欢迎来到本博客❤️❤️博主优势博客内容尽量做到思维缜密逻辑清晰为了方便读者。⛳️座右铭行百里者半于九十。本文目录如下目录1 概述2 运行结果3 参考文献4 Matlab代码、文章下载1 概述文献来源摘要:使用电磁学优化的多阈值分割算法是图像处理中的一个重要任务。它包括根据像素的强度级别和阈值将像素分类为两个或多个组。分割的质量取决于选择阈值的方法。由于经典的多阈值分割实现在寻找最优值以优化目标函数时具有计算上的昂贵性因此已经推广了使用优化进化方法。电磁学优化算法EMO是一种模拟电荷之间的吸引和排斥机制以进化种群成员的进化方法。与其他算法不同EMO表现出有趣的搜索能力同时保持了低计算开销。本文介绍了一种基于EMO的多阈值分割MT算法。该方法将EMO算法的良好搜索能力与Otsu和Kapur等流行MT方法提出的目标函数相结合。该算法从图像直方图中的可行搜索空间中随机抽样。这些样本构建了EMO上下文中的每个粒子其质量是根据Otsu或Kapur方法使用的目标函数评估的。在这些目标值的指导下候选解集通过EMO操作符进化直到找到最优解。该方法生成了一种多阈值分割算法可以在较少的迭代次数内有效地识别数字图像的阈值。实验结果显示了EMO用于数字图像分割的实现性能证据。本文介绍了一种基于EMO算法的分割方法称为基于EMO算法的多阈值分割MTEMO。该算法从取决于图像直方图的可行搜索空间中随机抽取样本。这些样本构建了EMO上下文中的每个粒子。每个粒子的质量是根据Otsu或Kapur方法使用的目标函数评估的。在这一目标值的指导下候选解集使用吸引力-排斥操作符进化。该方法生成了一种多阈值分割算法可以在较少的迭代次数内有效地识别数字图像的阈值并降低了原始提案的计算复杂性。实验结果表明EMO用于数字图像分割的实施性能证据。本文其余部分安排如下。第2节介绍了标准的EMO算法。第3节简要描述了Otsu和Kapur方法。第4节解释了所提出算法的实现。第5节在一组基准图像中测试MTEMO后讨论了实验结果和比较。最后第6节总结了本工作。2 运行结果部分代码function [Iout] MTHEMO(I,level)% Se obtienen los histogramas si la imagen es RGB uno por cada canal si es% en escala de grises solamente un historgrama.if size(I,3) 1 %grayscale image[n_countR, x_valueR] imhist(I(:,:,1));elseif size(I,3) 3 %RGB image%histograma para cada canal RGB[n_countR, x_valueR] imhist(I(:,:,1));[n_countG, x_valueG] imhist(I(:,:,2));[n_countB, x_valueB] imhist(I(:,:,3));endNt size(I,1) * size(I,2); %Cantidad total de pixeles en la imagen RENG X COL%Lmax niveles de color a segmentar 0 - 256Lmax 256; %256 different maximum levels are considered in an image (i.e., 0 to 255)% Distribucion de probabilidades de cada nivel de intensidad del histograma 0 - 256for i 1:Lmaxif size(I,3) 1%grayscale imageprobR(i) n_countR(i) / Nt;elseif size(I,3) 3%RGB imageprobR(i) n_countR(i) / Nt;probG(i) n_countG(i) / Nt;probB(i) n_countB(i) / Nt;endend%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Parametros del problema de segmentacionN_PAR level - 1; %number of thresholds (number of levels-1) (dimensiones)dim N_PAR;%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%Parametros de la poblacion%maximo de iteracionesMAXITER 200;%m cantidad de puntos, n dimensiones en las cuales se trabajam 50; %cantidad de miembros de la poblacionn dim; %dimensiones del problema%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%for ii 1:1%35 % for para pruebas estadisticas%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%Parametros del espacio de busqueda%Crea el espacio de busqueda%u - vector de limites superiores de cada dimension%l - vector de limites inferiores de cada dimension%xR, xG, xB - poblaciones inicializadas en ceroif size(I,3) 1% Imagen en escala de grisesu ones(1,dim) * Lmax;l ones(1,dim);xR zeros(m,n);elseif size(I,3) 3% Imagen RGBu ones(1,dim) * Lmax;l ones(1,dim);%uR ones(1,dim) * Lmax;%lR ones(1,dim);xR zeros(m,n);%uG ones(1,dim) * Lmax;%lG ones(1,dim);xG zeros(m,n);%uB ones(1,dim) * Lmax;%lB ones(1,dim);xB zeros(m,n);end%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%EMO Original %%Version 4%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%Generar y evaluar la poblacion que sera evolucionada durante la optimizacion%se generan m valores aleatorios y se evaluan en la funcion de fitness Ec. 4if size(I,3) 1% Imagen en escala de grises% Inicializacion aleatoriaxR incializa(m,n,u,l,xR);for si1:length(xR)xR(si,:)sort(xR(si,:));end% Evaluar poblacion en la funcion de fitness[fitR, fitBestR] fitnessIMG(I, m, Lmax, level, xR, probR);% Elige el mejor elemento de la poblacion en base al fitness[aR, bR] max(fitR); %MaximizaxBestR xR(bR, :);fxBestR fitR(bR);elseif size(I,3) 3% Imagen RGB% Inicializacion aleatoria para cada canal R, G, BxR incializa(m,n,u,l,xR);xG incializa(m,n,u,l,xG);xB incializa(m,n,u,l,xB);% Evalua la poblacion de cada canal en la funcion de fitness[fitR, fitBestR, fitG, fitBestG, fitB, fitBestB] fitnessIMG(I, m, Lmax, level, xR, probR, xG, probG, xB, probB);% Se elige el mejor elemento de cada poblacion en base al fitness[aR,bR] max(fitR); %maximizaxBestR xR(bR, :);fxBestR fitR(bR);[aG,bG] max(fitG); % maximizaxBestG xG(bG, :);fxBestG fitG(bG);[aB,bB] max(fitB); % maximizaxBestB xB(bR, :);fxBestB fitR(bR);end%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%delta - valor de vecindad de busqueda%LSITER - valor maximo de iteraciones para la busquedadelta 0.025;LSITER 4;cc 0;3参考文献文章中一些内容引自网络会注明出处或引用为参考文献难免有未尽之处如有不妥请随时联系删除。4 Matlab代码、文章下载
)
