杭电模式识别课程设计作业
最大类间方差法(Otsu)
详见https://www.cnblogs.com/xiaomanon/p/4110006.html,这里就不去赘述了。
遗传算法策略
关于遗传算法的详解什么的,可以参考其他的类似文章,下面讲讲我自己的策略
种群编码策略
二进制,优点在于方便理解,缺点在于python对于二进制数的处理有点鸡肋。
选择策略
轮盘选择法(有待改进)
缺点在于:若变异产生了一个新的最大值(更接近于最优值),但是其种群数量就只有1,远远比不上当前的最大值(离最优值远一点)。若直接使用轮盘选择法,那么这个新变异出来的值就会被覆盖掉。
改进:强制将上一代中最大的值进行保留,这样使得种群不会退化
交换策略
从基因一半往后的位置开始交换,这样有利于保持当前的最优值,使得交换之后的种群不至于很差。(待改进,对于最大值个体不进行交换操作)
-
Step1:产生一个概率,若小于交换概率,那么进行step2往后,否则处理下一个个体;
-
Step1:将种群的population乱序排列,取出前一半作为father,后一半作为mother;
Step2:产生half-end的随机位置,然后从father和mother中各选出一位出来配对,交换。
变异策略
对于每一个个体,对于任意位置产生一位变异,但是变异概率不宜设计的很大,这样会导致种群不容易收敛。(待改进,对于最大值个体不进行变异操作)
- Step1:产生一个概率,若小于变异的概率,那么进行step2往后,否则处理下一个个体;
- Step2:产生一个随机位置start-end;
- Step3:将该个体位置对应的随机位置的值取反。
停止条件
需满足以下其一即可:
1:满足种群迭代的最大值;
2:种群的0.98的个体都指向同一个值。
核心代码
otsu
import cv2
import numpy as np
import matplotlib.pyplot as plt
GRAY_SCALE = 256
def otsuth(img, threshold):
image_gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
# fg_pro = np.zeros((1, GRAY_SCALE))
# bg_pro = np.zeros((1, GRAY_SCALE))
# fg_sum = 0
# bg_sum = 0
# for col in image_gray:
# for pix in col:
# if pix > threshold:
# fg_pro[0, pix] += 1
# fg_sum += pix
# else:
# bg_pro[0, pix] += 1
# bg_sum += pix
#
# if fg_sum != 0:
# fg_pro = fg_pro / fg_sum
# if bg_sum != 0:
# bg_pro = bg_pro / bg_sum
fg_pix = image_gray > threshold
bg_pix = image_gray <= threshold
w0 = float(np.sum(fg_pix)) / image_gray.size
w1 = float(np.sum(bg_pix)) / image_gray.size
u0 = 0
u1 = 0
if np.sum(fg_pix) != 0:
u0 = np.sum(image_gray * fg_pix) / np