基于最大类间方差遗传算法的道路分割

Github个人博客：https://joeyos.github.io

最大类间方差的求解过程，就是在解空间中查找到一个最优的解，使得其方差最大，而遗传算法能非线性快速查找最优解k及最大的方差，其步骤如下：

1） 为了使用遗传算法，首先必须对实现解空间的数值编码，产生染色体单元。由于所采集到的道路图像的灰度图由0-255个灰度值组成，正好对应着一个8位二进制即一个字节，因此使用一个字节作为染色体。对于染色体的解码正好是编码的逆过程，就是这个字节的十进制数。

2）初始化种群，产生一个规模的染色体种群，并随机初始化每一染色体，得到多个不同的染色体，这个过程实际上决定了解的起始值，如果其选取过偏，则会造成最优解收敛慢，计算时间长的缺点。

3）对每个染色体进行解码。由最大类方差的分割阈值方法，可以设定其方差作为每一个染色体的评价函数，染色体的方差越大，就越有可能逼近最优解。求出每个染色体的适应值，对于所求得的适应值，求出每一个染色体的选择概率及累计概率并产生多个随机数。选择出随机概率对应的染色体作为遗传运算的一种种子，其中适应值打的被选取的可能性大，优胜劣汰。被选中的染色体作为遗传种子，进行遗传运算，这样一代一代地进行，每一代所得到的适应值都不相同，新一代中的染色体得到的适应值较高，因此，其解也更逼近于最大的值。

4）接下来进行遗传运算。首先进行杂交运算，杂交运算就是对染色体中的某些基因进行交换，此过程中为了控制交换的位数，必须给定一个杂交率。杂交率越大，其交换的基因越多，其值变化越快，解的收敛速度就越快；但杂交率太大，不利于求得最优解。

由最大类间方差分割法可知，对于每一个灰度值k，必须求得以下几个参数：w0、w1、u0、u1。不难发现对于每一个表达式都要求出pi的值，因此，可先求出每个pi的值。

function main()
clear all;
close all;
clc;
%定义全局变量
global chrom oldpop fitness lchrom  popsize cross_rate mutation_rate yuzhisum
global maxgen  m n fit gen yuzhi A B C oldpop1 popsize1 b b1 fitness1 yuzhi1
%读入道路图像
A=imread('road1.jpg');     
A=imresize(A,0.4);
B=rgb2gray(A);      %将RGB图像转化成灰度图像
C=imresize(B,0.1);    %将读入的图像缩小
lchrom=8;      %染色体长度
popsize=10;    %种群大小
cross_rate=0.7;      %杂交概率
mutation_rate=0.4;    %变异概率
%最大代数
maxgen=150;            
[m,n]=size(C);
'计算中,请稍等...'
%初始种群
initpop;   
%遗传操作
for gen=1:maxgen
    generation;  
end
findresult; %图像分割结果
%%%%%%输出进化各曲线%%%%%%
figure;
gen=1:maxgen;
plot(gen,fit(1,gen)); 
title(