵值 阈值 熵值 阈值 熵值 阈值 熵值 QFN3 GWO （54，117） 10.372 0 （54，108，143） 13.254 3 （48，79，111，147） 15.936 1 （54，112，162，209，255） 18.574 5 DSF-GWO （54，117） 10.372 0 （54，108，143） 13.254 3 （51，81，112，147） 15.944 9 （55，112，162，209，255） 18.573 7 LSSA （54，117） 10.372 0 （54，108，143） 13.254 3 （51，81，112，146） 15.945 0 （55，112，160，207，255） 18.573 6 INGO （54，117） 10.372 0 （54，108，143） 13.254 3 （51，81，112，146） 15.945 0 （54，112，162，209，255） 18.574 5 IGWO （54，117） 10.372 0 （54，108，143） 13.254 3 （51，81，112，146） 15.945 0 （54，112，162，209，255） 18.574 5 QFN4 GWO （74，124） 10.380 1 （61，93，128） 13.061 4 （61，90，120，148） 15.709 6 （74，121，169，212，255） 18.495 3 DSF-GWO （74，124） 10.380 1 （61，90，124） 13.064 7 （61，88，120，147） 15.709 2 （74，121，171，212，255） 18.494 4 LSSA （74，124） 10.380 1 （61，91，128） 13.063 1 （61，88，120，147） 15.709 2 （74，121，169，211，255） 18.495 8 INGO （74，124） 10.380 1 （61，90，124） 13.064 7 （61，90，120，147） 15.709 8 （74，121，169，211，255） 18.495 8 IGWO （74，124） 10.380 1 （61，90，124） 13.064 7 （61，90，120，147） 15.709 8 （74，121，169，211，255） 18.495 8
Table 6. Segmentation results of comparative algorithms
View tableView in ArticleTable 6. Segmentation results of comparative algorithms
测试
图像
分割算法 阈值个数 2 3 4 5 阈值 熵值 阈值 熵值 阈值 熵值 阈值 熵值 QFN1 GWO （60，117） 10.347 9 （60，109，139） 13.112 5 （54，81，113，141） 15.751 2 （60，117，171，210，255） 18.379 5 DSF-GWO （60，117） 10.347 9 （60，109，139） 13.112 5 （54，81，113，140） 15.751 3 （60，115，171，211，255） 18.376 8 LSSA （60，117） 10.347 9 （60，109，139） 13.112 5 （54，81，113，140） 15.751 3 （60，117，171，211，255） 18.380 5 INGO （60，117） 10.347 9 （60，109，139） 13.112 5 （54，81，113，140） 15.751 3 （60，117，171，211，255） 18.380 5 IGWO （60，117） 10.347 9 （60，109，139） 13.112 5 （54，81，113，140） 15.751 3 （60，117，171，211，255） 18.380 5 QFN2 GWO （62，119） 10.190 7 （62，102，131） 12.857 3 （61，87，115，140） 15.418 3 （62，119，174，210，255） 21.376 7 DSF-GWO （62，119） 10.190 7 （65，106，132） 12.848 9 （61，87，115，140） 15.418 3 （62，118，175，210，255） 21.245 4 LSSA （62，119） 10.190 7 （62，102，132） 12.857 1 （61，87，115，140） 15.418 3 （62，119，174，210，255） 21.376 7 INGO （62，119） 10.190 7 （62，102，131） 12.857 3 （61，87，115，140） 15.418 3 （62，119，174，210，255） 21.376 7 IGWO （62，119） 10.190 7 （62，102，131） 12.857 3 （61，87，115，140） 15.418 3 （62，119，174，210，255） 21.376 7
Table 7. PSNR and FSIM of comparative algorithms
View tableView in ArticleTable 7. PSNR and FSIM of comparative algorithms
测试图像 评价指标 GWO DSF-GWO LSSA INGO IGWO QFN1 PSNR 21.203 7 21.286 3 20.990 8 21.308 8 21.308 8 FSIM 0.875 3 0.879 4 0.874 6 0.880 1 0.880 1 QFN2 PSNR 18.734 8 18.735 0 18.983 7 18.983 7 18.983 7 FSIM 0.868 0 0.864 7 0.868 0 0.868 0 0.868 0 QFN3 PSNR 19.333 7 21.568 0 21.568 0 21.568 0 21.639 1 FSIM 0.854 4 0.897 6 0.897 6 0.897 6 0.898 4 QFN4 PSNR 20.876 4 21.168 5 20.986 4 20.986 4 20.986 4 FSIM 0.864 3 0.868 0 0.866 6 0.866 6 0.866 6
Table 8. Mean values， standard deviation， optimal and worst values of the entropy function and running times of comparative algorithms
View tableView in ArticleTable 8. Mean values， standard deviation， optimal and worst values of the entropy function and running times of comparative algorithms
测试图像 评价指标 GWO DSF-GWO LSSA INGO IGWO QFN1 mean 18.375 1 18.379 1 18.370 5 18.380 1 18.380 5 std 0.011 379 82 0.001 213 73 0.051 017 78 0.000 849 46 0.000 330 28 best 18.380 5 18.380 5 18.380 5 18.380 5 18.380 5 worst 18.338 5 18.376 1 18.100 4 18.376 6 18.379 2 t（s） 0.359 483 0.709 210 0.490 447 1.416 069 0.361 398 QFN2 mean 18.151 5 18.163 3 18.166 1 18.167 1 18.168 0 std 0.034 509 40 0.003 249 93 0.002 869 51 0.002 132 61 0.000 000 00 best 18.168 0 18.168 0 18.168 0 18.168 0 18.168 0 worst 18.023 0 18.151 6 18.161 5 18.158 7 18.168 0 t（s） 0.359 663 0.707 949 0.492 387 1.450 719 0.356 361 QFN3 mean 18.570 2 18.573 5 18.555 5 18.574 4 18.574 5 std 0.011 987 28 0.000 796 10 0.049 052 14 0.000 230 29 0.000 031 12 best 18.574 5 18.574 5 18.574 5 18.574 5 18.574 5 worst 18.519 1 18.571 5 18.431 1 18.573 6 18.574 4 t（s） 0.389 905 0.752 073 0.510 548 1.532 262 0.382 314 QFN4 mean 18.490 8 18.492 4 18.495 5 18.495 6 18.495 8 std 0.010 392 50 0.002 819 84 0.000 679 20 0.000 532 06 0 best 18.495 8 18.495 3 18.495 8 18.495 8 18.495 8 worst 18.448 5 18.480 8 18.493 7 18.493 7 18.495 8 t（s） 0.366 249 0.702 404 0.495 743 1.417 433 0.352 128
Tools
Get Citation
Copy Citation Text
Yuan CHAO, Wei XU, Wenhui LIU, Zhen CAO, Min ZHANG. Multi-threshold image segmentation method of QFN chip based on improved grey wolf optimization[J]. Optics and Precision Engineering, 2024, 32(6): 930
Paper Information
Category:
Received: Aug. 22, 2023
Accepted: --
Published Online: Apr. 19, 2024
The Author Email:
© Copyright 2018-2021 | Chinese Laser Press.
All Rights Reserved 沪ICP备15018463号-20