O limiar múltiplo de entropia (MET) aumenta exponencialmente o tempo de computação com o aumento do número de limiares <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><mi>K</mi></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/5E9E4FCF-3052-4041-8679-B8DAF0DDEB76-M001.jpg"/><?fx-imagestate width="2.62466669" height="2.37066650"?></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/5E9E4FCF-3052-4041-8679-B8DAF0DDEB76-M001c.jpg"/><?fx-imagestate width="2.62466669" height="2.37066650"?></graphic></alternatives></inline-formula>, enquanto a precisão e estabilidade das estratégias de otimização relacionadas são baixas, resultando em uma perda significativa de informações de características como rugosidade da superfície e bordas nas imagens agregadas segmentadas. Para superar esse problema, foi proposto um modelo automático de segmentação de agregados baseado na otimização do MET usando o algoritmo de busca caótica Sparrow (SSA). Para aumentar a capacidade global de otimização e robustez do SSA, foi adicionada uma distribuição uniforme de sparrows usando mapeamento caótico logístico durante a inicialização da posição da população, e foi proposto um parâmetro de expansão para ampliar a busca global, controlando mutações de elite para escapar rapidamente da estagnação local. Esse algoritmo é chamado de LSSA, podendo melhorar a qualidade da solução sem reduzir a velocidade de convergência. O LSSA é usado para seleção automática de parâmetros MET, utilizando como funções de objetivo a entropia de Renyi, entropia cruzada simétrica e entropia de Kapur, para determinar rapidamente o conjunto ideal de limiares. Foram realizados experimentos de segmentação em imagens agregadas com diferentes características, e a comparação entre 6 algoritmos combinados e o algoritmo FCM comprovou a eficácia do LSSA-MET. Com o aumento de <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M2"><mi>K</mi></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/5E9E4FCF-3052-4041-8679-B8DAF0DDEB76-M001.jpg"/><?fx-imagestate width="2.62466669" height="2.37066650"?></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/5E9E4FCF-3052-4041-8679-B8DAF0DDEB76-M001c.jpg"/><?fx-imagestate width="2.62466669" height="2.37066650"?></graphic></alternatives></inline-formula>, a velocidade de operação permanece rápida, mesmo quando <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M3"><mi>K</mi><mo>=</mo><mn mathvariant="normal">6</mn></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/5E9E4FCF-3052-4041-8679-B8DAF0DDEB76-M003.jpg"/><?fx-imagestate width="8.21266651" height="2.37066650"?></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/5E9E4FCF-3052-4041-8679-B8DAF0DDEB76-M003c.jpg"/><?fx-imagestate width="8.21266651" height="2.37066650"?></graphic></alternatives></inline-formula>, o tempo médio para segmentar uma imagem é de apenas 1,532 s. Entre eles, o LSSA-Renyi apresentou o melhor desempenho, com melhorias de 29,92%, 10,67% e 5,16% no pico da relação sinal-ruído, similaridade estrutural e similaridade de características, respectivamente, preservando efetivamente a textura da superfície e as características das bordas dos agregados, alcançando um equilíbrio ideal entre precisão e velocidade.

segmentação de imagem;agregado;limiar múltiplo de entropia;otimização;algoritmo de busca sparrow;mapeamento logístico