一、遗传算法自适应多阈值图像分割简介

理论知识参考:【基础教程】基于matlab图像处理图像分割【含Matlab源码 191期】

基于遗传算法的自适应最优阈值图像分割技术研究

二、部分源代码

function main()
clear;
clc;
%种群大小
popsize=100;
%二进制编码长度
chromlength=10;
%交叉概率
pc = 0.6;
%变异概率
pm = 0.001;
%初始种群
pop = initpop(popsize,chromlength);

for i = 1:100
%计算适应度值(函数值)
objvalue = cal_objvalue(pop);
fitvalue = objvalue;
%选择操作
newpop = selection(pop,fitvalue);
%交叉操作
newpop = crossover(newpop,pc);
%变异操作
newpop = mutation(newpop,pm);
%更新种群
pop = newpop;
%寻找最优解
[bestindividual,bestfit] = best(pop,fitvalue);
x2 = binary2decimal(bestindividual);
x1 = binary2decimal(newpop);
y1 = cal_objvalue(newpop);
if mod(i,50) == 0

figure; %Matlab中的figure命令,能够创建一个用来显示图形输出的一个窗口对象
fplot(@(x)x+10.*sin(5.*x)+7.*cos(4.*x),[5,20]);
%fplot('x+10*sin(5*x)+7*cos(4*x)',[5 20]);%自适应绘图,第一个参数为函数,第二个参数为坐标轴取值范围
hold on;% hold on作用是保持原图并接受此后绘制的新的曲线,叠加绘图; 多次叠绘: plot命令可以同时绘制多条曲线
plot(x1,y1,'*');%最优解用*标注
title(['迭代次数为n=' num2str(i)]);%num2str函数将数值转换为字符串
%plot(x1,y1,'*');
end
end

fprintf('The best X is --->>%5.2f\n',x2); %指定数据输出时格式为小数形式
fprintf('The best Y is --->>%5.2f\n',bestfit);
end

function pop=initpop(popsize,chromlength)
pop = round(rand(popsize,chromlength));
end


function pop2 = binary2decimal(pop)
lb=5; %x的取值范围下界
ub=20; %x的取值范围上界
[px,py]=size(pop); %px是矩阵的行,py是矩阵的列数,这里px是种群个数,py为染色体长度
%[r,c]=size(A),当有两个输出参数时,size函数将矩阵的行数返回到第一个输出变量r,将矩阵的列数返回到第二个输出变量c。
for i = 1:py
pop1(:,i) = 2.^(py-i).*pop(:,i); %冒号代表对所有行都有这样的操作
%py-i相当于说第一列到最后一列的顺序倒置过来
end

%sum(.,2)对行求和,得到列向量
temp = sum(pop1,2);

pop2 = 5+(temp*(ub-lb)/1023);
%根据X的取值范围进行2进制到10进制的转换,(ub-lb)相当于一个线段,temp/1023相当于二进制在这个区间上的占比,得到的结果再乘以(ub-lb)得到其在这段线段上的位置,再加上下界,就转换成了这个区间上的十进制。
end



function [objvalue] = cal_objvalue(pop)
x = binary2decimal(pop);%转化二进制数为x变量的变化域范围的数值
objvalue= x+10*sin(5*x)+7*cos(4*x);
end


%如何选择新的个体
%输入变量:pop二进制种群,fitvalue:适应度值
%输出变量:newpop选择以后的二进制种群
function [newpop] = selection(pop,fitvalue)
%构造轮盘
[px,py] = size(pop);
totalfit = sum(fitvalue);%总的适应度值
p_fitvalue = fitvalue/totalfit;%每个适应度值在轮盘中的占比,也就是相对适应度的大小,即为每个个体被遗传到下一代群体中的概率
p_fitvalue = cumsum(p_fitvalue);%概率求和排序 cumsum()得到输入矩阵的每个元素对应的列向上(行向左)求和矩阵
ms = sort(rand(px,1));%从小到大排列 生成种群大小的0-1的随机数字,依据该随机数出现在上述哪一个概率区域内来确定各个个体被选
%中的次数
fitin = 1;
newin = 1;%行选择标量


%选出新的种群
while newin<=px %初始行向量为1,,从第一行开始遍历
if(ms(newin))<p_fitvalue(fitin)%当产生的随机数字<个体被遗传到下一代群体中的概率时,即为可遗传


else
fitin=fitin+1;%如果不可遗传,就检查下一个更大的区域
end
end
end

if(rand<pc)%当随机数小于交叉概率时才进行交叉
%rand没有参数的时候就是从均匀分布中生成一个0-1之间的随机数
cpoint = round(rand*py);%round是一个四舍五入的函数 用随机数*列数是在随机设置交叉点的位置
newpop(i,:) = [pop(i,1:cpoint),pop(i+1,cpoint+1:py)];%截取第i行交叉点前面的和第i+1行交叉点后面的进行连接
newpop(i+1,:) = [pop(i+1,1:cpoint),pop(i,cpoint+1:py)];%截取第i+1行交叉点前面的和第i行交叉点后面的进行连接
else %如果随机数大于交叉概率,也就是不进行交叉直接把pop中的种群数赋给交叉后的种群数
newpop(i,:) = pop(i,:);
newpop(i+1,:) = pop(i+1,:);
end
end
end

function [newpop] = mutation(pop,pm)
[px,py] = size(pop);
newpop = ones(size(pop));
for i = 1:px %循环从第一行到最后一行
if(rand<pm) %如果随机数小于变异概率就发生变异
mpoint = round(rand*py); %随即产生变异点的位置
if mpoint <= 0
mpoint = 1;
end
newpop(i,:) = pop(i,:);
if newpop(i,mpoint) == 0
newpop(i,mpoint) = 1;
else newpop(i,mpoint) == 1
newpop(i,mpoint) = 0;
%对第i行变异点取反
end
else newpop(i,:) = pop(i,:);
end
end
end


function [bestindividual, bestfit] = best(pop,fitvalue)
[px,py] = size(pop); %获取矩阵的行数和列数,size()将矩阵的行数给px,列数给py
bestindividual = pop(1,:);%把第一行的所有列弹出 赋给bestindividual,pop() 函数用于移除列表中的一个元素(默认最后一个元素),并且返回该元素的值。
bestfit = fitvalue(1); %这两行相当于在初始化最佳个体和最佳适应度值
for i = 2:px %for循环从第二行开始,
if fitvalue(i)>bestfit %如果改行的适应值大于最佳适应值,
bestindividual = pop(i,:);%把该行作为最佳个体,
bestfit = fitvalue(i);%该行适应值为最佳适应值
end
end
end

三、运行结果

【阙值分割】基于matlab遗传算法自适应多阈值图像分割【含Matlab源码 1460期】_matlab

【阙值分割】基于matlab遗传算法自适应多阈值图像分割【含Matlab源码 1460期】_开发语言_02

四、matlab版本及参考文献

1 matlab版本

2014a

2 参考文献

[1] 蔡利梅.MATLAB图像处理——理论、算法与实例分析[M].清华大学出版社,2020.

[2]杨丹,赵海滨,龙哲.MATLAB图像处理实例详解[M].清华大学出版社,2013.

[3]周品.MATLAB图像处理与图形用户界面设计[M].清华大学出版社,2013.

[4]刘成龙.精通MATLAB图像处理[M].清华大学出版社,2015.

[5]邬长安,余楠.基于遗传算法的自适应最优阈值图像分割技术研究[J].光盘技术. 2007,(01)