【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】

---

【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：

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：

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

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。