✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。

🍎个人主页:Matlab科研工作室

🍊个人信条:格物致知。

⛄ 内容介绍

本文提出了一种麻雀优化Tsallis相对熵的图像多阈值分割算法.首先分析了Tsallis相对熵阈值分割原理,并将其推广到多阈值分割.利用高斯分布拟合分割后的图像直方图信息,利用Tsallis相对熵作为衡量最佳分割阈值的度量函数.将麻雀优化算法与Tsallis相对熵度量函数结合,求解Tsallis相对熵函数的最优解,提高阈值分割算法的速度.最后将所提算法并且与经典的Otsu算法和基于二维熵的多阈值分割法进行对比.实验结果表明所提算法速度快,准确性高能够用于图像的多阈值分割.

⛄ 部分代码

%_________________________________________________________________________%

% 麻雀优化算法             %

%_________________________________________________________________________%

function [Best_pos,Best_score,curve]=SSA(pop,Max_iter,lb,ub,dim,fobj)


ST = 0.6;%预警值

PD = 0.7;%发现者的比列,剩下的是加入者

SD = 0.2;%意识到有危险麻雀的比重


PDNumber = round(pop*PD); %发现者数量

SDNumber = round(pop*SD);%意识到有危险麻雀数量

if(max(size(ub)) == 1)

   ub = ub.*ones(1,dim);

   lb = lb.*ones(1,dim);  

end


%种群初始化

X0=initialization(pop,dim,ub,lb);

X = X0;

%计算初始适应度值

fitness = zeros(1,pop);

for i = 1:pop

   fitness(i) =  fobj(X(i,:));

end

 [fitness, index]= sort(fitness);%排序

BestF = fitness(1);

WorstF = fitness(end);

GBestF = fitness(1);%全局最优适应度值

for i = 1:pop

    X(i,:) = X0(index(i),:);

end

curve=zeros(1,Max_iter);

GBestX = X(1,:);%全局最优位置

X_new = X;

for i = 1: Max_iter

    

    BestF = fitness(1);

    WorstF = fitness(end);


    

    R2 = rand(1);

   for j = 1:PDNumber

      if(R2<ST)

          X_new(j,:) = X(j,:).*exp(-j/(rand(1)*Max_iter));

      else

          X_new(j,:) = X(j,:) + randn()*ones(1,dim);

      end     

   end

   for j = PDNumber+1:pop

%        if(j>(pop/2))

        if(j>(pop - PDNumber)/2 + PDNumber)

          X_new(j,:)= randn().*exp((X(end,:) - X(j,:))/j^2);

       else

          %产生-1,1的随机数

          A = ones(1,dim);

          for a = 1:dim

            if(rand()>0.5)

                A(a) = -1;

            end

          end 

          AA = A'*inv(A*A');     

          X_new(j,:)= X(1,:) + abs(X(j,:) - X(1,:)).*AA';

       end

   end

   Temp = randperm(pop);

   SDchooseIndex = Temp(1:SDNumber); 

   for j = 1:SDNumber

       if(fitness(SDchooseIndex(j))>BestF)

           X_new(SDchooseIndex(j),:) = X(1,:) + randn().*abs(X(SDchooseIndex(j),:) - X(1,:));

       elseif(fitness(SDchooseIndex(j))== BestF)

           K = 2*rand() -1;

           X_new(SDchooseIndex(j),:) = X(SDchooseIndex(j),:) + K.*(abs( X(SDchooseIndex(j),:) - X(end,:))./(fitness(SDchooseIndex(j)) - fitness(end) + 10^-8));

       end

   end

   %边界控制

   for j = 1:pop

       for a = 1: dim

           if(X_new(j,a)>ub(a))

               X_new(j,a) =ub(a);

           end

           if(X_new(j,a)<lb(a))

               X_new(j,a) =lb(a);

           end

       end

   end 

   %更新位置

   for j=1:pop

    fitness_new(j) = fobj(X_new(j,:));

   end

   for j = 1:pop

    if(fitness_new(j) < GBestF)

       GBestF = fitness_new(j);

        GBestX = X_new(j,:);   

    end

   end

   X = X_new;

   fitness = fitness_new;

    %排序更新

   [fitness, index]= sort(fitness);%排序

   BestF = fitness(1);

   WorstF = fitness(end);

   for j = 1:pop

      X(j,:) = X(index(j),:);

   end

   curve(i) = GBestF;

end

Best_pos =GBestX;

Best_score = curve(end);

end



⛄ 运行结果

【图像分割】基于麻雀算法优化的Tsallis相对熵实现图像多阈值分割附matlab代码_图像直方图

⛄ 参考文献

[1]李粉红、卢晶、张志光. 一种风驱动优化Tsallis相对熵的图像多阈值分割方法[J]. 红外技术, 2020, 42(10):7.

[2]吕鑫, 慕晓冬, 张钧. 基于改进麻雀搜索算法的多阈值图像分割[J]. 系统工程与电子技术, 2021.

❤️ 关注我领取海量matlab电子书和数学建模资料
❤️部分理论引用网络文献,若有侵权联系博主删除