【图像分割】基于matlab遗传算法优化K聚类图像分割【含Matlab源码 1605期】

海神之光

已于 2024-10-12 19:45:31 修改

阅读量2.1k

点赞数

分类专栏： Matlab图像处理（进阶版）文章标签： matlab

于 2021-12-16 18:54:01 首次发布

代码事宜私信博主

本文链接：https://blog.csdn.net/TIQCmatlab/article/details/121981411

版权

Matlab图像处理（进阶版）专栏收录该内容

1143 篇文章

订阅专栏

💥💥💥💥💥💥💞💞💞💞💞💞💞💞欢迎来到海神之光博客之家💞💞💞💞💞💞💞💞💥💥💥💥💥💥
在这里插入图片描述
✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进；
🍎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图像处理仿真内容点击👇
①Matlab图像处理（进阶版）
②付费专栏Matlab图像处理（初级版）

⛳️关注CSDN海神之光，更多资源等你来！！

⛄一、遗传算法优化K聚类简介

文中提出基于优化遗传算法的模糊聚类图像分割算法, 是在上述对遗传算法进行了优化的基础上形成的。不仅根据个体适应度大小和变化快慢自适应调节变异率和交叉率, 提高计算准确性和效率, 另外, 在遗传算法迭代计算中加入基于曲线二阶导数的约束条件以加快收敛, 然后用优化后的遗传算法按照模糊聚类规则对聚类中心进行计算, 计算完成后, 根据最终计算的聚类中心产生分割阈值以完成对图像的分割。具体步骤如下:

初始化和编码操作。
初始化所需参数, 并采用实数编码, 将直方图中归一化的聚类中心坐标值作为基因, 随机生成初始种群。实数编码可以缩短染色体长度, 也避免了在二进制编码所必需的译码过程, 提高计算的精度和速度;
计算适应度。
文中构造适应度函数为:
f=a/ (b+J) (5)
其中, a, b是可调参数, 由实验可分别设为10和1.5。J为式 (1) 中的目标函数;
选择个体。
个体被选择的概率与适应度值成正比, 即根据适应度大小按比例选择个体;
交叉产生新的个体。
采用实值中间重组方式进行交叉操作;
变异操作。
文中将归一化的聚类中心坐标值作为基因, 因此将变异前后个体的变化量设为0.5r (t/T) 。其中, r是区间[0, 1]内的随机数, T为演化最大代数, t为当前演化代数。这种变异操作的优势在于:在演化初期即t较小时, 个体可在较大范围内变异, 提高搜索的准确性, 避免陷入局部最优;而当t较大时, 缩小个体的变异范围, 有利于提高搜索效率。此外, 在产生新种群的过程中, 加入约束条件使产生的聚类中心与直方图峰值没有太大偏差, 加快收敛速度;
迭代计算。
得到新种群后计算新的模糊隶属度矩阵, 返回步骤2) , 继续迭代计算, 直到满足迭代中止条件为止。迭代中止后, 依据计算出的聚类中心得到分割阈值, 完成图像分割。

⛄二、部分源代码

function [idx,cs,egr]=kmeanseg(im,cs)

%number of Iteration
T= 50; t=0;

nc=length(cs);
[row,col]=size(im);
D=zeros(row,col,nc);

pcs=cs;
egr =[];
eps=1.e-8; cmx=1;

while ( t<T && cmx>eps )

% Euclidean distance between centroids and image's pixel 
for c=1: nc 
  D(:,:,c)=   (im - cs(c)).^2 ;     
end
        
% assign members (image pixels) to clusters  
[mv,idx]=min(D,[],3);

 % cluster centroid updation
for c=1: nc 
  I = (idx==c);  
  cs(c) = mean( mean(im(I)) );    
end

% find if any member label changes between current and previous iteration     
 cmx = max( abs(cs-pcs) );
 pcs = cs;
     
 t= t+1;
 
%sum difference between centroid and their members 
% and store it for ploting energy minimization functions
egr= [egr; sum(mv(:)) ];

end
function egr=objfunc(cs)

global sds
nc = size(cs,2);
[row,col]=size(sds);
D=zeros(row,col,nc);
% Euclidean distance between centroids and image’s pixel
for c=1: nc
D(:,:,c)= (sds - cs©).^2 ;
end
% assign members (image pixels) to clusters
[mv,~]=min(D,[],3);
egr=sum(mv(😃);

⛄三、运行结果

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]朱斌,管莉,张胜超,齐敏,郝重阳.基于优化遗传算法的模糊聚类图像分割算法[J].弹箭与制导学报. 2008,(04)

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