【圖像分割】基于麻雀算法優化的Tsallis相對熵實作圖像多門檻值分割附matlab代碼

✅作者簡介：熱愛科研的Matlab仿真開發者，修心和技術同步精進，matlab項目合作可私信。

🍎個人首頁：Matlab科研工作室

🍊個人信條：格物緻知。

​

⛄ 内容介紹

本文提出了一種麻雀優化Tsallis相對熵的圖像多門檻值分割算法.首先分析了Tsallis相對熵門檻值分割原理,并将其推廣到多門檻值分割.利用高斯分布拟合分割後的圖像直方圖資訊,利用Tsallis相對熵作為衡量最佳分割門檻值的度量函數.将麻雀優化算法與Tsallis相對熵度量函數結合,求解Tsallis相對熵函數的最優解,提高門檻值分割算法的速度.最後将所提算法并且與經典的Otsu算法和基于二維熵的多門檻值分割法進行對比.實驗結果表明所提算法速度快,準确性高能夠用于圖像的多門檻值分割.

⛄ 部分代碼

%_________________________________________________________________________%

% 麻雀優化算法             %

%_________________________________________________________________________%

function [Best_pos,Best_score,curve]=SSA(pop,Max_iter,lb,ub,dim,fobj)

ST = 0.6;%預警值

PD = 0.7;%發現者的比列，剩下的是加入者

SD = 0.2;%意識到有危險麻雀的比重

PDNumber = round(pop*PD); %發現者數量

SDNumber = round(pop*SD);%意識到有危險麻雀數量

if(max(size(ub)) == 1)

   ub = ub.*ones(1,dim);

   lb = lb.*ones(1,dim);  

end

%種群初始化

X0=initialization(pop,dim,ub,lb);

X = X0;

%計算初始适應度值

fitness = zeros(1,pop);

for i = 1:pop

   fitness(i) =  fobj(X(i,:));

end

 [fitness, index]= sort(fitness);%排序

BestF = fitness(1);

WorstF = fitness(end);

GBestF = fitness(1);%全局最優适應度值

for i = 1:pop

    X(i,:) = X0(index(i),:);

end

curve=zeros(1,Max_iter);

GBestX = X(1,:);%全局最優位置

X_new = X;

for i = 1: Max_iter

    BestF = fitness(1);

    WorstF = fitness(end);

    R2 = rand(1);

   for j = 1:PDNumber

      if(R2<ST)

          X_new(j,:) = X(j,:).*exp(-j/(rand(1)*Max_iter));

      else

          X_new(j,:) = X(j,:) + randn()*ones(1,dim);

      end     

   end

   for j = PDNumber+1:pop

%        if(j>(pop/2))

        if(j>(pop - PDNumber)/2 + PDNumber)

          X_new(j,:)= randn().*exp((X(end,:) - X(j,:))/j^2);

       else

          %産生-1，1的随機數

          A = ones(1,dim);

          for a = 1:dim

            if(rand()>0.5)

                A(a) = -1;

            end

          end 

          AA = A'*inv(A*A');     

          X_new(j,:)= X(1,:) + abs(X(j,:) - X(1,:)).*AA';

       end

   end

   Temp = randperm(pop);

   SDchooseIndex = Temp(1:SDNumber); 

   for j = 1:SDNumber

       if(fitness(SDchooseIndex(j))>BestF)

           X_new(SDchooseIndex(j),:) = X(1,:) + randn().*abs(X(SDchooseIndex(j),:) - X(1,:));

       elseif(fitness(SDchooseIndex(j))== BestF)

           K = 2*rand() -1;

           X_new(SDchooseIndex(j),:) = X(SDchooseIndex(j),:) + K.*(abs( X(SDchooseIndex(j),:) - X(end,:))./(fitness(SDchooseIndex(j)) - fitness(end) + 10^-8));

       end

   end

   %邊界控制

   for j = 1:pop

       for a = 1: dim

           if(X_new(j,a)>ub(a))

               X_new(j,a) =ub(a);

           end

           if(X_new(j,a)<lb(a))

               X_new(j,a) =lb(a);

           end

       end

   end 

   %更新位置

   for j=1:pop

    fitness_new(j) = fobj(X_new(j,:));

   end

   for j = 1:pop

    if(fitness_new(j) < GBestF)

       GBestF = fitness_new(j);

        GBestX = X_new(j,:);   

    end

   end

   X = X_new;

   fitness = fitness_new;

    %排序更新

   [fitness, index]= sort(fitness);%排序

   BestF = fitness(1);

   WorstF = fitness(end);

   for j = 1:pop

      X(j,:) = X(index(j),:);

   end

   curve(i) = GBestF;

end

Best_pos =GBestX;

Best_score = curve(end);

end

⛄ 運作結果

⛄ 參考文獻

❤️ 關注我領取海量matlab電子書和數學模組化資料

❤️部分理論引用網絡文獻，若有侵權聯系部落客删除