DOI: https://doi.org/10.1007/s00371-025-04341-6
تاريخ النشر: 2026-01-01
المؤلف: M. Faruk Şahin وآخرون
الموضوع الرئيسي: تصنيف الصور باستخدام الاستشعار عن بُعد
نظرة عامة
تناقش هذه الفقرة تطوير وتقييم خوارزمية RSA-HGSO، وهي نهج هجين جديد لعتبة الصورة متعددة المستويات لصور الأقمار الصناعية الملونة عالية الدقة. تدمج هذه الخوارزمية خوارزمية البحث عن الزواحف (RSA) وتحسين ذوبانية الغاز هنري (HGSO) لتعزيز جودة التقسيم مع الحفاظ على توازن بين الاستكشاف والاستغلال. تظهر النتائج التجريبية أن RSA-HGSO تتفوق على الطرق التقليدية، حيث تحقق قيمًا متوسطة من PSNR 24.59 ديسيبل، وSSIM 0.9088، وFSIM 0.9233، وNCC 0.9663، مما يشير إلى دقة متفوقة وسلامة هيكلية. تحافظ الخوارزمية على حوالي 91% من ترتيب شدة بكسل الأصلية وتحافظ على علاقات الجوار المحلية، مما يؤكد فعاليتها في التطبيقات الواقعية مثل إدارة الكوارث والتخطيط الحضري.
تؤكد الخاتمة على إمكانيات التقسيم متعدد المستويات في المجالات الحرجة لكنها تعترف بحدود الطرق التقليدية في البيانات عالية الدقة. تظهر RSA-HGSO وعدًا في توفير بديل مكافئ إحصائيًا للخوارزميات الموجودة، مع دقة عالية عند مستويات العتبة المنخفضة والمتوسطة. تشمل اتجاهات البحث المستقبلية تحليل حساسية المعلمات، وتطوير وظائف لياقة متقدمة، والتحقق من صحة على مجموعات بيانات كبيرة، ودمج وحدات المعالجة اللاحقة، واستكشاف التطبيقات في الوقت الحقيقي. تهدف هذه الجهود إلى تعزيز أداء الخوارزمية وقابليتها للتطبيق في سيناريوهات الاستشعار عن بعد المتنوعة.
مقدمة
تسلط المقدمة الضوء على الاستخدام المتزايد لتقنيات الاستشعار عن بعد لتحليل الصور الفضائية والجوية، وهو أمر حيوي في مجالات متعددة مثل مراقبة البيئة، وتحليل الزراعة، والتخطيط الحضري، وإدارة الكوارث، وإدارة الموارد المستدامة. بينما توفر الصور الملونة (RGB) مظهرًا طبيعيًا للتفسير البشري، فإن الكثافة العالية للمعلومات تعقد عملية تقسيم الأشياء والمناطق بدقة، وهو أمر ضروري لتطبيقات مثل اكتشاف تغطية الأرض وتقييم تأثير الكوارث. غالبًا ما تؤدي طرق العتبة ذات المستوى الواحد التقليدية إلى تصنيفات خاطئة وفقدان التفاصيل، خاصة في المشاهد المعقدة، مما يثير الحاجة إلى تقنيات عتبة متعددة المستويات أكثر فعالية.
تواجه الطرق الكلاسيكية، مثل معايير أوزو وكابور، تحديات في بيانات الاستشعار عن بعد عالية الدقة بسبب زيادة الطلبات الحاسوبية وتدهور الأداء في وجود الضوضاء والتداخل الطيفي. وبالتالي، هناك اهتمام متزايد بخوارزميات تحسين ميتا-هيوريستيك (MH)، التي يمكن أن تحسن بكفاءة قيم العتبة عبر قنوات الألوان، مما يعزز جودة التقسيم وكفاءة الحوسبة. على الرغم من مزاياها، لا يزال تطبيق خوارزميات MH على العتبة متعددة المستويات في الصور الملونة محدودًا، حيث يركز بشكل أساسي على الصور الرمادية. يبرز هذا الفجوة ضرورة استراتيجيات بحث مبتكرة مصممة لتناسب تعقيدات الصور الفضائية، والتي يمكن أن تؤثر بشكل كبير على التطبيقات الحرجة في إدارة الكوارث، وتقدير إنتاجية الزراعة، والتخطيط الحضري. تظهر الخوارزمية الهجينة المقترحة وعدًا في تحسين أداء التقسيم، خاصة عند مستويات العتبة المنخفضة والمتوسطة، مع آثار مباشرة على التطبيقات الواقعية.
طرق
في هذه الدراسة، تم تطوير خوارزمية هجينة جديدة، تُعرف باسم RSA-HGSO، لعتبة الصور الملونة للأقمار الصناعية من خلال دمج خوارزمية البحث عن الزواحف (RSA) وخوارزمية تحسين ذوبانية الغاز هنري (HGSO). تعزز خوارزمية RSA تنوع الحلول من خلال استكشاف فعال في الفضاءات عالية الأبعاد، بينما تحسن HGSO التقارب نحو الأمثل المحلي عبر آلية بحث محلية. يتم استخدام RSA بشكل أساسي في التكرارات الأولية لاستكشاف مساحة البحث بشكل واسع، باستخدام استراتيجيات مثل المشي العالي والمشي البطني لتحديث الحلول المرشحة. تم نمذجة هذه الاستراتيجيات رياضيًا لمحاكاة سلوك الزواحف، مما يسمح بتوزيع متنوع للحلول. بالمقابل، يتم تفعيل HGSO في التكرارات اللاحقة لتنقيح الحلول بناءً على مبادئ ذوبانية الغاز، مما يضمن أن الحلول المرشحة تتقارب بسرعة أكبر نحو العتبات المثلى.
تتحكم الانتقال التكيفي بين RSA وHGSO بمعامل زمني، $\alpha(t)$، الذي ينقل التركيز من الاستكشاف إلى الاستغلال مع تقدم التكرارات. تسمح هذه الآلية للخوارزمية بالاستفادة من نقاط القوة في كلا المنهجين بشكل فعال، مع الحفاظ على توازن بين الاستكشاف والاستغلال طوال عملية التحسين. يتم استخدام متجه العتبة المثالي الناتج لإنشاء خرائط تقسيم تحتفظ بالمعلومات الطيفية لصور الأقمار الصناعية الملونة الأصلية. يتم تقييم أداء خوارزمية RSA-HGSO مقابل عدة معايير مرجعية، بما في ذلك GWO وPSO وRSA وHGSO، باستخدام مجموعة بيانات متنوعة من صور الأقمار الصناعية عالية الدقة لتقييم فعاليتها في سيناريوهات تغطية الأرض المختلفة.
نتائج
تظهر نتائج خوارزمية RSA-HGSO الهجينة التكيفية أدائها التنافسي من حيث نسبة الإشارة إلى الضوضاء (PSNR)، ومؤشر التشابه الهيكلي (SSIM)، ومؤشر التشابه المميز (FSIM)، ومعامل الارتباط الطبيعي (NCC) عبر مستويات العتبة المختلفة لصور الأقمار الصناعية. على سبيل المثال، حققت RSA-HGSO PSNR قدره 18.8341 لصورة Satellite_1 عند عتبة 26، مما ينافس بشكل وثيق RSA الكلاسيكية (18.8477) ويتفوق على خوارزميات أخرى عند العتبات المنخفضة. من الجدير بالذكر أنها حققت أعلى PSNR لها وهو 27.3904 لصورة Satellite_2، مما يشير إلى أداء قوي عبر كل من العتبات المنخفضة والمتوسطة. توضح نتائج SSIM بشكل أكبر فعالية RSA-HGSO، بقيم مثل 0.8512 عند العتبة 26 لصورة Satellite_1، متجاوزة العديد من الخوارزميات المنافسة، خاصة عند العتبات المنخفضة.
فيما يتعلق بـ FSIM، أدت RSA-HGSO أيضًا بشكل قوي، حيث حققت قيمة قصوى قدرها 0.9349 لصورة Satellite_1 عند العتبة 26، مما يدل على قدرتها في الحفاظ على ميزات الصورة. تؤكد نتائج NCC ذلك، حيث حققت RSA-HGSO NCC قدره 0.9146 لصورة Satellite_1 عند أعلى عتبة، مما يظهر استقرارها في الحفاظ على الارتباط الهيكلي. بشكل عام، لا تتفوق خوارزمية RSA-HGSO فقط في متوسطات PSNR وNCC، بل تظهر أيضًا أداءً متسقًا عبر جميع المقاييس، مما يجعلها طريقة موثوقة لتقسيم صور الأقمار الصناعية متعددة المستويات. تشير التحليلات الإحصائية إلى أنه بينما تظهر RSA-HGSO أعلى متوسط PSNR، إلا أنها أيضًا تمتلك أكبر انحراف معياري، مما يعكس إمكانياتها لحلول متفوقة مع الحفاظ على السلامة الهيكلية.
مناقشة
تؤكد قسم المناقشة في ورقة البحث على تطوير إطار عمل هجيني تكيفي جديد لتحسين العتبة متعددة المستويات لصور الاستشعار عن بعد الملونة، مما يعالج فجوة كبيرة في الأدبيات الحالية التي تركز بشكل أساسي على الصور الرمادية. تدمج الطريقة المقترحة خوارزمية البحث عن الزواحف (RSA) وخوارزمية تحسين ذوبانية الغاز هنري (HGSO)، مستفيدة من قدرات الاستكشاف لـ RSA ونقاط القوة في الاستغلال لـ HGSO لتعزيز تنوع الحلول وسرعة التقارب. على عكس النماذج الهجينة التقليدية التي تعمل بشكل متسلسل، يوازن إطار عمل RSA-HGSO ديناميكيًا بين الاستكشاف والاستغلال، مما يحسن الأداء من حيث الدقة وكفاءة الحوسبة، خاصة لصور الأقمار الصناعية RGB عالية الدقة.
تشمل المساهمات الرئيسية للدراسة تصميم خوارزمية RSA-HGSO، التي تحقق تنفيذًا متوازنًا لمراحل الاستكشاف والاستغلال، وتقييمها مقابل الطرق الحالية باستخدام صور عالية الدقة من منصة NASA Visible Earth. تشير النتائج التجريبية إلى أن الخوارزمية المقترحة لا تقدم فقط دقة عالية وتقارب سريع، بل تحافظ أيضًا على تكاليف حوسبة منخفضة، مما يؤكد فعاليتها في عتبة الصور الملونة متعددة المستويات. يوضح القسم أيضًا تنظيم الورقة، مشيرًا إلى الأقسام التالية التي تستعرض الأعمال ذات الصلة، وتفصيل الطريقة المقترحة، وتقديم النتائج التجريبية، ومناقشة النتائج والقيود.
القيود
تقدم الدراسة عدة قيود قد تؤثر على عمومية وأداء الخوارزمية المقترحة. أولاً، تم اشتقاق مجموعة البيانات حصريًا من صور الأقمار الصناعية التي تم الحصول عليها من خلال منصة NASA Visible Earth، مما يثير مخاوف بشأن قابلية تطبيق الخوارزمية على أنواع أقمار صناعية مختلفة أو ظروف استشعار مختلفة. ثانيًا، تم اختيار استخدام وظيفة لياقة هجينة تعتمد على أوزو وكابور لتقليل التعقيد الحاسوبي، مما استبعد وظائف موضوعية أكثر تعقيدًا تعتمد على المحتوى أو التعلم العميق. قد تكون هذه القرار قد قيدت مرونة الخوارزمية وقابليتها للتكيف، حيث اعتمد تقييم الأداء بشكل أساسي على مقاييس دقة الصورة مثل نسبة الإشارة إلى الضوضاء (PSNR)، ومؤشر التشابه الهيكلي (SSIM)، ومؤشر التشابه المميز (FSIM)، ومعامل الارتباط الطبيعي (NCC)، بدلاً من مقاييس دقة التصنيف المباشرة مثل الدقة، والتقاطع على الاتحاد (IoU)، أو درجة F1.
علاوة على ذلك، تم تحديد إعدادات المعلمات تجريبيًا، مما قد يحد من قابلية تطبيق الطريقة في سيناريوهات متنوعة، خاصة في معالجة البيانات في الوقت الحقيقي أو على نطاق واسع. لم يتم إجراء تحليل حساسية منهجي لمعامل الوزن الثابت $\alpha$ في وظيفة الهدف الهجينة، الذي تم تعيينه عند 0.5 خلال التقييمات، لتقييم كيف تؤثر التغييرات نحو $\alpha \to 1$ (مهيمن أوزو) أو $\alpha \to 0$ (مهيمن كابور) على الأداء عبر سياقات طيفية أو ضوضائية مختلفة. تحد هذه الفجوة من فهم عمومية الطريقة والتوازن الأمثل. يجب أن تعطي الأعمال المستقبلية الأولوية لاستراتيجيات تقليل التكاليف الحاسوبية، وتحسين المعلمات تلقائيًا، وتحليل حساسية شامل لمعامل $\alpha$ لمعالجة هذه القيود.
DOI: https://doi.org/10.1007/s00371-025-04341-6
Publication Date: 2026-01-01
Author(s): M. Faruk Şahin et al.
Primary Topic: Remote-Sensing Image Classification
Overview
The section discusses the development and evaluation of the RSA-HGSO algorithm, a novel hybrid approach for multi-level image thresholding of high-resolution color satellite images. This algorithm integrates the Reptile Search Algorithm (RSA) and Henry Gas Solubility Optimization (HGSO) to enhance segmentation quality while maintaining a balance between exploration and exploitation. Experimental results demonstrate that RSA-HGSO outperforms traditional methods, achieving average values of PSNR 24.59 dB, SSIM 0.9088, FSIM 0.9233, and NCC 0.9663, indicating superior accuracy and structural integrity. The algorithm preserves approximately 91% of the original pixel intensity ranking and maintains local neighborhood relationships, confirming its effectiveness in real-world applications such as disaster management and urban planning.
The conclusion emphasizes the potential of multilevel segmentation in critical domains but acknowledges the limitations of traditional methods in high-resolution data. RSA-HGSO shows promise in providing a statistically equivalent alternative to existing algorithms, with high accuracy at low and medium threshold levels. Future research directions include parameter sensitivity analysis, the development of advanced fitness functions, validation on large-scale datasets, integration of post-processing modules, and exploration of real-time applications. These efforts aim to further enhance the algorithm’s performance and applicability in diverse remote sensing scenarios.
Introduction
The introduction highlights the increasing utilization of remote sensing technologies for analyzing satellite and aerial imagery, which is pivotal in various fields such as environmental monitoring, agricultural analysis, urban planning, disaster management, and sustainable resource management. While color (RGB) images provide a natural appearance for human interpretation, the high information density complicates accurate segmentation of objects and regions, which is essential for applications like land cover detection and disaster impact assessment. Traditional single-level thresholding methods often result in misclassification and loss of detail, particularly in complex scenes, prompting the need for more effective multi-level thresholding techniques.
Classical methods, such as Otsu’s and Kapur’s criteria, face challenges in high-resolution remote sensing data due to increased computational demands and performance degradation in the presence of noise and spectral overlap. Consequently, there is a growing interest in Meta-Heuristic (MH) optimization algorithms, which can efficiently optimize threshold values across color channels, enhancing segmentation quality and computational efficiency. Despite their advantages, the application of MH algorithms to multi-level thresholding in color images remains limited, primarily focusing on grayscale imagery. This gap underscores the necessity for innovative search strategies tailored to the complexities of satellite imagery, which can significantly impact critical applications in disaster management, agricultural yield estimation, and urban planning. The proposed hybrid algorithm shows promise in improving segmentation performance, particularly at low and intermediate threshold levels, with direct implications for real-world applications.
Methods
In this study, a novel hybrid algorithm, referred to as RSA-HGSO, is developed for multi-level thresholding of color satellite images by combining the Reptile Search Algorithm (RSA) and the Henry Gas Solubility Optimization (HGSO) algorithm. The RSA algorithm enhances solution diversity through effective exploration in high-dimensional spaces, while HGSO improves convergence to local optima via a localized search mechanism. The RSA is primarily utilized in the initial iterations to explore the search space broadly, employing strategies like High Walking and Belly Walking to update candidate solutions. These strategies are mathematically modeled to simulate reptilian behaviors, allowing for a diverse distribution of solutions. In contrast, HGSO is activated in later iterations to refine solutions based on principles of gas solubility, ensuring that candidate solutions converge more rapidly toward optimal thresholds.
The adaptive transition between RSA and HGSO is governed by a time-dependent coefficient, $\alpha(t)$, which shifts the focus from exploration to exploitation as iterations progress. This mechanism allows the algorithm to leverage the strengths of both methodologies effectively, maintaining a balance between exploration and exploitation throughout the optimization process. The resulting optimal threshold vector is then used to create segmentation maps that retain the spectral information of the original color satellite images. The performance of the RSA-HGSO algorithm is evaluated against several benchmarks, including GWO, PSO, RSA, and HGSO, using a diverse dataset of high-resolution satellite images to assess its effectiveness in various land-cover scenarios.
Results
The results of the hybrid adaptive RSA-HGSO algorithm demonstrate its competitive performance in terms of Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index (SSIM), Feature Similarity Index (FSIM), and Normalized Correlation Coefficient (NCC) across various threshold levels for satellite images. For instance, RSA-HGSO achieved a PSNR of 18.8341 for the Satellite_1 image at a threshold of 26, closely rivaling classical RSA (18.8477) and outperforming other algorithms at lower thresholds. Notably, it reached its highest PSNR of 27.3904 for Satellite_2, indicating strong performance across both low and medium thresholds. The SSIM results further illustrate RSA-HGSO’s effectiveness, with values such as 0.8512 at threshold 26 for Satellite_1, surpassing many competing algorithms, particularly at lower thresholds.
In terms of FSIM, RSA-HGSO also performed robustly, achieving a maximum value of 0.9349 for Satellite_1 at threshold 26, indicating its capability in preserving image features. The NCC results corroborate this, with RSA-HGSO attaining an NCC of 0.9146 for Satellite_1 at the highest threshold, demonstrating its stability in maintaining structural correlation. Overall, the RSA-HGSO algorithm not only excels in PSNR and NCC averages but also shows consistent performance across all metrics, making it a reliable method for multi-level satellite image segmentation. The statistical analysis indicates that while RSA-HGSO exhibits the highest mean PSNR, it also has the largest standard deviation, reflecting its potential for superior solutions while maintaining structural integrity.
Discussion
The discussion section of the research paper emphasizes the development of a novel adaptive hybrid optimization framework for multilevel thresholding of color remote sensing images, addressing a significant gap in existing literature that primarily focuses on grayscale images. The proposed method integrates the Reptile Search Algorithm (RSA) and the Henry Gas Solubility Optimization (HGSO) algorithm, leveraging RSA’s exploration capabilities and HGSO’s exploitation strengths to enhance solution diversity and convergence speed. Unlike traditional hybrid models that operate sequentially, the RSA-HGSO framework dynamically balances exploration and exploitation, effectively improving performance in terms of accuracy and computational efficiency, particularly for high-resolution RGB satellite imagery.
Key contributions of the study include the design of the RSA-HGSO algorithm, which achieves a balanced execution of exploration and exploitation phases, and its evaluation against existing methods using high-resolution images from the NASA Visible Earth platform. Experimental results indicate that the proposed algorithm not only delivers high accuracy and fast convergence but also maintains low computational costs, confirming its effectiveness for multilevel color image thresholding. The section also outlines the organization of the paper, indicating subsequent sections that review related work, detail the proposed method, present experimental results, and discuss findings and limitations.
Limitations
The study presents several limitations that may affect the generalizability and performance of the proposed algorithm. Firstly, the dataset is exclusively derived from satellite images obtained through the NASA Visible Earth platform, which raises concerns about the algorithm’s applicability to different satellite types or sensor conditions. Secondly, the use of an Otsu-Kapur hybrid-based fitness function was chosen to reduce computational complexity, thereby excluding more sophisticated content-adaptive or deep learning-based objective functions. This decision may have constrained the algorithm’s flexibility and adaptability, as performance evaluation relied primarily on image fidelity metrics such as Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index (SSIM), Feature Similarity Index (FSIM), and Normalized Cross-Correlation (NCC), rather than direct classification accuracy metrics like accuracy, Intersection over Union (IoU), or F1 score.
Moreover, the parameter settings were determined experimentally, which may limit the method’s applicability in diverse scenarios, particularly in real-time or large-scale data processing contexts. The fixed weighting coefficient $\alpha$ in the hybrid objective function, set at 0.5 during evaluations, has not undergone systematic sensitivity analysis to assess how variations towards $\alpha \to 1$ (Otsu-dominant) or $\alpha \to 0$ (Kapur-dominant) influence performance across different spectral or noisy contexts. This gap restricts the understanding of the method’s generalizability and optimal balance. Future work should prioritize strategies for reducing computational costs, automatic parameter optimization, and a comprehensive sensitivity analysis of the $\alpha$ coefficient to address these limitations.