CN117372463A - 一种用于电力部件图像的图像分割优化方法 - Google Patents

Abstract

本发明公开一种用于电力部件图像的图像分割优化方法，属于图像分割技术领域，具体步骤为：步骤一、利用无人机摄像头采集电力部件图像，然后对图像进行预处理，确定图像中的目标对象；步骤二、输入待阈值分割的电力部件图像，并实时读取预处理后的图像，计算待分割的电力部件图的灰度直方图；步骤三、改进标准猎豹优化算法，通过Matlab软件编写改进后的算法代码，并测试；步骤四、利用改进的猎豹优化算法优化多阈值Otsu算法得到最佳分割阈值，找到最佳的分割阈值后再分割图像；本发明通过改进猎豹优化算法优化多阈值Otsu图像分割方法，并与现有技术对比，提升了图像分割效果，为电力部件巡检工作提供了极大的便利。

Description

一种用于电力部件图像的图像分割优化方法

技术领域

本发明属于图像分割技术领域，尤其涉及一种用于电力部件图像的图像分割优化方法。

背景技术

图像分割是区分图像中的对象和背景的过程；对于许多依赖于计算机视觉的应用，如医学成像、卫星图像中的物体定位、机器视觉、手指打印和人脸识别等许多应用来说，图像分割是一项必不可少的预处理任务；图像分割的准确性将对图像处理的后续阶段的有效性产生很大的影响。

图像分割技术在视觉异物检测中具有重要的应用；通过图像分割，可以将图像中的不同区域分离开来，从而更精确地定位和识别异物；图像分割技术可以用来定位异物的边界，帮助确定异物的形状和大小，这对于区分异物和背景非常重要，尤其是当异物与背景颜色或纹理相似时；电力部件巡检和图像分割技术之间的联系体现在使用图像分割技术来处理电力部件的图像数据，以提高巡检的准确性和效率。

基于深度学习的图像分割虽然有不错的效果，但是需要大量标注数据来训练神经网络；基于阈值分割的Otsu是经典的图像分割算法，在单阈值分割时算法效率很高，但在多阈值分割时算法的速度极低，图像分割效果差，这是由于算法会遍历图像的每个像素点，计算类内方差和类间方差，算法速度慢。

猎豹优化算法是Mohammad AminAkbari等人于2022年受自然界猎豹狩猎启发而提出一种新型群体智能优化算法，该算法通过模拟猎豹在狩猎过程中搜索、坐等和攻击3种策略来实现位置更新，但是在算法勘探阶段，容易陷入局部最优，同时在整个算法寻优过程中，陷入局部最优不会跳出，从而寻不到最优参数，寻优精度低。

发明内容

针对上述的技术问题，本技术方案提供了一种用于电力部件图像的图像分割优化方法，基于多阈值分割的Otsu算法实现图像分割，同时改进猎豹优化算法，利用改进的猎豹优化算法优化多阈值分割的Otsu算法，找到最佳的阈值来分割图像；以此解决背景技术中提到的在多阈值分割时Otsu算法的速度慢、图像分割精度不高以及标准猎豹优化算法容易陷入局部最优，寻优精度不高的问题。

为达到上述目的，本发明采用如下技术方案：

一种用于电力部件图像的图像分割优化方法，其特征在于，包括以下步骤：

步骤一、利用无人机摄像头采集电力部件图像，然后对图像进行预处理，确定图像中的目标对象。

步骤二、输入待阈值分割的电力部件图像，并实时读取预处理后的图像，计算待分割的电力部件图的灰度直方图。

步骤三、改进标准猎豹优化算法，通过Matlab软件编写改进后的算法代码，并测试，改进步骤为：

首先，引入梯度下降更新策略，如式（1）所示：

（1）；

式中，为最新的待优化的参数向量，为学习率，控制了更新步长的大小，为梯度；

进一步改进学习率，改进后的公式为：（2）；

式中，为当前迭代的学习率，为上次迭代的学习率，为当前迭代 最差适应度值，为当前迭代的随机值，为当前迭代最优适应度值。

最后，通过改进转向因子，引入随机非线性转向因子，更新猎豹攻击阶段位 置更新公式，随机非线性转向因子公式为：

（3）;

式中，Max_iter为最大迭代次数，为当前迭代次数。

步骤四、利用改进的猎豹优化算法优化多阈值Otsu算法得到最佳分割阈值，找到最佳的分割阈值后再分割电力部件图像。

进一步地，步骤一中，图像进行预处理需要首先，将图像文件加载到内存中，然后通过双线性插值法对图像进行缩放操作，将图像的尺寸调整为模型输入的大小，经过灰度化、去操、边缘检测和特征提取的归一化处理，最后保存预处理后的图像，为分析使用。

进一步地，步骤二中，计算待分割的电力部件图的灰度直方图，首先，将彩色通道的像素值进行加权平均计算灰度值，然后统计图像中每个灰度级别的像素个数，最后绘制直方图图表。

进一步地，步骤三中，梯度下降更新策略中，梯度的计算，如下式所示：

；

梯度是一个由各个偏导数组成的向量，表示函数在每个变量方向上的变化率。

进一步地，步骤三中，引入梯度下降更新策略可指导猎豹优化算法搜索的方向，加快收敛过程，尤其是在陷入局部最优时，可以帮助算法跳出局部最优解；同时所述梯度下降更新策略可以提供参数更新的方向和步长，这样可以更好地控制参数的更新过程，避免更新步长过大或者过小的情况。

进一步地，步骤三中，改进猎豹等待阶段位置更新策略，等待策略只考虑当前种群个体的位置，没有有效利用种群最优位置，不利于算法的收敛和寻优精度的提升，结合t分布和最优位置可以有效提升算法寻优精度。

进一步地，步骤三中，在算法攻击阶段，引入随机非线性转向因子，通过非线性改进，在算法迭代前期，便于全局搜索，算法迭代中期，便于提高搜索速度及跳出局部最优搜索，后期，便于局部搜索，寻找最优解，能够有效提高系统的鲁棒性和控制精度。

进一步地，步骤四中，利用改进的猎豹优化算法优化多阈值Otsu算法得到最佳分割阈值，具体步骤如下：

S1、根据电力部件图像数据，将电力部件图像分割精度作为适应度函数值，本发明提出一种采用类间方差和类内方差的比值的方式设计适应度函数，公式为：

；

式中，为电力部件图像第个子区域的像素占比，为电力部件图像第个子区 域的平均灰度值，为整个电力部件图像的平均灰度值，为电力部件图像第个子区域 的像素集合，为像素灰度值；

S2、初始化要分割的阈值个数，并根据所设阈值个数初始化改进猎豹优化算法的相关参数，包括猎豹初始位置、种群总体规模N、问题维度d、搜索空间上下界[ub,lb]和最大迭代次数Max_iter；随机生成一定数量的猎豹个体，每个猎豹个体代表多阈值Otsu算法中的阈值组合；

S3、将电力部件图像分割的阈值取值范围作为算法的搜索空间，范围为[0,255]，在取值范围内随机选取一组阈值参数作为猎豹种群初始位置；

S4、计算每个猎豹的适应度值，并记录下每次迭代中产生的最优个体的适应度值，将最优适应度值的个体设置为猎物，此时猎物的位置即为算法当前阈值寻优的趋向；

S5、用当前迭代最优适应度值，与上次迭代最优适应度值比较，两者 最小的适应度值更新为；适应度值是用来衡量每个电力部件图像分割时阈值组合 的优劣程度；

S6、采用变异系数的方式判断当前迭代是否陷入局部最优；若陷入局部最优，则执行S3，若未陷入局部最优，则执行S7；

S7、采用梯度下降机制，沿函数梯度的反向更新参数，减小适应度值，跳出局部最优；

S8、在猎豹搜索阶段，猎豹在领地或周围区域进行全范围扫描，猎豹按照式（4）更新种群个体位置：

，/>(4)；

式中，为第i头猎豹第t+1次迭代第j维位置，/>为第i头猎豹第t迭代第j维位置，/>为第i头猎豹第j维呈正态分布的随机数，/>为第i头猎豹第j迭代维的搜索步长，/>为算法最大迭代次数；

S9、在猎豹等待阶段，猎豹停止行动，猎豹按照式（5）更新种群个体位置：

(5)；

式中，为猎豹i在排列j中的更新位置，为猎豹i在排列j中的当前位置；

S10、在猎豹攻击阶段，引入随机非线性转向因子，然后更新种群个体位置：

(6)；

式中，为第t迭代第j维猎物位置，即当前最佳位置，为第i头猎豹第t迭代 第j维交互因子；

S11、根据S8-S10，选择不同的位置更新策略来更新猎豹种群的位置，种群最新位置即为电力部件图像分割的阈值的解集，根据适应度函数的值，保留最优阈值解；

S12、通过改变猎豹个体的阈值参数来产生新的猎豹个体；

S13、更新当前迭代次数，并判断当前迭代次数是否达到预设的最大迭代次数，若否，则返回步骤S4，若是，则返回最优适应度值所对应的阈值即为电力部件图像最佳分割阈值；

S14、输出最佳阈值，对电力部件图像进行多阈值分割。

更进一步地，步骤S1中，适应度函数，采用类间方差和类内方差的比值的计算 方式，Otsu算法是一种自适应的图像二值化方法，这个适应度函数中，分子表示类别间的差 异度，分母表示类别内的差异度；当适应度值越小时，表示类别间的差异度相对较小，而类 别内的差异度相对较大，电力部件图像分割效果越好。

更进一步地，步骤S2中，初始化改进猎豹优化算法，猎豹初始化位置即为电力部件图像分割阈值的初始值，描述为：

，；

式中，为第i头猎豹第j维位置，分别为第j维搜索空间上、下限值，为介于0和1之间的随机数；N为猎豹种群规模，d为问题维度。

更进一步地，步骤S3中，在取值范围内随机选取一组阈值参数作为猎豹种群初始位置，阈值与猎豹种群位置之间的映射，采用实数编码，将猎豹的位置表示为实数向量，其中每个元素对应一个参数。

更进一步地，步骤S6中，采用变异系数的方式判断当前迭代是否陷入局部最优的具体步骤为：

S5.1、计算当前一段时间内的适应度值的标准差σ和均值μ；

S5.2、计算变异系数CV，公式为：CV=；

S5.3、设置阈值P=0.5，若，则当前迭代陷入局部最优。

更进一步地，步骤S7中，改进梯度下降机制方法设计为：

S6.1、选择一个初始解；

S6.2、计算当前位置的梯度；

S6.3、使用梯度下降法更新参数，结合式(1)和式(2)改进，公式为：。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明在标准猎豹优化算法的基础上，引入梯度下降机制，指导猎豹优化算法搜索的方向，加快收敛过程，尤其是在陷入局部最优时，可以帮助标准猎豹优化算法跳出局部最优解，然后在算法攻击阶段，引入随机非线性转向因子，通过非线性改进，在算法迭代前期，便于全局搜索，算法迭代中期，便于提高搜索速度及跳出局部最优搜索，后期，便于局部搜索，寻找最优解，能够有效提高系统的鲁棒性和控制精度；通过以上两个改进点，解决背景技术中提到的在多阈值分割时Otsu算法的速度慢、图像分割精度不高以及标准猎豹优化算法容易陷入局部最优，寻优精度不高的问题，同时解决了Otsu算法在多阈值分割时出现分割速度慢、抗噪性能差的缺点。

附图说明

图1为一种用于电力部件图像的图像分割优化方法流程图。

图2为随机非线性转向因子变化图。

图3为改进的猎豹优化算法优化基于多阈值Otsu的图像分割的流程图。

图4为改进猎豹优化算法与标准猎豹优化算法以及哈里斯鹰算法的最优个体适应度值对比曲线图。

图5为待分割的电力部件的灰度直方图。

图6为改进猎豹优化算法与标准猎豹优化算法优化电力部件图像分割的效果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1-图6，本发明提供一种技术方案：

一种用于电力部件图像的图像分割优化方法，其特征在于，具体步骤如下：

如图1所示，步骤一、利用无人机摄像头采集电力部件图像，然后对图像进行预处理，确定图像中的目标对象。

步骤二、输入待阈值分割的电力部件图像，并实时读取预处理后的图像，计算待分割的电力部件图的灰度直方图。

步骤三、改进标准猎豹优化算法，通过Matlab软件编写改进后的算法代码，并测试，改进步骤为：

首先，引入梯度下降更新策略，如式（1）所示：

（1）；

式中，为最新的待优化的参数向量，为学习率，控制了更新步长的大小，为梯度；

进一步改进学习率，改进后的公式为：（2）；

式中，为当前迭代的学习率，为上次迭代的学习率，为当前迭代 最差适应度值，为当前迭代的随机值，为当前迭代最优适应度值。

最后，通过改进转向因子，引入随机非线性转向因子，更新猎豹攻击阶段位 置更新公式，随机非线性转向因子公式为：

（3）;

式中，Max_iter为最大迭代次数，为当前迭代次数。

步骤四、利用改进的猎豹优化算法优化多阈值Otsu算法得到最佳分割阈值，找到最佳的分割阈值后再分割电力部件图像。

进一步地，步骤一中，图像进行预处理需要首先，将图像文件加载到内存中，然后通过双线性插值法对图像进行缩放操作，将图像的尺寸调整为模型输入的大小，经过灰度化、去操、边缘检测和特征提取的归一化处理，最后保存预处理后的图像，如图5所示，为分析使用。

进一步地，步骤二中，计算待分割的电力部件图的灰度直方图，首先，将彩色通道的像素值进行加权平均计算灰度值，然后统计图像中每个灰度级别的像素个数，最后绘制直方图图表。

进一步地，步骤三中，梯度下降更新策略中，梯度的计算，如下式所示：

；

梯度是一个由各个偏导数组成的向量，表示函数在每个变量方向上的变化率。

进一步地，步骤三中，引入梯度下降更新策略可指导猎豹优化算法搜索的方向，加快收敛过程，尤其是在陷入局部最优时，可以帮助算法跳出局部最优解；同时所述梯度下降更新策略可以提供参数更新的方向和步长，这样可以更好地控制参数的更新过程，避免更新步长过大或者过小的情况。

进一步地，步骤三中，改进猎豹等待阶段位置更新策略，等待策略只考虑当前种群个体的位置，没有有效利用种群最优位置，不利于算法的收敛和寻优精度的提升，结合t分布和最优位置可以有效提升算法寻优精度。

进一步地，步骤三中，在算法攻击阶段，引入随机非线性转向因子，通过非线性改进，在算法迭代前期，便于全局搜索，算法迭代中期，便于提高搜索速度及跳出局部最优搜索，后期，便于局部搜索，寻找最优解，如图2所示。

进一步地，步骤四中，利用改进的猎豹优化算法优化多阈值Otsu算法得到最佳分割阈值，如图3所示，具体步骤如下：

S1、根据电力部件图像数据，将电力部件图像分割精度作为适应度函数值，本发明提出一种采用类间方差和类内方差的比值的方式设计适应度函数，公式为：

；

式中，为电力部件图像第个子区域的像素占比，为电力部件图像第个子区 域的平均灰度值，为整个电力部件图像的平均灰度值，为电力部件图像第个子区域 的像素集合，为像素灰度值；

S2、初始化要分割的阈值个数，并根据所设阈值个数初始化改进猎豹优化算法的相关参数，包括猎豹初始位置、种群总体规模N、问题维度d、搜索空间上下界[ub,lb]和最大迭代次数Max_iter；随机生成一定数量的猎豹个体，每个猎豹个体代表多阈值Otsu算法中的阈值组合；

S3、将电力部件图像分割的阈值取值范围作为算法的搜索空间，范围为[0,255]，在取值范围内随机选取一组阈值参数作为猎豹种群初始位置；

S4、计算每个猎豹的适应度值，并记录下每次迭代中产生的最优个体的适应度值，将最优适应度值的个体设置为猎物，此时猎物的位置即为算法当前阈值寻优的趋向；

S5、用当前迭代最优适应度值，与上次迭代最优适应度值比较，两者 最小的适应度值更新为；适应度值是用来衡量每个电力部件图像分割时阈值组合 的优劣程度；

S6、采用变异系数的方式判断当前迭代是否陷入局部最优；若陷入局部最优，则执行S3，若未陷入局部最优，则执行S7；

S7、采用梯度下降机制，沿函数梯度的反向更新参数，减小适应度值，跳出局部最优；

S8、在猎豹搜索阶段，猎豹在领地或周围区域进行全范围扫描，猎豹按照式（4）更新种群个体位置：

，/>(4)；

式中，为第i头猎豹第t+1次迭代第j维位置，/>为第i头猎豹第t迭代第j维位置，/>为第i头猎豹第j维呈正态分布的随机数，/>为第i头猎豹第j迭代维的搜索步长，/>为算法最大迭代次数；

S9、在猎豹等待阶段，猎豹停止行动，猎豹按照式（5）更新种群个体位置：

(5)；

式中，为猎豹i在排列j中的更新位置，为猎豹i在排列j中的当前位置；

S10、在猎豹攻击阶段，引入随机非线性转向因子，然后更新种群个体位置：

(6)；

式中，为第t迭代第j维猎物位置，即当前最佳位置，为第i头猎豹第t迭代 第j维交互因子；

S11、根据S8-S10，选择不同的位置更新策略来更新猎豹种群的位置，种群最新位置即为电力部件图像分割的阈值的解集，根据适应度函数的值，保留最优阈值解；

S12、通过改变猎豹个体的阈值参数来产生新的猎豹个体；

S13、更新当前迭代次数，并判断当前迭代次数是否达到预设的最大迭代次数，若否，则返回步骤S4，若是，则返回最优适应度值所对应的阈值即为电力部件图像最佳分割阈值；

S14、输出最佳阈值，对电力部件图像进行多阈值分割。

更进一步地，步骤S1中，适应度函数，采用类间方差和类内方差的比值的计算 方式，Otsu算法是一种自适应的图像二值化方法，这个适应度函数中，分子表示类别间的差 异度，分母表示类别内的差异度；当适应度值越小时，表示类别间的差异度相对较小，而类 别内的差异度相对较大，电力部件图像分割效果越好。

更进一步地，步骤S2中，初始化改进猎豹优化算法，猎豹初始化位置即为电力部件图像分割阈值的初始值，描述为：

，；

式中，为第i头猎豹第j维位置，分别为第j维搜索空间上、下限值，为介于0和1之间的随机数；N为猎豹种群规模，d为问题维度。

更进一步地，步骤S3中，在取值范围内随机选取一组阈值参数作为猎豹种群初始位置，阈值与猎豹种群位置之间的映射，采用实数编码，将猎豹的位置表示为实数向量，其中每个元素对应一个参数。

更进一步地，步骤S6中，采用变异系数的方式判断当前迭代是否陷入局部最优的具体步骤为：

S5.1、计算当前一段时间内的适应度值的标准差σ和均值μ；

S5.2、计算变异系数CV，公式为：CV=；

S5.3、设置阈值P=0.5，若，则当前迭代陷入局部最优。

更进一步地，步骤S7中，改进梯度下降机制方法设计为：

S6.1、选择一个初始解；

S6.2、计算当前位置的梯度；

S6.3、使用梯度下降法更新参数，结合式(1)和式(2)改进，公式为：。

为验证本发明利用改进猎豹优化算法优化多阈值Otsu图像方法分割图像的优越性，利用Matlab进行实验，通过与标准猎豹优化算法对比来完成本发明设计方法的实验验证。

具体实施实验设置猎豹种群规模N=30，最大迭代Max_iter=500，先后进行标准猎豹优化算法和改进后猎豹优化算法的寻优，然后绘制出寻优效果图，运行程序，本发明中，适应度值越小算法性能越优，通过迭代500次后，改进后的猎豹优化算法相比于标准猎豹优化算法的寻优值更小，说明改进后的猎豹优化算法性能更优。

对比参考专利号为CN201911084150的一种基于哈里斯鹰优化算法的图像分割方法，结合本发明专利的实验数据，如下表四种方法分割时间对比表所示：

图像	原Otsu法	哈里斯鹰算法	猎豹优化算法	改进猎豹算法
					电力部件1	6.5441	0.7562	0.5362	0.2253
电力部件2	5.6352	0.5895	0.4100	0.3010
					电力部件3	8.1365	0.7985	0.6875	0.4124

；

针对带有缺陷的3种电力部件图像进行3阈值分割，通过四种方法分割时间对比表中的数据可以分析得出：原Otsu算法在多阈值分割时出现分割速度慢、抗噪性能差的缺点，采用改进的猎豹算法优化Otsu多阈值分割，能在一定程度上克服这些不足之处。

传统Otsu算法分割效率低， 智能优化算法的加入解决效率低的问题，但由分割时间对比表实验结果来看， 哈里斯鹰算法和标准猎豹优化算法还是明显分割速度慢。

如图4所示，对改进猎豹优化算法与标准猎豹优化算法以及哈里斯鹰算法的最优个体适应度值进行对比，迭代50次不难发现，相比于其他算法，改进后的猎豹优化算法最先并稳定达到-1800，说明在阈值寻优时，改进后的猎豹优化算法速度更快，在迭代20次左右便可寻找到最优阈值，表现出优秀的性能。

再分析分割时间对比表并结合图6，哈里斯鹰算法和标准猎豹优化算法还有明显的噪声，在细小部分分割效果差，而改进的猎豹优化算法在细小部分的分割效果就有明显提升，且分割时间也较短。

Claims (2)

1.一种用于电力部件图像的图像分割优化方法，其特征在于，利用改进猎豹优化算法优化多阈值Otsu算法得到最佳图像分割阈值，具体步骤为：

步骤一、利用无人机摄像头采集电力部件图像，然后对图像进行预处理，确定图像中的目标对象；

步骤二、输入待阈值分割的电力部件图像，并实时读取预处理后的图像，计算待分割的电力部件图的灰度直方图；

步骤三、改进标准猎豹优化算法，通过Matlab软件编写改进后的算法代码，并测试，改进步骤为：

首先，引入梯度下降更新策略，如式（1）所示：

（1）；

式中，为最新的待优化的参数向量，/>为学习率，控制了更新步长的大小，/>为梯度；

进一步改进学习率，改进后的公式为：（2）；

式中，为当前迭代的学习率，/>为上次迭代的学习率，/>为当前迭代最差适应度值，/>为当前迭代的随机值，/>为当前迭代最优适应度值；

最后，通过改进转向因子，引入随机非线性转向因子/>，更新猎豹攻击阶段位置更新公式，随机非线性转向因子公式为：

（3）;

式中，Max_iter为最大迭代次数，为当前迭代次数；

步骤四、利用改进的猎豹优化算法优化多阈值Otsu算法得到最佳分割阈值，找到最佳的分割阈值后再分割电力部件图像。

2.根据权利要求1所述的一种用于电力部件图像的图像分割优化方法，其特征在于，所述步骤四，利用改进的猎豹优化算法优化多阈值Otsu算法得到最佳分割阈值，具体步骤如下：

S1、根据电力部件图像数据，将电力部件图像分割精度作为适应度函数值，本发明提出一种采用类间方差和类内方差的比值的方式设计适应度函数，公式为：

；

式中，为电力部件图像第/>个子区域的像素占比，/>为电力部件图像第/>个子区域的平均灰度值，/>为整个电力部件图像的平均灰度值，/>为电力部件图像第/>个子区域的像素集合，/>为像素灰度值；

S2、初始化要分割的阈值个数，并根据所设阈值个数初始化改进猎豹优化算法的相关参数，包括猎豹初始位置、种群总体规模N、问题维度d、搜索空间上下界[ub, lb]和最大迭代次数Max_iter；随机生成一定数量的猎豹个体，每个猎豹个体代表多阈值Otsu算法中的阈值组合；

S3、将电力部件图像分割的阈值取值范围作为算法的搜索空间，范围为[0,255]，在取值范围内随机选取一组阈值参数作为猎豹种群初始位置；

S4、计算每个猎豹的适应度值，并记录下每次迭代中产生的最优个体的适应度值，将最优适应度值的个体设置为猎物，此时猎物的位置即为算法当前阈值寻优的趋向；

S5、用当前迭代最优适应度值，与上次迭代最优适应度值/>比较，两者最小的适应度值更新为/>；适应度值是用来衡量每个电力部件图像分割时阈值组合的优劣程度；

S6、采用变异系数的方式判断当前迭代是否陷入局部最优；若陷入局部最优，则执行S3，若未陷入局部最优，则执行S7；

S7、采用梯度下降机制，沿函数梯度的反向更新参数，减小适应度值，跳出局部最优；

S8、在猎豹搜索阶段，猎豹在领地或周围区域进行全范围扫描，猎豹按照式（4）更新种群个体位置：

，/>(4)；

式中，为第i头猎豹第t+1次迭代第j维位置，/>为第i头猎豹第t迭代第j维位置，为第i头猎豹第j维呈正态分布的随机数，/>为第i头猎豹第j迭代维的搜索步长，/>为算法最大迭代次数；

S9、在猎豹等待阶段，猎豹停止行动，猎豹按照式（5）更新种群个体位置：

(5)；

式中，为猎豹i在排列j中的更新位置，/>为猎豹i在排列j中的当前位置；

S10、在猎豹攻击阶段，引入随机非线性转向因子，然后更新种群个体位置：

(6)；

式中，为第t迭代第j维猎物位置，即当前最佳位置，/>为第i头猎豹第t迭代第j维交互因子；

S11、根据S8-S10，选择不同的位置更新策略来更新猎豹种群的位置，种群最新位置即为电力部件图像分割的阈值的解集，根据适应度函数的值，保留最优阈值解；

S12、通过改变猎豹个体的阈值参数来产生新的猎豹个体；

S13、更新当前迭代次数，并判断当前迭代次数是否达到预设的最大迭代次数，若否，则返回步骤S4，若是，则返回最优适应度值所对应的阈值即为电力部件图像最佳分割阈值；

S14、输出最佳阈值，对电力部件图像进行多阈值分割。