【图像分割-阈值分割】基于灰狼算法灰度熵多阈值图像分割附matlab代码

1 内容介绍

阈值分割方法的关键在于阈值选取.阈值决定了图像分割结果的好与坏,随着阈值数量的增加,图像分割的计算过程越来越复杂.为了选取适当的阈值进行图像分割,文中提出了离散灰狼算法(Discrete Grey Wolf Optimizer,DGWO),即经过离散化处理的灰狼算法,并用该算法求解以Kapur分割函数为目标函数的全局优化问题.DGWO算法具有很好的全局收敛性与计算鲁棒性,能够避免陷入局部最优,尤其适合高维,多峰的复杂函数问题的求解,并且可以很好地融合到图像分割过程当中.大量的理论分析和仿真实验的结果表明,与遗传算法(GA),粒子群算法(PSO)的图像分割结果相比,在选取多张分割图像,多个分割阈值的情况下,该算法具有更好的分割效果,更高的分割效率,优化得到的阈值范围更加稳定,分割质量更高.

2 部分代码

%___________________________________________________________________%

%  Grey Wolf Optimizer (GWO) source codes version 1.0               %

%                                                                   %

%  Developed in MATLAB R2011b(7.13)                                 %

%                                                                   %

%  Author and programmer: Seyedali Mirjalili                        %

%                                                                   %

%         e-Mail: ali.mirjalili@gmail.com                           %

%                 seyedali.mirjalili@griffithuni.edu.au             %

%                                                                   %

%       Homepage: http://www.alimirjalili.com                       %

%                                                                   %

%   Main paper: S. Mirjalili, S. M. Mirjalili, A. Lewis             %

%               Grey Wolf Optimizer, Advances in Engineering        %

%               Software , in press,                                %

%               DOI: 10.1016/j.advengsoft.2013.12.007               %

%                                                                   %

%___________________________________________________________________%

% Grey Wolf Optimizer

function [Alpha_score,Alpha_pos,Convergence_curve]=GWO(SearchAgents_no,Max_iter,lb,ub,dim,fobj)

% initialize alpha, beta, and delta_pos

Alpha_pos=zeros(1,dim);

Alpha_score=inf; %change this to -inf for maximization problems

Beta_pos=zeros(1,dim);

Beta_score=inf; %change this to -inf for maximization problems

Delta_pos=zeros(1,dim);

Delta_score=inf; %change this to -inf for maximization problems

%Initialize the positions of search agents

Positions=initialization(SearchAgents_no,dim,ub,lb);

Convergence_curve=zeros(1,Max_iter);

l=0;% Loop counter

% Main loop

while l<Max_iter

    for i=1:size(Positions,1)  

        

       % Return back the search agents that go beyond the boundaries of the search space

        Flag4ub=Positions(i,:)>ub;

        Flag4lb=Positions(i,:)<lb;

        Positions(i,:)=(Positions(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;               

        

        % Calculate objective function for each search agent

        fitness=fobj(Positions(i,:));

        

        % Update Alpha, Beta, and Delta

        if fitness<Alpha_score 

            Alpha_score=fitness; % Update alpha

            Alpha_pos=Positions(i,:);

        end

        

        if fitness>Alpha_score && fitness<Beta_score 

            Beta_score=fitness; % Update beta

            Beta_pos=Positions(i,:);

        end

        

        if fitness>Alpha_score && fitness>Beta_score && fitness<Delta_score 

            Delta_score=fitness; % Update delta

            Delta_pos=Positions(i,:);

        end

    end

    

    

    a=2-l*((2)/Max_iter); % a decreases linearly fron 2 to 0

    

    % Update the Position of search agents including omegas

    for i=1:size(Positions,1)

        for j=1:size(Positions,2)     

                       

            r1=rand(); % r1 is a random number in [0,1]

            r2=rand(); % r2 is a random number in [0,1]

            

            A1=2*a*r1-a; % Equation (3.3)

            C1=2*r2; % Equation (3.4)

            

            D_alpha=abs(C1*Alpha_pos(j)-Positions(i,j)); % Equation (3.5)-part 1

            X1=Alpha_pos(j)-A1*D_alpha; % Equation (3.6)-part 1

                       

            r1=rand();

            r2=rand();

            

            A2=2*a*r1-a; % Equation (3.3)

            C2=2*r2; % Equation (3.4)

            

            D_beta=abs(C2*Beta_pos(j)-Positions(i,j)); % Equation (3.5)-part 2

            X2=Beta_pos(j)-A2*D_beta; % Equation (3.6)-part 2       

            

            r1=rand();

            r2=rand(); 

            

            A3=2*a*r1-a; % Equation (3.3)

            C3=2*r2; % Equation (3.4)

            

            D_delta=abs(C3*Delta_pos(j)-Positions(i,j)); % Equation (3.5)-part 3

            X3=Delta_pos(j)-A3*D_delta; % Equation (3.5)-part 3             

            

            Positions(i,j)=(X1+X2+X3)/3;% Equation (3.7)

            

        end

    end

    l=l+1;    

    Convergence_curve(l)=Alpha_score;

end

3 运行结果

4 参考文献

[1]吴一全, 宋昱, 周怀春. 基于灰度熵多阈值分割和SVM的火焰图像状态识别[J]. 中国电机工程学报, 2013, 33(20):8.

[2]王钛, 许斌, 李林国,等. 基于离散灰狼算法的多级阈值图像分割[J]. 计算机技术与发展, 2016, 26(7):6.

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。