实验-基于遗传算法的图像二值化(python)
实验-基于遗传算法的图像二值化
- 实验内容
- 实验原理
-
- 大津算法(OTSU)
- 实验思路
- 实验要求
- 实验过程
-
- 代码展示
-
- 遗传算法
- 大津算法
- 总代码
- 实验结果
实验内容
本实验采用遗传算法和大津算法确定图像二值化的最佳阈值，从而对图像进行二值化分割
实验原理
大津算法(OTSU)
最大类间方差法是1979年由日本学者大津提出的，是一种自适应阈值确定的方法，又叫大津法，简称OTSU，是一种基于全局的二值化算法.
它是根据图像的灰度特性,将图像分为前景和背景两个部分。当取最佳阈值时，两部分之间的差别应该是最大的，在OTSU算法中所采用的衡量差别的标准就是较为常见的最大类间方差。前景和背景之间的类间方差如果越大，就说明构成图像的两个部分之间的差别越大，当部分目标被错分为背景或部分背景被错分为目标，都会导致两部分差别变小，当所取阈值的分割使类间方差最大时就意味着错分概率最小
实验思路
1.计算待分割图像的图像灰度直方图
2.初始化种群，随机产生M个个体，并对图像的灰度值进行编码
3.根据OTSU算法计算每个个体的适应度值
4.建立下一代种群，进行一定数量的遗传操作， 包括顺次执行的选择操作、 交叉操作和变异操作
5.选择操作（自然选择：将当代种群中的个体按照适应度值由大到小选择前M个个体，将他们复制到下一代种群中。同时使用随机的方式，保留一定比例落后的个体，让其存活，将他们复制到下一代种群中
6.交叉操作（繁殖),随机选出父体和母体，进行交叉操作，类比染色体的交叉，随机选择交叉点。交叉完成的新个体补充到下一代种群中，直到种群数量足够为止
7.变异操作（基因变异：将上述交叉操作产生的种群中的个体的变异率P进行变化，如某一个体的某一个基因进行突变
8.进行多次迭代，直到种群进化了一定数量的代数以后，选择其最优先的个体，优秀个体转换成分割阈值，处理图像，显示效果
1.如何建立灰度图和染色体的联系：
灰度图中，每个像素点的灰度值从0到255，二进制形式是8比特位，将八个比特位看成一个染色体，每一个比特位就是一个基因点。
2.如何考虑选择下一代种群：
首先先把种群中的每一个个体计算适应度，借助OTSU算法，计算得出个体适应度，适应度的大小即可表示个体的优劣程度。但不能只选出色的个体，有些不好的个体可能会产生优质的下一代个体，因此在选择的时候，考虑首先选择前百分比a的优秀个体，剩下的个体中，随机选取比例b的个体幸存，其余淘汰。
3.如何考虑变异：
考虑到真实的环境中变异的可能性比较小，所以设定了一个变异概率来控制变异的可能性。
实验要求
1.展示二值化后的图
2.输出阈值
实验过程
代码展示
遗传算法
class GA: # 定义遗传算法类
def __init__(self, image, M): # 构造函数,进行初始化以及编码
self.image = image
self.M = M # 初始化种群的个体数
self.length = 8 # 每条染色体基因长度为8(0-255)
self.species = np.random.randint(0, 256, self.M) # 给种群随机编码
self.select_rate = 0.5 # 选择的概率(用于适应性没那么强的染色体)，小于该概率则被选，否则被丢弃
self.strong_rate = 0.3 # 选择适应性强染色体的比率
self.bianyi_rate = 0.05 # 变异的概率
def Adaptation(self, ranseti): # 进行染色体适应度的评估
fit = OTSU().otsu(self.image, ranseti)
return fit
def selection(self): # 进行个体的选择，前百分之30的个体直接留下，后百分之70按概率选择
fitness = []
for ranseti in self.species: # 循环遍历种群的每一条染色体，计算保存该条染色体的适应度
fitness.append((self.Adaptation(ranseti), ranseti))
fitness1 = sorted(fitness, reverse=True) # 逆序排序，适应度高的染色体排前面
for i, j in zip(fitness1, range(self.M)):
fitness[j] = i[1]
parents = fitness[:int(len(fitness) *
self.strong_rate)] # 适应性特别强的直接留下来
for ranseti in fitness[int(len(fitness) *
self.strong_rate):]: # 挑选适应性没那么强的染色体
if np.random.random() < self.select_rate: # 随机比率，小于则留下
parents.append(ranseti)
return parents
def crossover(self, parents): # 进行个体的交叉
children = []
child_count = len(self.species) - len(parents) # 需要产生新个体的数量
while len(children) < child_count:
fu = np.random.randint(0, len(parents)) # 随机选择父亲
mu = np.random.randint(0, len(parents)) # 随机选择母亲
if fu != mu:
position = np.random.randint(0,
self.length) # 随机选取交叉的基因位置(从右向左)
mask = 0
for i in range(position): # 位运算
mask = mask | (1 << i) # mask的二进制串最终为position个1
fu = parents[fu]
mu = parents[mu]
child = (fu & mask) | (
mu & ~mask) # 孩子获得父亲在交叉点右边的基因、母亲在交叉点左边（包括交叉点）的基因，不是得到两个新孩子
children.append(child)
self.species = parents + children # 产生的新的种群
def bianyi(self): # 进行个体的变异
for i in range(len(self.species)):
if np.random.random() < self.bianyi_rate: # 小于该概率则进行变异，否则保持原状
j = np.random.randint(0, self.length) # 随机选取变异基因位置点
self.species[i] = self.species[i] ^ (1 << j) # 在j位置取反
def evolution(self): # 进行个体的进化
parents = self.selection()
self.crossover(parents)
self.bianyi()
def yuzhi(self): # 返回适应度最高的这条染色体,为最佳阈值
fitness = []
for ranseti in self.species: # 循环遍历种群的每一条染色体，计算保存该条染色体的适应度
fitness.append((self.Adaptation(ranseti), ranseti))
fitness1 = sorted(fitness, reverse=True) # 逆序排序，适应度高的染色体排前面
for i, j in zip(fitness1, range(self.M)):
fitness[j] = i[1]
return fitness[0]
大津算法
用来算个体适应度
class OTSU: # 定义大津算法类
def otsu(self, image, yuzhi): # 计算该条染色体(个体)的适应度
image = np.transpose(np.asarray(image)) # 转置
size = image.shape[0] * image.shape[1]
bin_image = image < yuzhi
summ = np.sum(image)
w0 = np.sum(bin_image)
sum0 = np.sum(bin_image * image)
w1 = size - w0
if w1 == 0:
return 0
sum1 = summ - sum0
mean0 = sum0 / (w0 * 1.0)
mean1 = sum1 / (w1 * 1.0)
fitt = w0 / (size * 1.0) * w1 / (size * 1.0) * (
mean0 - mean1) * (mean0 - mean1)
return fitt
总代码
import numpy as np
from PIL import Image
class GA: # 定义遗传算法类
def __init__(self, image, M): # 构造函数,进行初始化以及编码
self.image = image
self.M = M # 初始化种群的个体数
self.length = 8 # 每条染色体基因长度为8(0-255)
self.species = np.random.randint(0, 256, self.M) # 给种群随机编码
self.select_rate = 0.5 # 选择的概率(用于适应性没那么强的染色体)，小于该概率则被选，否则被丢弃
self.strong_rate = 0.3 # 选择适应性强染色体的比率
self.bianyi_rate = 0.05 # 变异的概率
def Adaptation(self, ranseti): # 进行染色体适应度的评估
fit = OTSU().otsu(self.image, ranseti)
return fit
def selection(self): # 进行个体的选择，前百分之30的个体直接留下，后百分之70按概率选择
fitness = []
for ranseti in self.species: # 循环遍历种群的每一条染色体，计算保存该条染色体的适应度
fitness.append((self.Adaptation(ranseti), ranseti))
fitness1 = sorted(fitness, reverse=True) # 逆序排序，适应度高的染色体排前面
for i, j in zip(fitness1, range(self.M)):
fitness[j] = i[1]
parents = fitness[:int(len(fitness) *
self.strong_rate)] # 适应性特别强的直接留下来
for ranseti in fitness[int(len(fitness) *
self.strong_rate):]: # 挑选适应性没那么强的染色体
if np.random.random() < self.select_rate: # 随机比率，小于则留下
parents.append(ranseti)
return parents
def crossover(self, parents): # 进行个体的交叉
children = []
child_count = len(self.species) - len(parents) # 需要产生新个体的数量
while len(children) < child_count:
fu = np.random.randint(0, len(parents)) # 随机选择父亲
mu = np.random.randint(0, len(parents)) # 随机选择母亲
if fu != mu:
position = np.random.randint(0,
self.length) # 随机选取交叉的基因位置(从右向左)
mask = 0
for i in range(position): # 位运算
mask = mask | (1 << i) # mask的二进制串最终为position个1
fu = parents[fu]
mu = parents[mu]
child = (fu & mask) | (
mu & ~mask) # 孩子获得父亲在交叉点右边的基因、母亲在交叉点左边（包括交叉点）的基因，不是得到两个新孩子
children.append(child)
self.species = parents + children # 产生的新的种群
def bianyi(self): # 进行个体的变异
for i in range(len(self.species)):
if np.random.random() < self.bianyi_rate: # 小于该概率则进行变异，否则保持原状
j = np.random.randint(0, self.length) # 随机选取变异基因位置点
self.species[i] = self.species[i] ^ (1 << j) # 在j位置取反
def evolution(self): # 进行个体的进化
parents = self.selection()
self.crossover(parents)
self.bianyi()
def yuzhi(self): # 返回适应度最高的这条染色体,为最佳阈值
fitness = []
for ranseti in self.species: # 循环遍历种群的每一条染色体，计算保存该条染色体的适应度
fitness.append((self.Adaptation(ranseti), ranseti))
fitness1 = sorted(fitness, reverse=True) # 逆序排序，适应度高的染色体排前面
for i, j in zip(fitness1, range(self.M)):
fitness[j] = i[1]
return fitness[0]
class OTSU: # 定义大津算法类
def otsu(self, image, yuzhi): # 计算该条染色体(个体)的适应度
image = np.transpose(np.asarray(image)) # 转置
size = image.shape[0] * image.shape[1]
bin_image = image < yuzhi
summ = np.sum(image)
w0 = np.sum(bin_image)
sum0 = np.sum(bin_image * image)
w1 = size - w0
if w1 == 0:
return 0
sum1 = summ - sum0
mean0 = sum0 / (w0 * 1.0)
mean1 = sum1 / (w1 * 1.0)
fitt = w0 / (size * 1.0) * w1 / (size * 1.0) * (
mean0 - mean1) * (mean0 - mean1)
return fitt
def transition(yu, image): # 确定好最佳阈值后，将原来的图转变成二值化图
temp = np.asarray(image)
print("灰度值矩阵为：")
print(temp) # 展现灰度值矩阵
array = list(np.where(temp < yu, 0,
255).reshape(-1)) # 满足temp实验结果
原图：
二值化后：
程序输出：
可以看到种群的变化，以及最佳阈值情况
