1 簡介

提出一種基于遺傳算法的二維熵多閾值自適應圖像分割方法.在分析研究二維熵閾值分割原理的基礎上,將可變碼長的遺傳算法應用于多閾值分割處理過程,采用基于多閾值的整數(shù)編碼方式,將圖像分割的類別數(shù)即染色體的碼長融合到適應度函數(shù)中,從而實現(xiàn)了在對閾值尋優(yōu)的同時得以優(yōu)化分割類別數(shù),最終實現(xiàn)圖像的多閾值自適應分割處理.實驗分析結果表明,該方法具有實現(xiàn)閾值尋優(yōu)速度快,最優(yōu)解對應圖像分割效果好的特點.

2 部分代碼

clc ; clear ; close all ;                 %清屏，刪除已有的變量和窗口 %% 輸入圖像； Imag = imread ( ’24063.jpg’ ); %296059   Imag = rgb2gray ( Imag ); Image_OSTU = Imag ; %種群大小 popsize = 100 ; %二進制編碼長度 chromlength = 8 ; %交叉概率 pc = 0.6 ; %變異概率 pm = 0.001 ; %初始種群 pop = initpop ( popsize , chromlength ); ger = 5000 ;                         % 最大迭代次數(shù) iter = 1 ;                             %初始的迭代次數(shù)因為用while設置為一 record = zeros ( ger , 1 );             %記錄器 while iter < = ger     %計算適應度值（函數(shù)值）     objvalue = cal_objvalue ( pop );     fitvalue = objvalue ;     %選擇操作     newpop = selection ( pop , fitvalue );     %交叉操作     newpop = crossover ( newpop , pc );     %變異操作     newpop = mutation ( newpop , pm );     %更新種群     pop = newpop ;     %尋找最優(yōu)解   [ bestindividual , bestfit ] = best ( pop , fitvalue );     record ( iter ) = bestfit ;             %記錄最大值     iter = iter +1 ; end %% 作圖   figure ( 3 );     plot ( record );                 %畫出最大值的變化過程     title ( ’收斂過程’ ) l , bestfit ] = best ( pop , fitvalue ) [ px , py , pz ] = size ( pop ); %獲取矩陣的行數(shù)和列數(shù)，size（）將矩陣的行數(shù)給px，列數(shù)給py bestindividual = pop ( 1 ,:,:); %把第一行的所有列彈出 賦給bestindividual，pop() 函數(shù)用于移除列表中的一個元素（默認最后一個元素），并且返回該元素的值。 bestfit = fitvalue ( 1 ); %這兩行相當于在初始化最佳個體和最佳適應度值 for i = 2 : px %for循環(huán)從第二行開始，     if fitvalue ( i ) > bestfit %如果改行的適應值大于最佳適應值，         bestindividual = pop ( i ,:,:); %把該行作為最佳個體，         bestfit = fitvalue ( i ); %該行適應值為最佳適應值     end end end

3 仿真結果

4 參考文獻

[1]常發(fā)亮, 劉靜, and 喬誼正. "基于遺傳算法的彩色圖像二維熵多閾值自適應分割." 控制與決策 20.6(2005):5.

部分理論引用網(wǎng)絡文獻，若有侵權聯(lián)系博主刪除。

微信掃一掃贊賞作者 贊賞

長按二維碼向我轉賬

受蘋果公司新規(guī)定影響，微信 iOS 版的贊賞功能被關閉，可通過二維碼轉賬支持公眾號。