【图像分割】基于matlab和声搜索算法图像多级阈值分割【含Matlab源码 2044期】

2023-12-04 18:30

本文主要是介绍【图像分割】基于matlab和声搜索算法图像多级阈值分割【含Matlab源码 2044期】,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

✅博主简介: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:海神之光
🏆代码获取方式:
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭:行百里者,半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理(进阶版)
路径规划(Matlab)
神经网络预测与分类(Matlab)
优化求解(Matlab)
语音处理(Matlab)
信号处理(Matlab)
车间调度(Matlab)

⛄一、和声搜索算法的图像阈值寻优算法简介

苹果图像识别是指将苹果果实从枝叶、土壤、天空等背景中分离出来, 即图像分割。最大类间方差法 (OTSU算法)是由日本学者大津展之 (OTSU) 提出的全局阈值选取方法。该方法存在缺乏自适应性、易造成噪声干扰和过分割现象、运算需要大量的时间等问题, 需要进一步改进。

和声搜索 (Harmony search, HS) 算法是通过类比音乐和最优化问题相似性提出的启发式智能进化算法。算法是对音乐演奏中乐师们凭借自己的记忆, 通过反复调整乐队中各乐器的音调, 最终达到一个美妙和声状态过程的模拟。HS算法概念简单, 收敛速度快, 容易实现, 解的产生方式新颖, 且只有少数参数需要调整, 在有关问题上展示了较遗传算法、模拟退火算法和禁忌搜索更好的性能。本文采用和声搜索算法与经典阈值分割Otsu算法结合的方法, 对苹果图像进行阈值寻优。

1 和声搜索算法思想
随机产生HMS个初始解 (和声) 放入和声记忆库 (Harmony Memory, HM) 内, HMS为和声记忆库的大小, HMCR为和声记忆库取值概率, PAR为音调微调概率, BW为音调微调带宽, Tmax为算法创作的次数。且r1, r2, r∈[0, 1]。
在这里插入图片描述
通过式 (2) 产生的新和声音调xi’还需进行音调微调:
在这里插入图片描述
对和声记忆库按以下更新策略进行更新:
在这里插入图片描述
上述过程不断重复, 直至创作 (迭代) 次数达到Tmax为止。

采用和声搜索算法, 将其应用于图像阈值分割算法寻取最优阈值, 提出一种基于和声搜索算法的图像阈值寻优算法 (Image Threshold Optimization Algorithm based on Harmony Search Algorithm, HS-OTSU) 。

2 和声搜索算法与OTSU算法结合原理
2.1 基于和声搜索算法的图像阈值寻优算法思想

HS-OTSU算法是将苹果图像编码处理后, 将图像作为目标函数进行阈值寻优, 选取图像的类间方差作为和声搜索算法的目标函数, 通过和声搜索算法寻找最大的分割阈值。

HS-OTSU算法思想:

Step1:读取苹果图像, 对原始图像进行预处理。

Step2:统计图像目标和背景的灰度级像素, 计算图像目标和背景两类间方差。

Step3:随机生成初始和声群体, 进行8位二进制编码, HMS=256为和声记忆库的大小。第i个和声记为xi= (x1, x2, Λ, xN) , 其中N=8为和声音调个数。

Step4:选取图像类间方差作为HS算法的目标函数f (x i) , 按式 (1) 初始化和声记忆库HM。

Step5:随机生成r1, r2, r∈[0 1, ], 如果r1<HCMR, 则新和声音调xi’按 (2) 式计算, 且如果r2<P AR, 则刚计算出的新和声音调xi’再按式 (3) 计算;如果r1≥≥H C M R, 则按式 (4) 计算新和声。按式 (5) 对和声记忆库进行更新, 如此反复迭代直至Tmax为止。

Step6:输出最优阈值。

2.2 基于和声搜索算法的图像阈值寻优算法流程
HS-OTSU算法流程图如图1所示。
在这里插入图片描述

⛄二、部分源代码

close all
clear all

% Se carga la imagen RGB o escala de grises
I1 = imread(‘Picture 148710088.jpg’);
I=rgb2gray(I1);
level = 3;

% Se obtienen los histogramas si la imagen es RGB uno por cada canal si es
% en escala de grises solamente un historgrama.
if size(I,3) == 1 %grayscale image
[n_countR, x_valueR] = imhist(I(:,:,1));
elseif size(I,3) == 3 %RGB image
%histograma para cada canal RGB
[n_countR, x_valueR] = imhist(I(:,:,1));
[n_countG, x_valueG] = imhist(I(:,:,2));
[n_countB, x_valueB] = imhist(I(:,:,3));
end
Nt = size(I,1) * size(I,2); %Cantidad total de pixeles en la imagen RENG X COL
%Lmax niveles de color a segmentar 0 - 256
Lmax = 256; %256 different maximum levels are considered in an image (i.e., 0 to 255)

% Distribucion de probabilidades de cada nivel de intensidad del histograma 0 - 256
for i = 1:Lmax
if size(I,3) == 1
%grayscale image
probR(i) = n_countR(i) / Nt;
elseif size(I,3) == 3
%RGB image
probR(i) = n_countR(i) / Nt;
probG(i) = n_countG(i) / Nt;
probB(i) = n_countB(i) / Nt;
end
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Parametros del problema de segmentacion
N_PAR = level; %number of thresholds (number of levels-1) (dimensiones)
ndim = N_PAR;

%Parametros Harmony Search %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
MaxAttempt = 25000; % Max number of Attempt
% Initial parameter setting
HS_size = 50; %Length of solution vector
HMacceptRate = 0.95; %HM Accepting Rate
PArate = 0.5; %Pitch Adjusting rate

if size(I,3) == 1
%Imagen escala de grises
range = ones(ndim,2);
range(:,2) = range(:,2) * Lmax;

%initializa harmony memory
HM = zeros(HS_size,ndim);%Imagen RGB
range = ones(ndim,2);
range(:,2) = range(:,2) * Lmax;
%IR
xR = zeros(HS_size,ndim);
%IG
xG = zeros(HS_size,ndim);
%IB
xB = zeros(HS_size,ndim);

end

C_Func = 0;
tic
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Generating Initial Solution Vector

%evalua x en la funcion objetivo%[HMbest, fitBestR] = fitnessIMG(I, HS_size, Lmax, level, HM, probR);

% C_Func = length(HMbest);

HMbest = Kapur(HS_size,level,HM,probR);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% Starting the Harmony Search
for count = 1:MaxAttempt,

    else% Harmony Memory Accepting Ratex(j) = HM(fix(HS_size * rand) + 1,j); %<--- prob HMCRif (rand <= PArate)% Pitch Adjusting in a given rangepa = (range(j,2) - range(j,1)) / pa_range(j);x(j) = x(j) + pa * (rand - 0.5);end %% for j
% Evaluate the new solution
%evalua x en la funcion objetivo
x = fix(sort(x));
%evalua x en la funcion objetivo
%[fbest, fitBestR] = fitnessIMG(I, 1, Lmax, level, x, probR);
fbest = Kapur(1,level,x,probR);
C_Func = C_Func + 1;% Find the best in the HS solution vector   
[HStemp, ii] = sort(HMbest, 'descend'); %Maximiza% Updating the current solution if better
if fbest > HMbest(HS_size), %maximizaHM(HS_size, :) = x;HMbest(HS_size) = fbest;
end
solution = x;   % Record the solution
%Obtiene los mejores valores de cada attempt y los alamacena
[mm,ii] = max(HMbest); %maximiza
Fit_bests(count) = mm; %Mejores Fitness
HS_elem(count,:) = HM(ii,1:ndim-1); %Mejores Elementos de HM
HS_bestit = HM(ii,1:ndim-1); %Guarda el mejor HS
HS_bestF = mm; %Guarda el mejor fitness

% Output the results to screen
str=strcat(‘Best estimates: =’,num2str(HS_bestit));
str=strcat(str,’ fmin='); str=strcat(str,num2str(HS_bestF));

%Save the best values that will be chek in the stop criterion
if count == 1 || HS_bestF > HS_ant
HS_ant = HS_bestF;
cc = 0;
elseif HS_bestF == HS_ant
cc = cc + 1;
end

if cc > (MaxAttempt * 0.10)
break;
end

end %% for count (harmony search)
toc
%plot fitness
plot(Fit_bests)

%Prepare results to be show
gBestR = sort(HS_bestit);
Iout = imageGRAY(I,gBestR);
Iout2 = mat2gray(Iout);
%Show results

MEANR = mean(Fit_bests)     %Mean of fitness
PSNRV = PSNR(I, Iout)       %PSNR between original image I and the segmented image Iout
Fit_bests(count)            %Best fitness
%Show results on images
figure
subplot(121)imshow(I);title('原图')
subplot(122)
imshow(Iout);title('分割图')%Plot the threshold values over the histogram
figure 
plot(probR)
hold on
vmax = max(probR);
for i = 1:ndim-1line([intensity(i), intensity(i)],[0 vmax],[1 1],'Color','r','Marker','.','LineStyle','-')%plot(lineas(i,:))hold on
endhold off

⛄三、运行结果

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 刘立群,火久元.基于和声搜索算法的图像阈值寻优算法[J].洛阳理工学院学报(自然科学版). 2014,24(03)

3 备注
简介此部分摘自互联网,仅供参考,若侵权,联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络(CNN)、LSTM、支持向量机(SVM)、最小二乘支持向量机(LSSVM)、极限学习机(ELM)、核极限学习机(KELM)、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合

这篇关于【图像分割】基于matlab和声搜索算法图像多级阈值分割【含Matlab源码 2044期】的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/454470

相关文章

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟&nbsp;开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚&nbsp;第一站:海量资源,应有尽有 走进“智听

Java ArrayList扩容机制 (源码解读)

结论:初始长度为10,若所需长度小于1.5倍原长度,则按照1.5倍扩容。若不够用则按照所需长度扩容。 一. 明确类内部重要变量含义         1:数组默认长度         2:这是一个共享的空数组实例,用于明确创建长度为0时的ArrayList ,比如通过 new ArrayList<>(0),ArrayList 内部的数组 elementData 会指向这个 EMPTY_EL

如何在Visual Studio中调试.NET源码

今天偶然在看别人代码时,发现在他的代码里使用了Any判断List<T>是否为空。 我一般的做法是先判断是否为null,再判断Count。 看了一下Count的源码如下: 1 [__DynamicallyInvokable]2 public int Count3 {4 [__DynamicallyInvokable]5 get

工厂ERP管理系统实现源码(JAVA)

工厂进销存管理系统是一个集采购管理、仓库管理、生产管理和销售管理于一体的综合解决方案。该系统旨在帮助企业优化流程、提高效率、降低成本,并实时掌握各环节的运营状况。 在采购管理方面,系统能够处理采购订单、供应商管理和采购入库等流程,确保采购过程的透明和高效。仓库管理方面,实现库存的精准管理,包括入库、出库、盘点等操作,确保库存数据的准确性和实时性。 生产管理模块则涵盖了生产计划制定、物料需求计划、

Spring 源码解读:自定义实现Bean定义的注册与解析

引言 在Spring框架中,Bean的注册与解析是整个依赖注入流程的核心步骤。通过Bean定义,Spring容器知道如何创建、配置和管理每个Bean实例。本篇文章将通过实现一个简化版的Bean定义注册与解析机制,帮助你理解Spring框架背后的设计逻辑。我们还将对比Spring中的BeanDefinition和BeanDefinitionRegistry,以全面掌握Bean注册和解析的核心原理。

音视频入门基础:WAV专题(10)——FFmpeg源码中计算WAV音频文件每个packet的pts、dts的实现

一、引言 从文章《音视频入门基础:WAV专题(6)——通过FFprobe显示WAV音频文件每个数据包的信息》中我们可以知道,通过FFprobe命令可以打印WAV音频文件每个packet(也称为数据包或多媒体包)的信息,这些信息包含该packet的pts、dts: 打印出来的“pts”实际是AVPacket结构体中的成员变量pts,是以AVStream->time_base为单位的显

kubelet组件的启动流程源码分析

概述 摘要: 本文将总结kubelet的作用以及原理,在有一定基础认识的前提下,通过阅读kubelet源码,对kubelet组件的启动流程进行分析。 正文 kubelet的作用 这里对kubelet的作用做一个简单总结。 节点管理 节点的注册 节点状态更新 容器管理(pod生命周期管理) 监听apiserver的容器事件 容器的创建、删除(CRI) 容器的网络的创建与删除

matlab读取NC文件(含group)

matlab读取NC文件(含group): NC文件数据结构: 代码: % 打开 NetCDF 文件filename = 'your_file.nc'; % 替换为你的文件名% 使用 netcdf.open 函数打开文件ncid = netcdf.open(filename, 'NC_NOWRITE');% 查看文件中的组% 假设我们想读取名为 "group1" 的组groupName

利用matlab bar函数绘制较为复杂的柱状图,并在图中进行适当标注

示例代码和结果如下:小疑问:如何自动选择合适的坐标位置对柱状图的数值大小进行标注?😂 clear; close all;x = 1:3;aa=[28.6321521955954 26.2453660695847 21.69102348512086.93747104431360 6.25442246899816 3.342835958564245.51365061796319 4.87