基于FFWA的自適應Canny飛機蒙皮紅外圖像邊緣檢測

王 坤，劉沛倫，王 力

基于FFWA的自適應Canny飛機蒙皮紅外圖像邊緣檢測

王 坤，劉沛倫，王 力

（中國民航大學，電子信息與自動化學院，天津 300300）

針對傳統自適應Canny算法閾值選取精度低、速度慢的不足，提出基于快速煙花算法（Fast Fireworks Algorithm，FFWA）的自適應Canny邊緣檢測算法，該算法采用最大類間方差法結合快速煙花算法對檢測和連接邊緣的高低閾值進行自動設定?？焖贌熁ㄋ惴▽鹘y煙花算法的爆炸半徑，爆炸火花產生方式與選擇策略進行改進。實驗結果表明，快速煙花算法比傳統煙花算法的計算時間節省了36%，在穩定性方面也有了可觀的提升，基于快速煙花算法的自適應Canny邊緣檢測算法在精度保持不變的情況下，計算速度比改進前加快了49%，使飛機蒙皮損傷熱像圖的邊緣檢測效果更加理想。

邊緣檢測；煙花算法；Canny算法；最大類間方差法；自適應

0 引言

蒙皮是飛機運行中最容易出現損傷的零部件，因其直接與外部環境相接觸，很容易產生裂紋、積水、腐蝕等故障。這些故障大都難以用肉眼察覺，卻又直接影響著飛機的飛行安全[1]。因此，如何對飛機蒙皮的故障進行快速準確地邊緣檢測顯得尤為重要。目前的檢測手段主要有：射線檢測、渦流檢測、磁粉檢測、滲透檢測和超聲檢測等[2]。紅外熱成像檢測有著范圍廣、速度快、穩定非接觸等優點，已成為重要的檢測手段[3]。但紅外圖像分辨率低且灰度較為集中，如何準確快速地對紅外圖像進行邊緣提取尤為重要。

Canny算法[4]因其較優的信噪比和檢測精度，在圖像處理方面得到了廣泛應用。但傳統的Canny算法在雙閾值的選擇上缺乏自適應性。因此，眾多自適應Canny算法被提出，李二森等[5]提出的自適應Canny邊緣檢測算法利用全局閾值分割法來尋找動態閾值，但此法精確度較低。杜磊等[6]采用圖片信息熵最大時的閾值作為圖像的自適應閾值。郭方方等[7]和宋人杰等[8]利用了最大類間方差法（Otsu）來確定Canny的分割閾值。這種方法雖然閾值精度較高，但計算量大，在處理大型圖像時運算緩慢。考慮引入煙花算法來減少最大類間方差法（Otsu）的計算時間。

煙花算法（Fireworks Algorithm，FWA）[9-11]是Tan等在2010年提出的一種先進的、高效的群體智能算法，具有全局探索、局部暴發、分布并行等優點。但煙花算法也存在一定的不足，總體來說主要有以下4個方面：①爆炸半徑機制缺乏自適應性，從而導致適應度值最好的煙花爆炸半徑會被限制在極小的范圍，致使具備最多爆炸火花數的最優煙花幾乎喪失局部挖掘的能力，浪費計算資源。②當前適應度值最優的火花被直接保留為下一代的煙花，導致算法一旦陷入局部最優則很難跳出。③高斯變異火花在增加解的多樣性方面作用有限，反而耗費了大量的計算時間。④每個煙花爆炸后依然作為下一代的火花，導致重復計算，降低了計算效率。

近些年來，科研工作者針對上述問題投入了大量精力，提出了眾多改進型的煙花算法，并表現出良好的性能。王亮等[12]在算法的搜索過程中引入了柯西變異算子，并改進了選擇策略，使新的算法具備了更多樣的爆炸火花與更精確的收斂精度。Shaoqiu Zheng等[13]針對FWA的選擇策略做出改進，給煙花之間加入了合作機制，使算法在全局探索和收斂速度方面有了進步。張水平等[14]的帶有動態爆炸半徑的增強型煙花算法（Enhanced Fireworks Algorithm with Dynamic Explosion Radius，EFWA-DER）改進了傳統煙花算法的基本算子并加入爆炸半徑動態調整的策略，提高了算法的優化性能。Li等[15]的導引煙花算法，在傳統煙花算法中引入導引火花，提高了算法的搜索效率。陶小華等[16]提出的具有導向功能的改進煙花算法（improved FWA with directional function，IDFWA）充分利用了當代最優個體的位置信息以及歷代的全局最優解，改進了傳統煙花算法的搜索方式，消除了爆炸半徑對搜索范圍的限制。以此來使煙花具有更好的搜索能力。Li J.等[17]在改進型煙花算法（Improved Fireworks Algorithm，IFWA）中提出新的爆炸半徑與火花產生方式，以此來提高算法的尋優能力。以上改進型煙花算法都從一定程度上使爆炸火花呈現出多樣性，增強算法跳出局部最優的能力。但煙花算法陷入局部最優的主要原因在于算法在下一代的選擇策略上都無條件地將當前適應度值最好的火花（并不一定是全局最優解范圍內的火花）列入下一代煙花。而這類火花在下一代的爆炸半徑又會非常小，所以算法會無法跳出局部最優，不利于全局探索?；诖?，提出快速煙花算法（Fast Fireworks Algorithm，FFWA），該算法采用不同的爆炸半徑產生方式，使核心煙花的爆炸半徑更加合理，增強了局部挖掘能力；剔除了煙花爆炸序列中本煙花作為第一個爆炸火花的機制，減少了算法的運算量，提高了算法的收斂速度；并且在選擇策略上增加了判斷機制，使算法可以更加輕易地跳出局部最優。

本文主要致力于提升自適應Canny算法中分割閾值的計算速度，引入煙花算法來對圖像的最大類間方差進行尋優，同時針對傳統煙花算法會出現早熟和計算效率低的缺陷，對其爆炸半徑和爆炸火花的生成方式與次代煙花的選擇策略做出改變，提出快速煙花算法，最后通過實驗分析了快速煙花算法和其他尋優算法的表現，對各類自適應Canny算法的計算速度與邊緣提取效果進行了比較。

1 自適應Canny邊緣檢測

1.1 傳統Canny邊緣檢測

傳統的Canny算法主要分為4個部分。首先對圖像的噪聲進行濾波（通常為高斯濾波），然后對去噪后的圖像計算其梯度幅值與方向，其次對圖像的梯度幅值進行非極大值抑制，最后進行雙閾值判定檢測邊緣。

Canny算法中，邊緣的檢測和連接需要根據雙閾值（高閾值THh，低閾值THl）來判斷，其中高閾值主要區分背景與前景，而低閾值主要平滑邊緣，將不連續的部分連接起來。通常低閾值等于1/2～1/3的高閾值，但高閾值的選取則需要按照經驗預設或通過多次實驗不斷改進?？衫米畲箢愰g方差法實現對THh的計算。

1.2 最大類間方差法（Otsu）

最大類間方差法由日本學者大津提出，是根據最小二乘原理得出的一種可以自動選取閾值的算法。在最大類間方差法中，用閾值將圖像分為目標和背景兩部分。目標和背景之間的方差值越大，表示組成圖像的兩部分區分度越高。當一部分背景被錯分為目標或者是當目標被錯分為背景，則會導致兩部分的區分度降低。所以，類間方差最大，則表明錯分的概率最小。假設要分割的圖像的灰度范圍是{0, 1, …,－1}。通過閾值圖像像素將被按式(1)和(2)分為兩個部分：

0＝{0, 1, …,} (1)

1＝{＋1,＋2, …,－1} (2)

0和1分別代表目標和背景。這類圖像的誤差在0和1之間：

()2＝0()*1()*[0()－1()]2(3)

式中：是閾值；0()是圖像灰度值小于閾值的像素數量。1()是圖像灰度值大于閾值的像素數量。0()是圖像灰度值小于閾值的像素平均灰度值。1()是圖像灰度值大于閾值的像素平均灰度值，使得()2最大值的max是最佳分割閾值。

max作為圖像前景與背景的最佳分割閾值，在本質上與Canny算法中的高閾值THh作用是一樣的，可以令THh＝max。通過多次實驗對比得到，THh＝2.5THl時算法提取的邊緣最準確與完整，令THl＝max/2.5，以此來連接邊緣，獲得邊緣檢測圖像。但Otsu計算量較大，耗費時間較長，可通過結合快速煙花算法解決此問題。

2 快速煙花算法

2.1 傳統煙花算法

燃放煙花爆竹是中國傳統節日尤其是除夕的一項重要節日慶祝活動，點燃的煙花被發射到夜空中，爆炸產生火花繼而照亮其臨近的夜空，產生出一幅美麗的圖案。在一個優化問題中，煙花被看作為最優化問題的解空間中一個可行解，那么煙花爆炸產生一定數量火花的過程即為其搜索鄰域的過程[9]。煙花算法由爆炸算子、變異算子、映射規則和選擇策略4部分組成。煙花的爆炸示意圖如圖1所示。

圖1 煙花爆炸示意圖

如圖1所示，煙花爆炸產生火花，然后在所有的煙花與火花中按照選擇策略選擇下一代煙花進行爆炸操作，依次循環迭代，在解空間中尋找最優解。

2.1.1 爆炸算子

在可行解空間隨機產生一些煙花，對其初始化后利用適應度函數計算出適應度值并進行評估，則第（＝1, 2, …,）個煙花爆炸產生的火花數目為：

式中：E是控制個煙花產生火花總數的參數；(x)為第個煙花的適應度值。max＝max(())表示煙花所對應適應度的最大值。是為避免除零操作引入的一個極小正數。為避免生成的S過多或過少，還需對S進行如下限制：

式中：，為爆炸數目限制因子。

根據煙花適應度的好壞，計算不同煙花的爆炸半徑，適應度好的煙花在鄰近區域生成較多的火花，適應度差的煙花在較大范圍內產生較少的火花。計算公式如下：

式中：r為預設的最大爆炸半徑；min＝min(())為煙花所對應適應度值的最小值；為一個極小的正數。

則x生成的第(＝1, 2, …,S)個火花的第(＝1, 2, …,)維度上坐標為：

式中：rand(－1,1)為－1～1之間的隨機數。

2.1.2 變異算子

在傳統煙花算法中產生第(＝1, 2,…,)個高斯火花的第(＝1, 2, …,)維度上的坐標為：

式中：Gaussian(1,1)代表平均值為1；標準方差為1的高斯分布。

2.1.3 映射規則

在產生爆炸火花或變異火花時，有可能更新后的坐標超出了取值范圍，這時需要采用一定的映射規則來對越界火花進行修正：

式中：LB,k和UB,k分別表示該優化問題中煙花取值的下邊界與上邊界。

2.1.4 選擇策略

在每一次迭代中，所有的個體（煙花和火花）中，適應度最好的煙花無條件保留到下一代，剩余的－1個個體采用輪盤賭的方式選取，每一個火花被選中的概率為：

式中：(X)為煙花X與其他煙花的距離之和；(X,X)為煙花X與煙花X之間的歐式距離；為所有煙花與火花數目之和。

煙花算法的具體執行步驟為：

步驟1 在解空間隨機生成一定數量煙花，每個煙花都是一個可行解。

步驟2 根據每個煙花所在位置的適應度值，按照各自的爆炸數目（式(4)）爆炸半徑（式(6)）進行爆炸。同時，隨機選取一定數量的煙花進行高斯變異。

步驟3 計算所有的火花的適應度值并排序。

步驟4 判斷是否達到迭代次數，如果是，則輸出最優值，否則，選取下一代煙花。

步驟5 重復以上2, 3, 4步，直到達到迭代次數。

傳統煙花算法的執行流程如圖2所示。

圖2 傳統煙花算法流程圖

如圖2所示，在傳統煙花算法中，火花分為爆炸火花和高斯火花，前者主要負責對解空間進行探索和挖掘，適應度好的煙花在小范圍內生成較多的火花，適應度差的煙花在大范圍內生成較少的火花。而高斯火花的作用主要是增加種群多樣性。

2.2 快速煙花算法

煙花算法的選擇策略為當前最優（適應度值最優）火花作為下一代煙花，其余－1個火花的選擇方式有隨機選取、輪盤賭的方式選取、按照適應度值排序選取等。這些選擇策略都無一例外地直接保留了當前最優火花，而該火花（也是擁有爆炸火花數最多的煙花）在下一代的爆炸半徑幾乎等于0，這樣不僅沒有起到局部挖掘的作用，并且會在其他煙花沒有找到更優點的情況下陷入局部值。因此，對煙花算法的選擇策略增加一個判斷機制，該機制如下：

每一代的當前最優火花必須滿足以下條件之一時，才可以被選擇為下一代煙花。

1）當前最優火花適應度優于上一代最優火花時。

2）當前最優火花適應度劣于上一代最優火花，且滿足接受概率時。

為引入以上判斷機制，需對煙花算法的爆炸半徑計算方式與爆炸火花產生方式進行改變。

2.2.1 爆炸半徑計算方式的改進

在煙花算法中，煙花主要分為兩類，靠近極值點的煙花（當前適應度值較好的煙花）和遠離極值點的煙花（當前適應度值較差的煙花），在算法的計算過程中，兩類煙花分別發揮著不同的作用，前者主要在小范圍內發揮其局部挖掘的能力，后者則在更大的范圍內發揮探索的能力[18]。通過計算不難發現，傳統煙花算法的爆炸半徑計算公式會使擁有爆炸數量最多的最優煙花b的爆炸半徑非常小甚至等于0，這會使b的爆炸火花出現大量重復計算，也是算法容易早熟的原因之一。因此，鄭少秋[19]等在EFWA（enhanced fireworks algorithm）中增加了最小爆炸半徑檢測機制，使每一個煙花的爆炸半徑不會小于min。增強了在算法早期煙花的探索能力。但這種限制最小爆炸半徑的策略過分依賴于算法預先設定的最大迭代次數，而這是人為設定的。事實上，一個優秀的爆炸半徑策略應該讓兩類煙花各自發揮其能力即核心煙花更好的發掘，非核心煙花更好的探索，并且也應該考慮到計算空間的整體信息和當前迭代的次數。基于此，提出一種新的爆炸半徑計算公式：

式中：|X,k－X,k|為第維上當前煙花距離最優煙花的絕對距離，為當前迭代次數。

式(13)主要分為兩部分，第一部分為當前煙花距離最優煙花的絕對距離與空間上下限的比值，全局信息的引入使爆炸半徑的分配更具整體性。第二部分為當前迭代次數的倒數，這一部分主要是保證在算法前期各類煙花均具備良好的探索能力，并且隨著算法深入，逐漸降低對爆炸半徑的影響，使第一部分發揮優勢。圖3為FFWA在Sphere函數上自適應爆炸半徑的取值。

圖3 FFWA在Sphere函數上自適應爆炸半徑的取值

由圖3可知，爆炸半徑的取值整體呈現非線性遞減的趨勢，在算法前期，核心煙花的爆炸半徑足夠大，可以快速鎖定全局最優值的范圍，后期爆炸半徑在合理的范圍內又足夠小，充分發揮了其局部挖掘的能力。而非核心煙花根據與核心煙花的絕對距離與迭代次數的改變，自適應地選取爆炸半徑，合理地在全局進行搜索，使計算過程快速收斂。

2.2.2 爆炸火花產生方式的改進

對于傳統煙花算法（包括絕大多數改進型）為了保留代間信息，都選擇將每一個煙花本身作為下一代爆炸火花的第一個火花。這導致每一代爆炸火花的適應度值評估都會因重復計算而耗費大量時間，當然并不能說這些重復計算是無意義的，因為在傳統煙花算法對后代煙花的選擇策略的前提下，為了保留當前最優與后期收斂，不得不這樣做。但如果在選擇策略中加入當前最優適應度值保存機制，那么就完全不必要進行這些重復計算。因此，新的爆炸方式中，每一個煙花的爆炸火花序列將不再存儲該煙花本身，而是全部生成新的火花，改進后，每一代需要評估的火花數由原先的＝sum(S)＋個減少為￠=sum(S)個，從而使算法在沒有降低全局探索能力的前提下，計算效率得到穩定的提升，且這種改進對各類適應度函數存在普遍適用性。

2.2.3 選擇策略的改進

為了可以避免上一代的火花重復計算浪費時間，又可以使算法在每一代的迭代中保留上一代最優火花的信息，對每一代的最優火花進行一次判斷選擇機制，即每一代的最優火花與當代的最優煙花進行比對，如果適應度更好，則保留為下一代的煙花，反之，則按照一定概率（接受概率）接受。為使結果最終收斂，接受概率也隨迭代次數逐漸收縮，最終接近于零。其余火花按照適應度排序擇優選取。在理論上，這種新的選擇策略既保證了最優值的保存，又使算法更加靈活，避免陷入局部最值，收斂穩定，此外，在改進后的選擇策略中，其余煙花的選取不再依靠歐式距離的計算，又進一步降低了算法的運行時間。

快速煙花算法的具體步驟為：

步驟1 在解空間內隨機設置一定數量的煙花，并設置接受概率與收縮系數。

步驟2 根據式(4)與式(12)規定的爆炸數目與爆炸半徑進行爆炸。FFWA刪除了煙花的高斯變異過程。并且每個煙花的爆炸序列中只儲存爆炸火花的信息，不再對煙花本身進行儲存。

步驟3 計算每個火花的適應度值并排序。

步驟4 判斷是否達到迭代次數，如果是，則輸出迭代結果，否則，判斷當前最優火花是否優于上一代最優煙花，如果是，則將該火花選為下一代煙花，否則按照接受概率選取。剩余煙花按照適應度排序擇優選取。

步驟5 對接受概率進行收縮。

步驟6 重復以上2，3，4步，直到達到迭代次數。

快速煙花算法流程如圖4所示。

圖4 快速煙花算法流程圖

3 基于FFWA的自適應Canny邊緣檢測

本文用快速煙花算法對圖像的類間方差進行尋優，并將求得的最大類間方差作為Canny算法中的高閾值THh，令低閾值THl等于THh/2.5，據此對圖像進行邊緣的檢測與連接，獲得圖像的邊緣。

算法的具體步驟為：

步驟1 對待檢測的圖像進行高斯去噪，降低噪聲對后續計算的影響，防止誤檢測。

步驟2 對去噪后的圖像計算梯度幅值與方向。

步驟3 對梯度幅值進行非極大值抑制，將局部最大值之外的所有梯度值抑制為0。

步驟4 初始化快速煙花算法，將Otsu設置為適應度函數，讀入圖像，循環迭代，輸出最佳分割閾值m。

步驟5 將該閾值賦予Canny算法中的高閾值THh，低閾值THl＝THh/2.5。

步驟6 進行雙閾值檢測和連接邊緣，得到邊緣檢測圖像。

圖5為基于FFWA的自適應Canny邊緣檢測算法流程圖。

4 實驗分析

實驗主要分為兩部分，首先對快速煙花算法，傳統煙花算法，構造型煙花算法[20]，柯西煙花算法與動態搜索煙花算法[21]的計算性能做出對比，然后分別對基于上述算法的自適應Canny邊緣檢測結果進行對比。

實驗系統環境為：Win7，Intel 2.20GHz CPU i5，8G RAM，編程環境為：Matlab 2016a。

4.1 快速煙花算法的性能對比

為了對改進算法的性能進行評估，實驗選取了4個具有全局最優值的標準函數進行對比，如表1所示。此外，共設置了10組不同參數來評估參數對算法的影響，結果表明，不同組的參數設置對算法間的影響微乎其微，僅以表2中參數為例，進行實驗。

表2中，為初始煙花數，為最大爆炸半徑，為爆炸火花總數目，與為爆炸數目限制系數。4個測試函數如表1所示，每個測試函數分別獨立運行20次，迭代次數設定為1000。由于初始煙花的位置對算法結果的影響很大，為了更加客觀地進行比較，消除不確定因素，每次對比的各個算法都使用相同初始位置。并記錄出現的最優值、最差值、平均值與平均運行時間4項數據對算法進行評估。測試對比結果見表3。

圖5 基于FFWA的自適應Canny邊緣檢測算法流程圖

由表3可知，FFWA在1,3,4三個函數中的計算精度均優于其他對照組，2中略差于CFWA。運行時間對比上，每一組的運行時間FFWA都是最低的。綜合來看，FFWA的性能優于其他4個對照組。為了更加直觀地對算法的收斂過程進行評估，給出4個標準函數的收斂曲線，如圖6～圖9所示。

表1 基準測試函數

表2 五種算法的參數設置

表3 測試函數測試結果對比

由圖6～圖9對比可知，因為爆炸半徑的改進，使FFWA的核心煙花可以在算法早期快速定位在最優值附近。所以FFWA的收斂速度均優于其他4個對照組，而擇優選取的選擇策略又使得在算法后期有大量的火花在最優值附近挖掘，保證了算法的精度。值得指出的是，傳統煙花算法因為高斯火花和映射關系的存在，使其在對最優值處于原點附近的函數計算時有著良好的表現，但紅外圖像普遍有著灰度集中，且最佳分割閾值不在零點附近的特點，這就需要算法具備更高的全局搜索能力和更高的計算精度。為驗證FFWA在紅外圖像的性能表現，用紅外熱像儀對飛機損傷蒙皮實拍得到如圖10～圖13所示加熱結束后冷卻不同時刻飛機蒙皮損傷紅外熱像圖。

圖6 Sphere函數收斂曲線

圖7 Ackley函數收斂曲線

圖8 Griewank函數收斂曲線

圖9 Six-hump函數收斂曲線

圖10 積水損傷加熱結束后不同時刻圖像

圖11 脫粘損傷加熱結束后不同時刻圖像

圖12 裂痕損傷加熱結束后不同時刻圖像

分別用FFWA、FWA、IFWA、dynFWA和CFWA計算圖10～圖13中蒙皮損傷圖像的邊緣檢測閾值。并記錄在20次迭代過程中各個算法的平均耗時，平均迭代次數和總誤差，總誤差為20次試驗中收斂閾值和遍歷得到的真實值差的總和。實驗結果在表4給出。

由表4可知，在不同損傷的蒙皮紅外圖像中，FWA的總誤差較大，可見FWA的性能在一定程度上依賴于適應度函數的選取，當適應度函數的全局最優值離零點較遠時，可靠性較差。而改進后的FFWA卻可以在不同的適應度函數中有著較高的可靠性。計算時間上，FFWA的計算耗時明顯低于其他對照組，其中平均比FWA節省了36%，比dynFWA節約了約20%。算法的可靠性方面FFWA，IFWA，CFWA在20次實驗中均呈現出較高的可靠性，dynFWA與FWA出現了早熟的情況。

在大量實驗中，不同圖像中算法的收斂曲線差異性不大，由于篇幅限制，給出兩個具有代表性的收斂曲線，分別是＝100s時的積水損傷閾值收斂曲線（圖14）與＝100s時的脫粘損傷閾值收斂曲線（圖15）。

由圖14可知，FWA與dynFWA收斂于局部最優，FFWA，CFWA，IFWA都在計算初期收斂于最優值范圍內，且收斂于最佳閾值附近。圖15收斂曲線和圖14類似，但值得指出的是dynFWA特殊的核心煙花爆炸半徑機制使其依賴于初始煙花的位置，如果初始煙花在最優值周圍，那么dynFWA無論在速度還是精度方面都有著很良好的表現，如果初始煙花離最優點位置較遠，那么最優煙花的爆炸半徑會越來越大，使得其火花落在最優值周圍的概率很低，會出現收斂非常慢的現象。通過圖14、圖15可知，改進后的煙花算法可以在較低的代數內收斂于全局最優值。

圖13 腐蝕損傷加熱結束后不同時刻圖像

表4 各個算法的實驗結果

圖14 積水損傷紅外熱像圖閾值計算的收斂曲線

圖15 脫粘損傷紅外熱像圖閾值計算的收斂曲線

4.2 邊緣檢測結果的對比

針對大量冷卻時間不同紅外圖像進行邊緣檢測，結果表明在＝100s時的損傷邊緣特征最明顯，邊緣檢測效果最優。為驗證本文算法的有效性，分別用本文算法，基于全局閾值的自適應Canny算法（文獻[5]算法），基于最大熵的自適應Canny算法（文獻[6]算法），基于Otsu的自適應Canny算法（文獻[7]算法）對＝100s時的積水、脫粘、裂痕與腐蝕圖像進行邊緣檢測，檢測結果如圖16～圖19所示。并以運行時間、分割閾值與Pratt品質因數（Pratt figure of merit，PFOM）[22]來作為算法的評價指標，品質因數用來評價邊緣點的定位精度：

式中：A為檢測到的邊緣點；I為理想邊緣點；為理想邊緣點與檢測到的邊緣點連線的垂直距離。是對邊緣錯位時的懲罰系數（本次實驗取0.1）Pratt值越大，則表明檢測到的邊緣越準確。理想邊緣為人工標記的邊緣圖像。檢測結果如表5所示。

由表5可知，本文算法和文獻[7]算法具有同樣的檢測閾值和Pratt品質因數，但本文算法的計算耗時卻比文獻[7]算法減少了49%，比文獻[6]算法減少了52%，比文獻[5]算法減少了30%。從圖16～圖19中可以更加直觀地進行對比。文獻[5]算法只在腐蝕圖中檢測結果較好，其他3幅圖像均有明顯的誤判，文獻[6]算法基本可以檢測出損傷邊緣，本文算法與文獻[7]算法一樣，都對蒙皮損傷邊緣做出了較為準確的檢測。

5 結論

本文針對傳統自適應Canny邊緣檢測算法檢測閾值選取不準確和速度慢的不足，提出基于快速煙花算法的自適應Canny邊緣檢測，利用快速煙花算法對待檢測圖像的最大類間方差進行計算，使Canny算法分割閾值獲取更加迅速，增強了傳統自適應Canny算法的精確性與快速性，改善了Canny算法的檢測效果。由于快速煙花算法對傳統煙花算法的爆炸半徑，產生爆炸火花方式與選擇策略提出改進，使改進后的算法在速度與可靠性上又有了一定程度的改善。通過實驗數據可知，所提方法具有可行性。

表5 4種算法檢測對比結果

圖16 飛機蒙皮積水損傷邊緣檢測結果

Fig.16 Edge detection results of hydrops

圖17 飛機蒙皮脫粘損傷邊緣檢測結果

圖18 飛機蒙皮裂痕損傷邊緣檢測結果

圖19 飛機蒙皮腐蝕損傷邊緣檢測結果

[1] 王昊. 基于機器視覺的飛機蒙皮損傷檢測與壽命分析方法[D]. 南京: 南京航空航天大學, 2013.

WANG Hao. Aircraft Skin Damage Detection and Life Cycle Analysis Method Based on Machine Vision[D]. Nanjing: Nanjing University College of Automation Engineering, 2013.

[2] CHENG Sheng, FENG Jianfei, DENG Faqing. A Summary of Nondestructive Testing Application in Chinese Civil Aircraft Industry[J]., 2017, 39(4): 76-79.

[3] Ammar K Al-Musawi, Fatih Anayi, Michael Packianather. Three-phase induction motor fault detection based on thermal image segmentation[J]., 2020, 104: 1350-4495.

[4] SHI H, Ward R. Canny edge based image expansion[C]//, 2002: 1-1. DOI: 10.1109/ ISCAS.2002.1009958.

[5] 李二森, 張保明, 周曉明, 等. 自適應Canny邊緣檢測算法研究[J]. 測繪科學, 2008, 66(6): 120-121.

LI Ersen, ZHANG Baoming, ZHOU Xiaoming, et al. Research on the algorithm of adaptive Canny edge detection[J]., 2008, 66(6): 120-121.

[6] 杜磊, 李立輕, 汪軍, 等. 幾種基于圖像自適應閾值分割的織物疵點檢測方法比較[J]. 紡織學報, 2014, 35(6): 56-60.

DU Lei, LI Liqing, WANG Jun, et al. Comparison of several fabric defect detection methods based on image adaptive threshold segmentation[J]., 2014, 35(6): 56-60.

[7] 郭方方, 嚴高師, 李旭東. 一種改進的基于Otsu算法的Canny紅外邊緣檢測方法[J]. 紅外, 2010, 31(7): 24-27.

GUO Fangfang, YAN Gaoshi, LI Xudong, et al. An Improved Canny Infrared Edge Detection Method Based on Otsu Algorithm[J]., 2010, 31(7): 24-27

[8] 宋人杰, 劉超, 王保軍. 一種自適應的Canny邊緣檢測算法[J]. 南京郵電大學學報: 自然科學版, 2018, 176(3): 76-80.

SONG Renjie, LIU Chao, WANG Baojun. An adaptive Canny edge detection algorithm[J].: Natural Science Edition, 2018, 176(3): 76-80.

[9] TAN Y, ZHU Y. Fireworks Algorithm for Optimization[C]//, 2010: 12-15.

[10] 譚營. 煙花算法引論[M]. 北京: 科學出版社, 2015.

TAN Ying.[M]. Beijing: Science Press, 2015.

[11] TAN Ying, ZHENG Shaoqiu. Recent advances in fireworks algorithm[J]., 2014, 9(5) : 515-528．

[12] 王亮, 郭星. 基于柯西煙花算法的大規模服務組合優化[J]. 計算機工程與應用, 2018, 54(24): 34-40.

WANG Liang, GUO Xing. Large-scale service portfolio optimization based on Cauchy fireworks algorithm[J]., 2018, 54(24): 34-40.

[13] ZHENG S, LI J, Janecek A, et al. A Cooperative Framework for Fireworks Algorithm[J]., 2017, 14(1): 27-41.

[14] 張水平, 李殷俊, 高棟, 等. 帶有動態爆炸半徑的增強型煙花算法[J]. 計算機工程與應用, 2019, 961(18): 56-63.

ZHANG Shuiping, LI Yinjun, GAO Dong. Enhanced fireworks algorithm with dynamic explosion radius[J]., 2019, 961(18): 56-63.

[15] LI J, ZHENG S, TAN Y. The Effect of Information Utilization: Introducing a Novel Guiding Spark in the Fireworks Algorithm[J]., 2017, 21(1): 491-501.

[16] 陶小華, 陳基漓, 謝曉蘭. 具有導向功能的改進煙花算法[J]. 計算機工程與設計, 2019, 40(12): 3479-3486.

TAO Xiaohua, CHEN Jili, XIE Xiaolan. Improved fireworks algorithm with guidance function[J]., 2019, 40(12): 3479-3486.

[17] YANG W, KE Liangjun. An improved fireworks algorithm for the capacitated vehicle routing problem[J]., 2019, 13(3): 552-564.

[18] LIU J, ZHENG S, TAN Y.[M]. Advances in Swarm Intelligence Berlin: Springer, 2013: 11-23.

[19] ZHENG S, Janecek A, Tan Y. Enhanced Fireworks Algorithm[C]//(CEC),., 2013: 2069-2077.

[20] RONG Cheng, BAI Yanping, ZHAO Yu, et al. Improved fireworks algorithm with information exchange for function optimization[J]., 2019, 163: 82-90.

[21] ZHENG S, Janecek A, LI J, et al. Dynamic search in fireworks algorithm[C]//2014(CEC), 2014: 3222-3229.

[22] 李姍姍, 陳莉, 張永新, 等. 結合四元數與最小核值相似區的邊緣檢測[J]. 中國圖象圖形學報, 2017, 22(7): 915-925.

LI Shanshan, CHEN Li, ZHANG Yongxin, et al. The Edge Detection algorithm Combining Dimension Univalue segment Depreciation and Quaternion[J]., 2017, 22(7): 915-925.

Infrared Image Adaptive Canny Edge-detection of Aircraft Skin Based on Fast Fireworks Algorithm

WANG Kun，LIU Peilun，WANG Li

(College of Electronic Information and Automation, Civil Aviation University of China, Tianjin 300300, China)

To address the low accuracy and slow speed of the traditional adaptive Canny algorithm in selecting the threshold value, an improved algorithm is herein proposed. The proposed algorithm utilizes the Otsu and fast fireworks algorithm (FFWA) to automatically set the high and low detection thresholds and the connecting edges. Consequently, the explosion radius, the production method, and selection strategy are improved as compared to those of the traditional fireworks algorithm, thereby increasing the speed and accuracy of the Otsu calculation. The experimental results show that the calculation speed of the fast fireworks algorithm increased by 36% as compared to that of the traditional fireworks algorithm. Moreover, the stability also increased considerably. The improved adaptive Canny algorithm not only maintains the same precision but also decreases the calculation time by 49%. This makes the result of edge detection of aircraft skin infrared images more ideal.

edge-detection, fireworks algorithm, Canny algorithm, Otsu, adaptive

TP274.52

A

1001-8891(2021)05-0443-12

2020-06-06；

2020-07-13.

王坤（1978-），女，博士，副教授，主要研究方向為圖像處理、故障檢測分析。E-mail：96288851@qq.com。

國家自然科學基金（U1733119）；中央高?；究蒲袠I務費項目中國民航大學專項（3122018C001）。