【图像分割】最佳直方图熵法（KSW熵法）+遗传算法图像二阈值分割【含Matlab源码 3177期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅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：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）

⛄一、改进的遗传算法与最大熵法结合图像分割简介

1 最大熵阈值分割原理
最大熵图像分割算法在图像质量较好和背景稳定变化时,可以取得比较理想的分割结果。对于灰度范围为0 ~ 255的病害叶片图像,假设图中灰度级低于t的像素点构成病斑区域( gi) ,灰度级高于t的像素点构成背景区域( Gi) ,则各个灰度级在两区域的分布概率分别为:

病斑区域和背景区域的熵分别为:

当熵函数取得最大值时,对应的灰度值T就是所求的最佳阈值,即

2 最大熵算法与GA相结合的图像分割方法
最大熵算法的求解原理是在解空间中找到一个最优解, 使得图像中目标与背景分布的熵最大。GA是一种基于生物自然选择和遗传机理的随机搜索算法,具有强大的全局最优解搜索能力和信息处理的隐并行性以及应用的鲁棒性。只要检测少量结构就能反映搜索空间较大的区域,并可获得稳定的最优解。GA是一个以适应度函数为依据,通过对种群中的个体施加遗传操作,实现种群内个体结构重组的迭代过程, 逐渐逼近最优解。将GA与最大熵算法相结合,能够得到病斑图像分割的最佳阈值。其病斑图像分割过程描述如下: ( 1) 数据输入。读入作物病害叶片图像,将其转换为灰度图像。( 2) 编码方式。将种群中的各个个体编码为8位二进制码,每个个体代表1个分割阈值,即用00000000 ~ 11111111之间的一个8位二进制代码代表一个图像分割阈值。( 3) 确定算法参数。种群规模n定为20,最小迭代次数为10。当迭代次数超过该值后,检查每代种群中最优个体适应度的变化, 若变化很小,即终止算法。在运算的初始阶段取较大的交叉概率( Pc= 0. 5) 和较小的变异概率( Pm= 0. 02 ) ,以便尽快搜索出最优个体。当迭代过程中种群个体的适应值难以继续增大时,将交叉概率减小10% 、变异概率增加20% ,由此可提高收敛速度,避免陷入局部极值。( 4) 种群规模设置。随机在0 ~ 255之间以同等概率生成n个个体I1~ In作为第1次寻优的初始种群。种群规模设置应该合理,若种群规模过大,则适应度评估次数增加,计算量增加; 种群规模过小,可能会引起未成熟收敛现象。( 5) 适应度函数设计。适应度函数是对个体进行遗传操作的依据,要能反映个体进化的优良程度,即个体有可能达到或接近问题最优解的程度。本算法采用式 ( 5) 作为适应度函数。( 6) 解码。对二进制个体组解码为0 ~ 255之间的实数,求其适应度值。( 7) 选择操作。选择操作先进行赌轮法,再采用精英策略。其具体过程为先计算各个体的适应度的总和S,再随机生成0 ~ S之间一个随机数k,然后从第1个个体开始累加,直到累加值大于该随机数k,此时最后一个累加的个体便是要选择的个体。如此重复形成用于繁殖的新种群 。( 8) 交叉操作。采用单点交叉,在I’1~ I’n中每次选取2个个体按设定的交叉概率进行交叉操作,生成新代的种群I″1~ I″n。( 9) 变异操作。采用基本变异算子,按设定的变异概率随机从I″1~ I″n中选择若干个个体,再随机从这些个体中选择某一位进行变异运算。从而形成新代种群I’‘‘1~ I’’'n。( 10) 对经过遗传操作后的个体采用小生境技术, 由于对适应度小的个体使用惩罚函数,可大幅提高其被淘汰的概率。( 11) 终止准则。没有满足某种停止条件,则继续上述操作,否则进入( 5) 。以迭代次数为终止条件,达到预定的最大迭代次数,则算法终止。当算法执行到最大进化代数 ( 或满足终止条件) ,种群中的最高适应度值仍未发生变化 ( 稳定条件) 时,算法停止运行,具有最高适应度值的个体即为分割阈值; 否则以新代种群I1~ In转到步骤( 5) 。本算法的终止准则,为当相邻2代的个体的平均适应度值小于0. 001时停止迭代。

⛄二、部分源代码

%利用最佳直方图熵法（KSW熵法）及传统遗传算法实现灰度图像二阈值分割
%主程序
%子函数cross_2d\ksw_2\mutation_2d\select_2d
% 初始部分，读取图像及计算相关信息
t = zeros(100,1);
for o = 1:1

tic
I=imread(‘lena.jpg’);
% I=imread(‘c.jpg’);
figure
figure(1),imshow(I);
I=rgb2gray(I);
hist=imhist(I); %显示图像数据柱状图
total=0;
for i=0:255
total=total+hist(i+1);
end
hist1=hist/total; %求每点的归一化//求像素为i的概率Pi
%
% 程序主干部分
%种群随机初始化，种群数取20，染色体二进制编码取16位
t0=clock;
population=20;
X00=round(rand(1,population)*255);
X01=round(rand(1,population)*255);
for i=1:population
X0(i,:)=[X00(i) X01(i)];
end
for i=1:population
if X0(i,1)>X0(i,2)
temp=X0(i,1);
X0(i,2)=temp;
X0(i,1)=temp;
else
end
adapt_value0(i)=ksw_2(X0(i,1),X0(i,2),0,255,hist1);
end
adapt_average0=mean(adapt_value0);
X1=X0;
adapt_value1=adapt_value0;
adapt_average1=adapt_average0;
%循环搜索，搜索代数取100
generation=100;
for k=1:generation

    s1=select_2d(X1,adapt_value1);

    s_code10=dec2bin(s1(:,1),8);
    s_code11=dec2bin(s1(:,2),8);

    [c10,c11]=cross_2d(s_code10,s_code11);

    [v10,v11]=mutation_2d(c10,c11);

    X20=(bin2dec(v10))';
    X21=(bin2dec(v11))';

    for i=1:population
        X2(i,:)=[X20(i) X21(i)];
    end

    for i=1:population
        adapt_value2(i)=ksw_2(X2(i,1),X2(i,2),0,255,hist1);
    end

    adapt_average2=mean(adapt_value2);

    if abs(adapt_average2-adapt_average1)<=0.03
        break;
    else
        X1=X2;
        adapt_value1=adapt_value2;
        adapt_average1=adapt_average2; 
    end
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]师韵,王震,王旭启,张善文.基于改进遗传算法的最大熵作物病害叶片图像分割算法[J].江苏农业科学. 2015,43(09)

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
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

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