【图像分割】基于灰狼优化算法GWO的Otsu多阈值图像分割(大津法)【Matlab代码#6】

文章目录

    • 【可更换其他算法,`获取资源`请见文章第5节:资源获取】
    • 1. 基础灰狼算法
    • 2. 多阈值Otsu原理
    • 3. 部分代码展示
    • 4. 效果图展示
    • 5. 资源获取


【可更换其他算法,获取资源请见文章第5节:资源获取】


1. 基础灰狼算法

略。

2. 多阈值Otsu原理

ostu方法使用最大化类间方差(intra-class variance, ICV)作为评价准则,利用对图像直方图的计算,可以得到最优的一组阈值组合。
ostu方法不仅适用于单阈值的情况,它可以扩展到多阈值。假设有k个分类,c1,c2,…,ck时,他们之间的类间方差定义为:
在这里插入图片描述
比如,k=3时,将原图像的灰度区间分为3个类,此时需要两个阈值,定义类间方差如下:
【图像分割】基于灰狼优化算法GWO的Otsu多阈值图像分割(大津法)【Matlab代码#6】_第1张图片
上面式子中,k1和k2为待确定的两个阈值,使得类间方差最大化的k1和k2就是最优的一组阈值。

对于多阈值的情况,可以采用群智能优化算法来寻找最优的阈值,本份代码利用灰狼算法来寻找最优的阈值。

3. 部分代码展示

%阈值个数,优化下边界,上边界,最大迭代次数,种群数量。
num_Threshold=3;
lb=0;
ub=255;
max_iter=100;
sizepop=20;
%调用优化算法
[Best_pos,Best_score,GWO_curve]=GWO(sizepop,max_iter,lb,ub,num_Threshold,fitness);
max_xigama2=1/Best_score;
best_threshold=sort(floor(Best_pos));

%% 迭代图
figure
plot(GWO_curve)
title('GWO优化曲线')
xlabel('迭代次数')
ylabel('适应度')
disp(['最大类间方差为:',num2str(max_xigama2)])

4. 效果图展示

【图像分割】基于灰狼优化算法GWO的Otsu多阈值图像分割(大津法)【Matlab代码#6】_第2张图片
【图像分割】基于灰狼优化算法GWO的Otsu多阈值图像分割(大津法)【Matlab代码#6】_第3张图片
【图像分割】基于灰狼优化算法GWO的Otsu多阈值图像分割(大津法)【Matlab代码#6】_第4张图片
【图像分割】基于灰狼优化算法GWO的Otsu多阈值图像分割(大津法)【Matlab代码#6】_第5张图片

最大类间方差为:6851.8224
GWO优化算法优化得到的阈值分别为:50  234  115

5. 资源获取

可以获取完整代码资源。

你可能感兴趣的:(Matlab,#图像处理,matlab,算法)