【图像分割】基于萤火虫算法实现图像聚类分割附matlab代码

1 内容介绍

为了提高图像的分割效果,提出一种萤火虫算法优化聚类的图像分割方法。获得最大聚类优化目标函数,采用萤火虫算法对目标函数进行求解,找到图像的最佳聚类个数,根据最佳聚类个数对图像进行分割,通过仿真实验对分割效果进行测试。结果表明,该方法可以迅速、准确找到最佳阈值,提高图像分割的准确度和抗噪性能,可以较好地满足图像分割实时性要求。

2 部分代码

%% Differential Evolution image color quantization using clustering

clear;

clc;

warning('off');

img=imread('r.jpg');

img=im2double(img);

% Separating color channels

R=img(:,:,1);

G=img(:,:,2);

B=img(:,:,3);

% Reshaping each channel into a vector and combine all three channels

X=[R(:) G(:) B(:)];

%% Starting DE Clustering

k = 6; % Number of Colors (cluster centers)

%---------------------------------------------------

CostFunction=@(m) ClusterCost(m, X);     % Cost Function

VarSize=[k size(X,2)];           % Decision Variables Matrix Size

nVar=prod(VarSize);              % Number of Decision Variables

VarMin= repmat(min(X),k,1);      % Lower Bound of Variables

VarMax= repmat(max(X),k,1);      % Upper Bound of Variables

% DE Parameters

MaxIt=100;         % Maximum Iterations

nPop=k*2;         % Population Size

%

beta_min=0.2;   % Lower Bound of Scaling Factor

beta_max=0.8;   % Upper Bound of Scaling Factor

pCR=0.2;        % Crossover Probability

% Start

empty_individual.Position=[];

empty_individual.Cost=[];

empty_individual.Out=[];

BestSol.Cost=inf;

pop=repmat(empty_individual,nPop,1);

for i=1:nPop

pop(i).Position=unifrnd(VarMin,VarMax,VarSize);  

[pop(i).Cost, pop(i).Out]=CostFunction(pop(i).Position);  

if pop(i).Cost<BestSol.Cost

BestSol=pop(i);

end 

end

BestRes=zeros(MaxIt,1);

% DE Body

for it=1:MaxIt

for i=1:nPop        

x=pop(i).Position;        

A=randperm(nPop);        

A(A==i)=[];        

a=A(1);

b=A(2);

c=A(3);       

% Mutation

beta=unifrnd(beta_min,beta_max,VarSize);

y=pop(a).Position+beta.*(pop(b).Position-pop(c).Position);

y=max(y,VarMin);

y=min(y,VarMax);        

% Crossover

z=zeros(size(x));

j0=randi([1 numel(x)]);

for j=1:numel(x)

if j==j0 || rand<=pCR

z(j)=y(j);

else

z(j)=x(j);

end

end        

NewSol.Position=z;

[NewSol.Cost, NewSol.Out]=CostFunction(NewSol.Position);       

if NewSol.Cost<pop(i).Cost

pop(i)=NewSol;           

if pop(i).Cost<BestSol.Cost

BestSol=pop(i);

end

end

end    

% Update Best Cost

BestRes(it)=BestSol.Cost;    

% Iteration 

disp(['In Iteration # ' num2str(it) ': Highest Cost IS = ' num2str(BestRes(it))]);    

DECenters=Res(X, BestSol);

end

DElbl=BestSol.Out.ind;

% Plot DE Train

figure;

plot(BestRes,'--k','linewidth',2);

title('DE Train');

xlabel('DE Iteration Number');

ylabel('DE Best Cost Value');

%% Converting cluster centers and its indexes into image 

Z=DECenters(DElbl',:);

R2=reshape(Z(:,1),size(R));

G2=reshape(Z(:,2),size(G));

B2=reshape(Z(:,3),size(B));

% Attaching color channels 

quantized=zeros(size(img));

quantized(:,:,1)=R2;

quantized(:,:,2)=G2;

quantized(:,:,3)=B2;

% Plot Results 

figure;

subplot(1,2,1);

imshow(img);title('Original');

subplot(1,2,2);

imshow(quantized);title('Quantized Image');

3 运行结果

4 参考文献

[1]吴鹏. 萤火虫算法优化最大熵的图像分割方法[J]. 计算机工程与应用, 2014.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机、雷达通信、无线传感器等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。