比较分析不同运行时间

基于第3章的分析和讨论，MQABC方法在MT分割方面具有明显的速度优势，本章将会综合比较分析EMO、ABC、MQABC、MDGWO、FMQABC、FMWABCA、FGWOA和FMDGWOA方法在运行时间方面的性能。表6.5展示了ABC相关方法的运行时间，从表中可以看出，在非模糊方法（EMO、ABC和MQABC）方面，MQABC在运行时间方面具有明显优势（第3章中已经详细分析了MQABC的时间效率，本章将不再赘述）。本章重点比较模糊类方法的运行时间。

表6.5　不同阈值条件下的运行时间比较

与EMO方法相比，FMQABC（第5章所提方法）在运行时间方面平均降低了62.68%。其中，阈值数量为4的Swan图像获得了最大的时间效率提升，提高了71.79%；阈值数量为5的Starfish图像时间效率提升最小，提高了51.58%。FMQABCA在运行时间方面平均降低了53.49%。其中，阈值数量为4的Aeroplane图像获得了最大的时间效率提升，提高了62.45%；阈值数量为5的Ladyhand图像时间效率提升最小，提高了45.13%。

与FDE方法相比，FMQABC在运行时间方面平均降低了43.27%。其中，阈值数量为4的Swan图像获得了最大的时间效率提升，提高了53.71%。阈值数量为5的Ladyhand图像时间效率提升最小，提高了30.69%。FMQABCA在运行时间方面平均降低了29.30%。其中，阈值数量为5的Aeroplane图像获得了最大的时间效率提升，提高了40.45%。阈值数量为4的Building图像时间效率提升最小，提高了17.18%。

本章所提方法FMQABCA与第5章FMQABC方法相比，运行时间有所增长，主要是因为模糊聚合过程需要一定的运行时间。但是相较于表6.3图像分割质量方面的提高，这些运行时间方面的开销是完全可以接受的。

表6.6　不同阈值条件下的运行时间比较(www.xing528.com)

为了比较第5章FMDGWO和本章FGWOA和FMDGWOA方法在运行时间方面的性能，表6.6同样给出了相关方法的运行时间。相较于FMQABCA方法，FMDGWOA方法运行时间有所增加，但是与其他模糊和非模糊多阈值图像分割方法相比，FGWOA和FMDGWOA方法仍然具有一定的优势。

与EMO方法相比，FGWOA方法在运行时间方面平均降低了54.96%。其中，阈值数量为4的Aeroplane图像获得了最大的时间效率提升，提高了58.56%；阈值数量为5的Ladyhand图像时间效率提升最小，提高了46.52%。FMDGWOA在运行时间方面平均降低了51.94%。其中，阈值数量为4的Starfish图像获得了最大的时间效率提升，提高了57.84%；阈值数量为5的Ladyhand图像时间效率提升最小，提高了44.11%。

与FDE方法相比，FGWOA在运行时间方面平均降低了31.37%。其中，阈值数量为5的Aeroplane图像获得了最大的时间效率提升，提高了36.91%；阈值数量为5的Ladyhand图像时间效率提升最小，提高了22.65%。FMDGWOA在运行时间方面平均降低了26.83%。其中，阈值数量为4的Starfish图像获得了最大的时间效率提升，提高了34.83%；阈值数量为4的Building图像时间效率提升最小，提高了18.28%。

FGWOA和FMDGWOA方法相比，FMDGWOA方法在运行时间方面有所提高。主要原因在于在公式4.20更新最优解的过程中，权重因子的计算相较于直接平均值方法有更高的计算复杂度。

综合表6.5和表6.6可以发现，在运行时间方面FMQABC和FMQABCA方法具有优势，FMDGWOA方法相对时间效率较低。然而FMDGWOA在目标函数稳定性方面具有更好的效果，第6.5.4节将对算法的STD和MEAN参数进行比较和分析。