基于改进粒子群优化算法和遗传变异的图像分割模型

doi:10.11772/j.issn.1001-9081.2022060945

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (6): 1743-1749.DOI: 10.11772/j.issn.1001-9081.2022060945

• CCF第37届中国计算机应用大会 (CCF NCCA 2022) • 上一篇下一篇

基于改进粒子群优化算法和遗传变异的图像分割模型

梁军, 洪泽泓, 余松森()

华南师范大学软件学院，广东佛山 528225

收稿日期:2022-06-29 修回日期:2022-08-29 接受日期:2022-09-01 发布日期:2022-09-22 出版日期:2023-06-10
通讯作者: 余松森
作者简介:梁军（1983—），男，江西高安人，讲师，博士，CCF会员，主要研究方向：图论、机器学习、算法设计
洪泽泓（1997—），男，福建泉州人，硕士研究生，CCF会员，主要研究方向：深度学习、图像分割
余松森（1972—），男，江西丰城人，教授，博士，CCF会员，主要研究方向：图像处理、智能算法与模型、大数据挖掘分析Email：yusongsen@m.scnu.edu.cn。
基金资助:
广东省基础与应用基础研究基金资助项目(2022A1515140110);广东省基础与应用基础研究基金区域联合基金资助项目（重点项目）(2020B1515120089);广东省普通高校特色创新项目(2019KTSCX035)

Image segmentation model based on improved particle swarm optimization algorithm and genetic mutation

Jun LIANG, Zehong HONG, Songsen YU()

School of Software，South China Normal University，Foshan Guangdong 528225，China

Received:2022-06-29 Revised:2022-08-29 Accepted:2022-09-01 Online:2022-09-22 Published:2023-06-10
Contact: Songsen YU
About author:LIANG Jun， born in 1983， Ph. D.， lecturer. His research interests include graph theory， machine learning， algorithm design.
HONG Zehong， born in 1997， M. S. candidate. His research interests include deep learning， image segmentation.
Supported by:
Guangdong Basic and Applied Basic Research Foundation(2022A1515140110);Regional Joint Fund for Basic and Applied Basic Research Fund of Guangdong Province （Key Project）(2020B1515120089);Special Innovation Project of Guangdong General Universities(2019KTSCX035)

摘要/Abstract

摘要：

图像分割是由图像处理到图像分析的关键步骤。针对聚类分割对初始聚类中心有较大依赖的局限性，提出了一种基于改进粒子群优化（PSO）算法和遗传变异的图像分割模型PSOM-K(Particle Swarm Optimization Mutations-K-means)。首先，对PSO公式进行改进，即增加了随机邻居粒子位置对自身位置的影响，并扩大了算法的搜索空间，使算法能快速地找到全局最优解；其次，结合遗传算法的变异操作来提高模型的泛化能力；然后，将改进后的PSO算法从红（R）、绿（G）、蓝（B）三通道来初始化k均值（k-means）聚类中心的位置；最后，用k-means从R、G、B三通道对图像进行分割并合并这三通道的图像。在伯克利分割数据集（BSDS500）上的实验结果表明，在k=4时，PSOM-K在特征相似性（FSIM）上相较于CEFO （Chaotic Electromagnetic Field Optimization）算法提升了7.7%~12.69%，相较于WOA-DE（Whale Optimization Algorithm-Differential Evolution）方法提升了5.05%~19.02%。在k=40时，相较于细粒度分割算法HWOA，PSOM-K在FSIM指标最多下降0.45%，但峰值信噪比（PSNR）指标提升7.59%~13.58%。因此，独立3个通道、增加粒子群中随机邻居粒子的位置影响和遗传变异是寻找k-means聚类中心的较优位置的3个有效策略，它们能极大地提高图像分割的性能。

关键词: 图像分割, 粒子群优化算法, 遗传算法, 特征相似性, k均值

Abstract:

Image segmentation is a key step from image processing to image analysis. For the limitation that cluster partitioning has a large dependence on the initial cluster center, an image segmentation model PSOM-K (Particle Swarm Optimization Mutations-K-means) based on improved Particle Swarm Optimization (PSO) algorithm and genetic mutation was proposed. Firstly, the PSO formula was improved by increasing the influence of random neighbor particle positions on its own position, and expanding the search space of the algorithm, so that the algorithm was able to find out the global optimal solution quickly. Secondly, mutation operation of genetic algorithm was combined to improve the generalization ability of the model. Thirdly, the positions of the k-means cluster centers were initialized with the improved PSO algorithm from the three channels: Red (R), Green (G) and Blue (B). Finally, k-means was used to perform the image segmentation from the three channels: R, G, and B, and the images of the three channels were merged. Experimental results on Berkeley Segmentation Dataset (BSDS500) show that the improvement of Feature Similarity Index Measure (FSIM) at k=4 is 7.7% to 12.69% compared to CEFO (Chaotic Electromagnetic Field Optimization) method and 5.05% to 19.02% compared to WOA-DE (Whale Optimization Algorithm-Differential Evolution) method.Compared with the fine-grained segmentation algorithm HWOA (Hybrid Whale Optimization Algorithm), PSOM-K decreases at most 0.45% in FSIM but improves 7.59% to 13.58% in Peak Signal-to-Noise Ratio （PSNR） at k=40. Therefore, three independent channels, increasing the position influence of random neighbor particles in the particle swarm and genetic mutation are three effective strategies to find the better positions of k-means cluster centers, and they can improve the performance of image segmentation greatly.

Key words: image segmentation, Particle Swarm Optimization (PSO) algorithm, genetic algorithm, Feature Similarity Index Measure (FSIM), k-means

中图分类号:

TP391.4

梁军, 洪泽泓, 余松森. 基于改进粒子群优化算法和遗传变异的图像分割模型[J]. 计算机应用, 2023, 43(6): 1743-1749.

Jun LIANG, Zehong HONG, Songsen YU. Image segmentation model based on improved particle swarm optimization algorithm and genetic mutation[J]. Journal of Computer Applications, 2023, 43(6): 1743-1749.

图/表 7

参考文献 22

1	KANG W X， YANG Q Q， LIANG R P. The comparative research on image segmentation algorithms［C］// Proceedings of the 1st International Workshop on Education Technology and Computer Science - Volume 2. Piscataway： IEEE， 2009： 703-707. 10.1109/etcs.2009.417
2	WANG Z Z. Robust segmentation of the colour image by fusing the SDD clustering results from different colour spaces［J］. IET Image Processing， 2020， 14（13）： 3273-3281. 10.1049/iet-ipr.2019.1481
3	SHIRLY S， RAMESH K. Review on 2D and 3D MRI image segmentation techniques［J］. Current Medical Imaging， 2019， 15（2）： 150-160. 10.2174/1573405613666171123160609
4	杨雪丹，刘文萍. 基于阈值及像素聚类的分割算法性能比较［J］. 计算机工程与应用， 2014， 50（2）：183-188， 193. 10.3778/j.issn.1002-8331.1204-0231
	YANG X D， LIU W P. Comparison of algorithms and performance of thresholding and clustering segmentation［J］. Computer Engineering and Applications， 2014， 50（2）： 183-188， 193. 10.3778/j.issn.1002-8331.1204-0231
5	COMANICIU D， MEER P. Mean shift： a robust approach toward feature space analysis ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002， 24（5）：603-619. 10.1109/34.1000236
6	COMANICIU D， MEER P. Mean shift analysis and applications［C］// Proceedings of the 7th IEEE International Conference on Computer Vision - Volume 2. Piscataway： IEEE， 1999： 1197-1203. 10.1109/iccv.1999.790416
7	COMANICIU D. An algorithm for data-driven bandwidth selection［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2003， 25（2）：281-288. 10.1109/tpami.2003.1177159
8	SHEIKN Y A， KHAN E A， KANADE T. Mode-seeking by medoidshifts［C］// Proceedings of the IEEE 11th International Conference on Computer Vision. Piscataway： IEEE， 2007： 1-8. 10.1109/iccv.2007.4408978
9	VEDALDI A， SOATTO S. Quick shift and kernel methods for mode seeking［C］// Proceedings of the 2008 European Conference on Computer Vision， LNCS 5305. Berlin： Springer， 2008： 705-718.
10	张琦，郑伯川，张征，等. 基于随机分块的稀疏子空间聚类方法［J］. 计算机应用， 2022， 42（4）：1148-1154.
	ZHANG Q， ZHENG B C， ZHANG Z， et al. Sparse subspace clustering method based on random blocking［J］. Journal of Computer Applications， 2022， 42（4）：1148-1154.
11	CHAN C C H， HWANG Y R， WU H C. Marketing segmentation using the particle swarm optimization algorithm： a case study ［J］. Journal of Ambient Intelligence and Humanized Computing， 2016， 7（6）： 855-863. 10.1007/s12652-016-0389-9
12	WANG Y， ZHANG Z X， CHI L J. User account risk identification model for web applications［C］// Proceedings of the 5th International Conference on Computer and Technology Applications. New York： ACM， 2019： 30-34. 10.1145/3323933.3324058
13	HE S， LUO D， GUO K. Evaluation of mineral resources carrying capacity based on the particle swarm optimization clustering algorithm ［J］. Journal of the Southern African Institute of Mining and Metallurgy， 2020， 120（12）： 681-691. 10.17159/2411-9717/1139/2020
14	IBRAHIM C， MOUGHARBEL I， KANAAN H Y， et al. Two stages K-means and PSO-based method for optimal allocation of multiple parallel DRPs application & deployment ［J］. IET Smart Grid， 2020， 3（2）： 216-225. 10.1049/iet-stg.2019.0019
15	TAO X M， GUO W J， LI X K， et al. Fitness peak clustering based dynamic multi-swarm particle swarm optimization with enhanced learning strategy ［J］. Expert Systems with Applications， 2022， 191： No.116301. 10.1016/j.eswa.2021.116301
16	ZHANG H X， PENG Q X. PSO and K-means-based semantic segmentation toward agricultural products ［J］. Future Generation Computer Systems， 2022， 126：82-87. 10.1016/j.future.2021.06.059
17	高兵，郑雅，秦静，等.基于麻雀搜索算法和改进粒子群优化算法的网络入侵检测算法［J］. 计算机应用， 2022， 42（4）： 1201-1206.
	GAO B， ZHENG Y， QIN J， et al. Network intrusion detection algorithm based on sparrow search algorithm and improved particle swarm optimization algorithm［J］. Journal of Computer Applications， 2022， 42（4）：1201-1206.
18	ZHANG L， ZHANG L， MOU X Q， et al. FSIM： a feature similarity index for image quality assessment［J］. IEEE Transactions on Image Processing， 2011， 20（8）：2378-2386. 10.1109/tip.2011.2109730
19	MARTIN D， FOWLKES C， TAL D， et al. A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics［C］// Proceedings of the 8th IEEE International Conference on Computer Vision. Piscataway： IEEE， 2001， 2： 416-423.
20	SONG S H， JIA H M， MA J. A Chaotic Electromagnetic field optimization algorithm based on fuzzy entropy for multilevel thresholding color image segmentation［J］. Entropy， 2019， 21（4）： No.398. 10.3390/e21040398
21	LANG C B， JIA H M. Kapur’s entropy for color image segmentation based on a hybrid whale optimization algorithm ［J］. Entropy， 2019， 21（3）： No.318. 10.3390/e21030318
22	ABDEL-BASSET M， MOHAMED R， AbdelAZIZ 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： No.116145. 10.1016/j.eswa.2021.116145

图1 子图序号	k	CEFO^［20］		WOA-DE^［21］		PSOM-K
图1 子图序号	k	PSNR/dB	FSIM	PSNR/dB	FSIM	PSNR/dB	FSIM
（e）	4	18.023 9	0.768 0			25.6199	0.8446
	6	20.347 9	0.828 4			28.6938	0.9116
	8	22.166 1	0.862 8			30.4093	0.9417
	10	24.013 8	0.893 1			31.1996	0.9559
（g）	4	18.873 9	0.751 9			27.0714	0.8473
	6	22.144 3	0.849 8			29.8353	0.9140
	8	23.783 9	0.885 8			31.6266	0.9526
	10	24.743 3	0.906 6			32.2731	0.9679
（h）	4	18.949 5	0.790 9			28.4873	0.8518
	6	21.410 9	0.847 2			30.7282	0.9030
	8	23.067 7	0.866 2			32.2919	0.9355
	10	25.435 7	0.888 3			33.2634	0.9512
（j）	4			17.778 1	0.734 0	26.0690	0.8483
	6			24.977 0	0.819 7	29.1247	0.9213
	8			28.609 2	0.879 8	30.4283	0.9519
	10			30.668 7	0.903 9	30.9348	0.9643
（k）	4			20.824 7	0.718 2	25.6015	0.7545
	6			23.605 9	0.761 9	29.4465	0.8473
	8			26.013 2	0.801 7	31.8695	0.8776
	10			29.018 4	0.832 9	33.3502	0.9081
（l）	4			18.655 8	0.715 1	26.6189	0.8511
	6			22.248 1	0.792 1	30.0938	0.9239
	8			24.882 1	0.843 5	31.4581	0.9481
	10			27.911 6	0.874 5	31.9919	0.9587

图1 子图序号	k	CEFO^［20］		WOA-DE^［21］		PSOM-K
图1 子图序号	k	PSNR/dB	FSIM	PSNR/dB	FSIM	PSNR/dB	FSIM
（e）	4	18.023 9	0.768 0			25.6199	0.8446
	6	20.347 9	0.828 4			28.6938	0.9116
	8	22.166 1	0.862 8			30.4093	0.9417
	10	24.013 8	0.893 1			31.1996	0.9559
（g）	4	18.873 9	0.751 9			27.0714	0.8473
	6	22.144 3	0.849 8			29.8353	0.9140
	8	23.783 9	0.885 8			31.6266	0.9526
	10	24.743 3	0.906 6			32.2731	0.9679
（h）	4	18.949 5	0.790 9			28.4873	0.8518
	6	21.410 9	0.847 2			30.7282	0.9030
	8	23.067 7	0.866 2			32.2919	0.9355
	10	25.435 7	0.888 3			33.2634	0.9512
（j）	4			17.778 1	0.734 0	26.0690	0.8483
	6			24.977 0	0.819 7	29.1247	0.9213
	8			28.609 2	0.879 8	30.4283	0.9519
	10			30.668 7	0.903 9	30.9348	0.9643
（k）	4			20.824 7	0.718 2	25.6015	0.7545
	6			23.605 9	0.761 9	29.4465	0.8473
	8			26.013 2	0.801 7	31.8695	0.8776
	10			29.018 4	0.832 9	33.3502	0.9081
（l）	4			18.655 8	0.715 1	26.6189	0.8511
	6			22.248 1	0.792 1	30.0938	0.9239
	8			24.882 1	0.843 5	31.4581	0.9481
	10			27.911 6	0.874 5	31.9919	0.9587

图1 子图序号	k	FSIM		PSNR/dB		图1 子图序号	k	FSIM		PSNR/dB
图1 子图序号	k	HWOA	PSOM-K	HWOA	PSOM-K	图1 子图序号	k	HWOA	PSOM-K	HWOA	PSOM-K
（q）	40	0.995 8	0.9965	37.608	41.424	（t）	40	0.9972	0.996 0	38.739	43.117
	50	0.997 2	0.9973	39.575	42.978		50	0.9980	0.997 2	40.576	44.045
	60	0.998 0	0.9980	41.131	44.153		60	0.9986	0.997 9	42.073	45.181
	70	0.9985	0.998 4	42.543	45.280		70	0.9989	0.998 4	43.366	46.861
（r）	40	0.9959	0.995 4	37.215	42.269	（p）	40	0.9976	0.993 2	38.009	41.836
	50	0.997 2	0.9972	39.419	44.772		50	0.9983	0.993 8	39.942	42.586
	60	0.9980	0.997 6	40.995	45.454		60	0.9987	0.996 6	41.542	44.199
	70	0.9984	0.998 3	42.244	46.823		70	0.9990	0.997 1	42.765	45.079
（n）	40	0.996 2	0.9965	37.819	41.487	（u）	40	0.9976	0.995 8	38.230	41.132
	50	0.997 4	0.9975	39.681	43.532		50	0.9983	0.997 4	40.107	43.346
	60	0.9982	0.998 1	41.413	44.054		60	0.9988	0.997 7	41.701	43.925
	70	0.9986	0.998 4	42.780	45.340		70	0.9991	0.998 2	43.049	45.366
（s）	40	0.9980	0.996 9	38.825	42.092	（m）	40	0.9985	0.997 5	39.324	43.176
	50	0.9986	0.997 7	40.606	43.824		50	0.9988	0.998 0	41.175	44.527
	60	0.9989	0.998 4	42.023	45.126		60	0.9992	0.998 7	42.693	45.222
	70	0.9992	0.998 6	43.307	45.843		70	0.9993	0.998 9	43.863	46.184
（o）	40	0.9969	0.993 8	38.268	41.758
	50	0.9980	0.996 2	40.288	43.448
	60	0.9985	0.997 0	41.796	44.850
	70	0.9989	0.997 8	43.249	45.793

图1 子图序号	k	FSIM		PSNR/dB		图1 子图序号	k	FSIM		PSNR/dB
图1 子图序号	k	HWOA	PSOM-K	HWOA	PSOM-K	图1 子图序号	k	HWOA	PSOM-K	HWOA	PSOM-K
（q）	40	0.995 8	0.9965	37.608	41.424	（t）	40	0.9972	0.996 0	38.739	43.117
	50	0.997 2	0.9973	39.575	42.978		50	0.9980	0.997 2	40.576	44.045
	60	0.998 0	0.9980	41.131	44.153		60	0.9986	0.997 9	42.073	45.181
	70	0.9985	0.998 4	42.543	45.280		70	0.9989	0.998 4	43.366	46.861
（r）	40	0.9959	0.995 4	37.215	42.269	（p）	40	0.9976	0.993 2	38.009	41.836
	50	0.997 2	0.9972	39.419	44.772		50	0.9983	0.993 8	39.942	42.586
	60	0.9980	0.997 6	40.995	45.454		60	0.9987	0.996 6	41.542	44.199
	70	0.9984	0.998 3	42.244	46.823		70	0.9990	0.997 1	42.765	45.079
（n）	40	0.996 2	0.9965	37.819	41.487	（u）	40	0.9976	0.995 8	38.230	41.132
	50	0.997 4	0.9975	39.681	43.532		50	0.9983	0.997 4	40.107	43.346
	60	0.9982	0.998 1	41.413	44.054		60	0.9988	0.997 7	41.701	43.925
	70	0.9986	0.998 4	42.780	45.340		70	0.9991	0.998 2	43.049	45.366
（s）	40	0.9980	0.996 9	38.825	42.092	（m）	40	0.9985	0.997 5	39.324	43.176
	50	0.9986	0.997 7	40.606	43.824		50	0.9988	0.998 0	41.175	44.527
	60	0.9989	0.998 4	42.023	45.126		60	0.9992	0.998 7	42.693	45.222
	70	0.9992	0.998 6	43.307	45.843		70	0.9993	0.998 9	43.863	46.184
（o）	40	0.9969	0.993 8	38.268	41.758
	50	0.9980	0.996 2	40.288	43.448
	60	0.9985	0.997 0	41.796	44.850
	70	0.9989	0.997 8	43.249	45.793

图1 子图序号	k	k-means		SPSO-K		PSON-K		PSOM-K（本文）
图1 子图序号	k	FSIM	PSNR/dB	FSIM	PSNR/dB	FSIM	PSNR/dB	FSIM	PSNR/dB
（a）	4	0.773 0	24.209 7	0.880 6	26.328 2	0.888 6	26.711 4	0.8902	26.7604
	6	0.861 5	26.145 3	0.930 9	29.332 8	0.935 0	29.564 9	0.9373	29.7241
	8	0.900 9	27.254 6	0.952 5	31.014 7	0.949 8	31.057 1	0.9542	31.1525
	10	0.915 5	27.960 1	0.960 9	31.718 0	0.9633	31.9603	0.962 0	31.804 7
（b）	4	0.725 8	23.232 1	0.894 0	27.363 4	0.871 9	26.133 3	0.8944	27.4712
	6	0.807 1	25.104 1	0.911 2	29.050 8	0.910 6	29.328 4	0.9283	29.6454
	8	0.834 7	26.706 6	0.936 5	30.385 3	0.9421	30.158 9	0.941 0	30.7965
	10	0.850 1	26.772 2	0.948 9	31.557 0	0.947 7	31.8928	0.9508	31.556 7
（f）	4	0.767 3	21.661 0	0.837 6	24.947 6	0.838 5	24.974 6	0.8391	25.0042
	6	0.794 8	23.495 0	0.880 4	27.122 8	0.891 4	25.011 3	0.8936	27.7084
	8	0.826 6	24.909 3	0.930 2	29.623 6	0.9349	29.293 1	0.933 4	29.7399
	10	0.861 6	26.055 4	0.952 1	30.687 1	0.949 9	29.965 3	0.9526	30.7011
（c）	4	0.730 6	24.670 0	0.753 3	25.304 2	0.751 8	24.546 0	0.7537	25.3283
	6	0.834 4	27.749 4	0.868 5	29.017 6	0.874 7	29.188 3	0.8772	29.4119
	8	0.892 0	29.803 5	0.924 7	31.550 9	0.922 9	31.591 5	0.9272	31.6619
	10	0.924 6	31.175 7	0.945 5	32.399 3	0.946 2	31.959 2	0.9464	32.5112
（i）	4	0.749 7	22.752 5	0.820 3	24.546 7	0.827 3	24.687 7	0.8331	24.9954
	6	0.838 7	25.654 8	0.895 6	28.068 6	0.891 0	28.044 7	0.8956	28.0990
	8	0.863 6	26.467 8	0.920 5	29.640 3	0.9245	29.6940	0.921 3	29.597 0
	10	0.882 5	27.393 1	0.938 1	30.564 1	0.938 1	30.505 0	0.9383	30.5684

基于改进粒子群优化算法和遗传变异的图像分割模型

Image segmentation model based on improved particle swarm optimization algorithm and genetic mutation

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 22

相关文章 15

编辑推荐

Metrics

[1]	高智慧, 韩萌, 刘淑娟, 李昂, 穆栋梁. 基于智能优化算法的高效用项集挖掘方法综述[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1676-1686.
[2]	傅励瑶, 尹梦晓, 杨锋. 基于Transformer的U型医学图像分割网络综述[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1584-1595.
[3]	王彬, 向甜, 吕艺东, 王晓帆. 基于NSGA‑Ⅱ的自适应多尺度特征通道分组优化算法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1401-1408.
[4]	于振华, 刘争气, 刘颖, 郭城. 基于自适应混合粒子群优化的软件缺陷预测特征选择方法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1206-1213.
[5]	马学森, 许雪梅, 蒋功辉, 乔焰, 周天保. 混合自适应粒子群工作流调度优化算法[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 474-483.
[6]	张敏, 韩晓龙. 多目标模糊机会约束规划的低碳多式联运路径优化[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 636-644.
[7]	林荐壮, 杨文忠, 谭思翔, 周乐鑫, 陈丹妮. 融合滤波增强和反转注意力网络用于息肉分割[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 265-272.
[8]	盖荣丽, 高守传, 李明霞. 粒子群优化算法求解最优控制点的非均匀有理B样条曲线拟合[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2177-2183.
[9]	范厚明, 牟爽, 岳丽君. 考虑冲突和拥堵的自动导引车调度与路径规划协同优化[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2281-2291.
[10]	刘延飞, 彭征, 王艺辉, 王忠. 基于改进的遗传算法的有刷直流电机PID参数整定[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1634-1641.
[11]	李晓寒, 贾华丁, 程雪, 李太勇. 基于改进遗传算法和图神经网络的股市波动预测方法[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1624-1633.
[12]	刘向举, 路小宝, 方贤进, 尚林松. 软件定义网络环境下的低速率拒绝服务攻击检测方法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1301-1307.
[13]	高兵, 郑雅, 秦静, 邹启杰, 汪祖民. 基于麻雀搜索算法和改进粒子群优化算法的网络入侵检测算法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1201-1206.
[14]	聂方鑫, 王宇嘉, 贾欣. 教与学信息交互粒子群优化算法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 874-882.
[15]	徐光柱, 林文杰, 陈莎, 匡婉, 雷帮军, 周军. U-Net与自适应阈值脉冲耦合神经网络相结合的眼底血管分割方法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 825-832.

图1 子图序号	SPSO-K		PSON-K		PSOM-K（本文）
图1 子图序号	FSIM	PSNR/dB	FSIM	PSNR/dB	FSIM	PSNR/dB
（a）	0.007 930	0.231 071	0.001 372	0.111 699	0.000 922	0.057 527
（b）	0.016 982	0.661 067	0.006 352	0.185 885	0.005 082	0.161 099
（f）	0.006 971	0.099 664	0.005 183	0.352 617	0.004 288	0.238 007
（c）	0.004 831	0.227 720	0.006 952	0.284 249	0.003 617	0.184 261
（i）	0.006 083	0.323 502	0.002 341	0.181 416	0.001 568	0.089 452

图1 子图序号	SPSO-K		PSON-K		PSOM-K（本文）
图1 子图序号	FSIM	PSNR/dB	FSIM	PSNR/dB	FSIM	PSNR/dB
（a）	0.007 930	0.231 071	0.001 372	0.111 699	0.000 922	0.057 527
（b）	0.016 982	0.661 067	0.006 352	0.185 885	0.005 082	0.161 099
（f）	0.006 971	0.099 664	0.005 183	0.352 617	0.004 288	0.238 007
（c）	0.004 831	0.227 720	0.006 952	0.284 249	0.003 617	0.184 261
（i）	0.006 083	0.323 502	0.002 341	0.181 416	0.001 568	0.089 452