本文主要是介绍【阙值分割】基于matlab遗传算法自适应多阈值图像分割【含Matlab源码 1460期】，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。
更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）
⛄一、遗传算法自适应多阈值图像分割简介
理论知识参考：【基础教程】基于matlab图像处理图像分割【含Matlab源码 191期】
基于遗传算法的自适应最优阈值图像分割技术研究
⛄二、部分源代码
function main()
clear;
clc;
%种群大小
popsize=100;
%二进制编码长度
chromlength=10;
%交叉概率
pc = 0.6;
%变异概率
pm = 0.001;
%初始种群
pop = initpop(popsize,chromlength);
for i = 1:100
%计算适应度值（函数值）
objvalue = cal_objvalue(pop);
fitvalue = objvalue;
%选择操作
newpop = selection(pop,fitvalue);
%交叉操作
newpop = crossover(newpop,pc);
%变异操作
newpop = mutation(newpop,pm);
%更新种群
pop = newpop;
%寻找最优解
[bestindividual,bestfit] = best(pop,fitvalue);
x2 = binary2decimal(bestindividual);
x1 = binary2decimal(newpop);
y1 = cal_objvalue(newpop);
if mod(i,50) == 0
figure; %Matlab中的figure命令,能够创建一个用来显示图形输出的一个窗口对象fplot(@(x)x+10.*sin(5.*x)+7.*cos(4.*x),[5,20]);%fplot('x+10*sin(5*x)+7*cos(4*x)',[5 20]);%自适应绘图，第一个参数为函数，第二个参数为坐标轴取值范围hold on;% hold on作用是保持原图并接受此后绘制的新的曲线,叠加绘图; 多次叠绘: plot命令可以同时绘制多条曲线plot(x1,y1,'*');%最优解用*标注title(['迭代次数为n=' num2str(i)]);%num2str函数将数值转换为字符串%plot(x1,y1,'*');
end
end
fprintf(‘The best X is —>>%5.2f\n’,x2); %指定数据输出时格式为小数形式
fprintf(‘The best Y is —>>%5.2f\n’,bestfit);
end
function pop=initpop(popsize,chromlength)
pop = round(rand(popsize,chromlength));
end
function pop2 = binary2decimal(pop)
lb=5; %x的取值范围下界
ub=20; %x的取值范围上界
[px,py]=size(pop); %px是矩阵的行，py是矩阵的列数，这里px是种群个数，py为染色体长度
%[r,c]=size(A),当有两个输出参数时，size函数将矩阵的行数返回到第一个输出变量r，将矩阵的列数返回到第二个输出变量c。
for i = 1:py
pop1(:,i) = 2.^(py-i).*pop(:,i); %冒号代表对所有行都有这样的操作
%py-i相当于说第一列到最后一列的顺序倒置过来
end
%sum(.,2)对行求和，得到列向量
temp = sum(pop1,2);
pop2 = 5+(temp*(ub-lb)/1023);
%根据X的取值范围进行2进制到10进制的转换，（ub-lb）相当于一个线段，temp/1023相当于二进制在这个区间上的占比，得到的结果再乘以（ub-lb）得到其在这段线段上的位置，再加上下界，就转换成了这个区间上的十进制。
end
function [objvalue] = cal_objvalue(pop)
x = binary2decimal(pop);%转化二进制数为x变量的变化域范围的数值
objvalue= x+10sin(5x)+7cos(4x);
end
%如何选择新的个体
%输入变量：pop二进制种群，fitvalue：适应度值
%输出变量：newpop选择以后的二进制种群
function [newpop] = selection(pop,fitvalue)
%构造轮盘
[px,py] = size(pop);
totalfit = sum(fitvalue);%总的适应度值
p_fitvalue = fitvalue/totalfit;%每个适应度值在轮盘中的占比，也就是相对适应度的大小，即为每个个体被遗传到下一代群体中的概率
p_fitvalue = cumsum(p_fitvalue);%概率求和排序 cumsum()得到输入矩阵的每个元素对应的列向上（行向左）求和矩阵
ms = sort(rand(px,1));%从小到大排列 生成种群大小的0-1的随机数字，依据该随机数出现在上述哪一个概率区域内来确定各个个体被选
%中的次数
fitin = 1;
newin = 1;%行选择标量
%选出新的种群
while newin<=px %初始行向量为1，,从第一行开始遍历
if(ms(newin))<p_fitvalue(fitin)%当产生的随机数字<个体被遗传到下一代群体中的概率时，即为可遗传
elsefitin=fitin+1;%如果不可遗传，就检查下一个更大的区域
end
end
end
if(rand<pc)%当随机数小于交叉概率时才进行交叉%rand没有参数的时候就是从均匀分布中生成一个0-1之间的随机数cpoint = round(rand*py);%round是一个四舍五入的函数 用随机数*列数是在随机设置交叉点的位置newpop(i,:) = [pop(i,1:cpoint),pop(i+1,cpoint+1:py)];%截取第i行交叉点前面的和第i+1行交叉点后面的进行连接newpop(i+1,:) = [pop(i+1,1:cpoint),pop(i,cpoint+1:py)];%截取第i+1行交叉点前面的和第i行交叉点后面的进行连接
else %如果随机数大于交叉概率，也就是不进行交叉直接把pop中的种群数赋给交叉后的种群数newpop(i,:) = pop(i,:);newpop(i+1,:) = pop(i+1,:);
end
end
end
function [newpop] = mutation(pop,pm)
[px,py] = size(pop);
newpop = ones(size(pop));
for i = 1:px %循环从第一行到最后一行
if(rand<pm) %如果随机数小于变异概率就发生变异
mpoint = round(rand*py); %随即产生变异点的位置
if mpoint <= 0
mpoint = 1;
end
newpop(i,:) = pop(i,:);
if newpop(i,mpoint) == 0
newpop(i,mpoint) = 1;
else newpop(i,mpoint) == 1
newpop(i,mpoint) = 0;
%对第i行变异点取反
end
else newpop(i,:) = pop(i,:);
end
end
end
function [bestindividual, bestfit] = best(pop,fitvalue)
[px,py] = size(pop); %获取矩阵的行数和列数，size（）将矩阵的行数给px，列数给py
bestindividual = pop(1,:);%把第一行的所有列弹出 赋给bestindividual，pop() 函数用于移除列表中的一个元素（默认最后一个元素），并且返回该元素的值。
bestfit = fitvalue(1); %这两行相当于在初始化最佳个体和最佳适应度值
for i = 2:px %for循环从第二行开始，
if fitvalue(i)>bestfit %如果改行的适应值大于最佳适应值，
bestindividual = pop(i,:);%把该行作为最佳个体，
bestfit = fitvalue(i);%该行适应值为最佳适应值
end
end
end
⛄三、运行结果
⛄四、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1] 邬长安,余楠.基于遗传算法的自适应最优阈值图像分割技术研究[J].光盘技术. 2007,(01)
3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除
🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化
2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化
5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配
6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化
7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化
8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置
9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长
10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合
这篇关于【阙值分割】基于matlab遗传算法自适应多阈值图像分割【含Matlab源码 1460期】的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
