MATLAB 图像分割毕设实战：遗传算法优化 Otsu 多阈值分割——GA 实数编码、类间方差适应度与 App Designer GUI【收敛曲线、对照实验、exe 打包】

✍️ 作者：王文峰（外号：神秘小峯 / 山峯）｜中国国学、传统文化与代码爱好者的程序人生，期待你的关注和支持！

🧠 选题说明：本次从「图像处理 + 智能优化算法 + GUI 系统 + exe 打包」四个方向里随机抽中了组合题——用遗传算法（GA）解决 Otsu 多阈值分割中"阈值组合爆炸"的问题，再套一层 App Designer 界面，最后打包成 exe 交给导师。一篇覆盖毕设答辩四个核心考点。

一、为什么毕设爱选这个题？

Otsu（大津法）的本质是最大化类间方差：单阈值时遍历 256 个灰度级即可；可一旦要做多阈值分割（把图像分成 4 类、5 类），阈值组合就是 256^(k-1) 量级，穷举直接爆炸。

于是"用智能优化算法替代穷举"就成了天然的毕设命题：

方案	时间复杂度	效果
穷举多阈值	O(256^(k-1))，k=4 就是千万级	精确但算不动
粒子群 PSO	O(迭代×种群)	快，易早熟
遗传算法 GA	O(迭代×种群)	全局搜索强、可解释性好、好写论文
模拟退火 SA	O(迭代)	单阈值尚可，多阈值收敛慢

一句话选型结论：k ≤ 3 用穷举做对照组，k ≥ 4 上 GA，论文里"对照实验 + 收敛曲线"两张图就有了。

二、算法原理：三句话讲清楚

1. 编码：一条染色体 = 一组阈值，如 [t1, t2, t3]，实数编码（别用二进制，解码麻烦还费位）。
2. 适应度：把图像按阈值切成 k 类，计算类间方差之和，越大越好。
3. 进化：锦标赛选择 + BLX-α 交叉 + 高斯变异 + 精英保留，迭代 maxGen 代输出最优阈值。

多类推广的类间方差：

$${\sigma }^2=\sum _{i=1}^k{w}_i({\mu }_i-{\mu }_T{)}^2$$

其中 $w_i$ 是第 i 类像素占比，${\mu }_i$ 是第 i 类灰度均值。由于 $\sum w_i{\mu }_i={\mu }_T$ 是常数，最大化 $\sum w_i{\mu }_i^2$ 与最大化 ${\sigma }^2$ 等价——代码里就这么算，省一次减法。

三、MATLAB 源码（可直接运行）

3.1 主函数 ga_otsu_main.m

function ga_otsu_main()
%GA_OTSU_MAIN 遗传算法多阈值Otsu分割 - 主流程
clc; clear; close all;

% 1. 读图并转灰度
img = imread('cameraman.tif');          % MATLAB 自带测试图
if size(img, 3) == 3
    img = rgb2gray(img);
end
img = im2uint8(img);                    % 统一成 uint8，防 double 坑

% 2. 遗传算法参数
nThresholds = 4;      % 分成 5 类 -> 需要 4 个阈值
popSize     = 60;     % 种群规模
maxGen      = 100;    % 迭代代数
pc          = 0.85;   % 交叉概率
pm          = 0.10;   % 变异概率

% 3. 启动 GA
[bestTh, curve, elapsedT] = ga_search(img, nThresholds, ...
    popSize, maxGen, pc, pm);

fprintf('最优阈值: %s\n', mat2str(sort(bestTh)));
fprintf('最优类间方差: %.2f\n', curve(end));
fprintf('耗时: %.3f s\n', elapsedT);

% 4. 分割 & 可视化
seg = apply_threshold(img, sort(bestTh));
figure('Name', 'GA-Otsu 多阈值分割', 'Color', 'w');
subplot(2,2,[1 2]); imshow(img);   title('原图');
subplot(2,2,3);    imshow(seg);    title(sprintf('%d 类分割结果', nThresholds+1));
subplot(2,2,4);    plot(curve, 'LineWidth', 2); grid on;
xlabel('迭代次数'); ylabel('适应度(类间方差)');
title('GA 适应度收敛曲线');
end

3.2 遗传算法核心 ga_search.m

function [bestTh, curve, cost] = ga_search(img, nTh, popSize, maxGen, pc, pm)
%GA_SEARCH 实数编码遗传算法搜索最优多阈值
t0 = tic;

% ---- 预计算灰度直方图（关键：适应度只依赖 256 维直方图，别每次扫全图！）----
counts = imhist(img);           % 256x1
p      = counts / numel(img);   % 各灰度概率
g      = (0:255)';              % 灰度值列向量

% ---- 初始化种群：每行一个染色体，基因取 1~254 ----
pop = sort(randi([1, 254], popSize, nTh), 2);   % sort 保证阈值升序！

fit = zeros(popSize, 1);
for i = 1:popSize
    fit(i) = fitness(pop(i,:), p, g);
end
[bestFit, idx] = max(fit);
bestChrom = pop(idx, :);
curve = zeros(maxGen, 1);

for gen = 1:maxGen
    newPop = zeros(popSize, nTh);
    newPop(1,:) = bestChrom;                  % 精英保留

    % ---- 锦标赛选择(k=3) ----
    for i = 2:popSize
        cand = randi(popSize, 1, 3);
        [~, w] = max(fit(cand));
        parent = pop(cand(w), :);

        % ---- 交叉：BLX-α 混合交叉（实数编码最稳）----
        if rand < pc
            mateCand = randi(popSize, 1, 3);
            [~, w2] = max(fit(mateCand));
            mate = pop(mateCand(w2), :);
            alpha = 0.5;
            child = alpha.*parent + (1-alpha).*mate ...
                  + alpha.*(rand(1,nTh)-0.5).*(parent-mate);
            child = min(max(child, 1), 254);
            parent = sort(child);
        end

        % ---- 变异：高斯扰动 ----
        if rand < pm
            mutMask = rand(1, nTh) < 0.3;
            parent(mutMask) = parent(mutMask) ...
                + 20 .* randn(1, sum(mutMask));   % ±20 灰度级扰动
            parent = sort(min(max(parent, 1), 254));
        end
        newPop(i,:) = parent;
    end

    pop = newPop;
    for i = 1:popSize
        fit(i) = fitness(pop(i,:), p, g);
    end
    [genBest, gi] = max(fit);
    if genBest > bestFit
        bestFit   = genBest;
        bestChrom = pop(gi,:);
    end
    curve(gen) = bestFit;
end
bestTh = bestChrom;
cost = toc(t0);
end

3.3 适应度与分割（局部函数，放文件末尾）

function f = fitness(chrom, p, g)
%FITNESS 多阈值类间方差（仅基于直方图，复杂度 O(256*k)）
th = [0, sort(chrom), 255];
f = 0;
for i = 1:numel(th)-1
    bin = g > th(i) & g <= th(i+1);
    w = sum(p(bin));
    if w < eps, continue; end          % 空类直接跳过
    mu = sum(g(bin) .* p(bin)) / w;
    f  = f + w * mu^2;                 % 等价于 sum w*(mu-muT)^2
end
end

function seg = apply_threshold(img, th)
%APPLY_THRESHOLD 按阈值把灰度映射为 k 个代表灰度
edges = [0, th, 255];
seg = img;
for i = 1:numel(edges)-1
    mask = img > edges(i) & img <= edges(i+1);
    seg(mask) = round(mean(edges(i:i+1)));   % 该类中心灰度
end
end

💡 这段代码的三个性能关键：① 适应度只吃 imhist 的 256 维向量，不碰 512×512 的像素矩阵；② sort 保证阈值升序，否则类会重叠、方差算错；③ 精英保留防止最优解倒退。

四、GUI 系统（App Designer）

毕设要求"有界面"的话，用 App Designer（不是老的 GUIDE，答辩老师普遍认可度更高）。

设计布局：左侧 uiaxes 显示结果，右侧控件区：

控件	Tag	作用
UIButton	OpenBtn	打开图像
UIButton	RunBtn	开始分割
UIDropDown	ClassDrop	分类数 3/4/5/6
UISpinner	GenSpin	迭代代数
UISpinner	PopSpin	种群规模
UIAxes	ResultAxes	结果与收敛曲线

运行按钮回调核心代码：

% --- Button pushed function: RunBtn ---
function RunBtnPushed(app, event)
    if isempty(app.OriginalImg)
        uialert(app.UIFigure, '请先打开图像！', '提示'); return;
    end
    nClass = app.ClassDrop.Value;                 % 分类数
    nTh    = nClass - 1;                          % 阈值个数
    [th, curve] = ga_search(app.OriginalImg, nTh, ...
        app.PopSpin.Value, app.GenSpin.Value, 0.85, 0.10);
    seg = apply_threshold(app.OriginalImg, sort(th));
    imshow(seg, 'Parent', app.ResultAxes);
    title(app.ResultAxes, sprintf('最优阈值: %s', mat2str(sort(th))));
    app.ResultLabel.Text = sprintf('阈值: %s | 方差: %.1f', ...
        mat2str(sort(th)), curve(end));
end

五、踩坑总结（含 exe 打包）

🕳️ 坑①：imshow 显示一片全白/全黑
double 类图像（0~1）和 uint8（0~255）混用。imread 后统一 im2uint8()，全链路一种类型，问题消失。

🕳️ 坑②：GA 收敛曲线一条直线，等于没优化
90% 是忘了精英保留或变异率设太小，种群多样性早死。经验参数：种群 60、代数 100、交叉 0.85、变异 0.10。

🕳️ 坑③：适应度函数里每次 imhist(img)
适应度会被调用 popSize×maxGen = 6000 次，每次都重算直方图直接慢 10 倍。直方图必须在 GA 外部算一次传进去。

🕳️ 坑④：GUI 在批量计算时界面"未响应"
App Designer 同步执行会阻塞事件循环，分步 drawnow limitrate 刷新——答辩演示时界面卡死是重大扣分项。

🕳️ 坑⑤：exe 打包后闪退/找不到文件
Application Compiler 里务必：① 勾选 Image Processing Toolbox 依赖（不然 imhist 直接崩）；② 别写绝对路径，用 uigetdir 让用户选图；③ 目标机器没装 MATLAB，要选附带 MATLAB Runtime 安装包（约 1~2 GB）。

🕳️ 坑⑥：打包后中文路径乱码
编译输出目录和待打包工程路径都不要含中文，mcc -m -o GaOtsuApp -R "-nodisplay" 命令行编译比 GUI 更稳。

🕳️ 坑⑦：randi 生成的阈值没排序
染色体 [200, 50, 120] 不排序会让类区间重叠，适应度虚高、结果错乱。初始化和每次交叉变异后都要 sort()。

六、毕设答辩高频问答（附答案）

Q1：为什么用实数编码而不是二进制编码？
A：灰度仅 0~255，二进制需 8 位/基因还要解码排序，实数编码直接对应阈值，配合 BLX-α 交叉无精度损失，实现更简单。

Q2：GA 能保证找到全局最优吗？
A：不能保证，但精英保留 + 足够种群下概率收敛到全局最优附近；论文里可用穷举法（k≤3 时）做对照验证偏差 < 1 个灰度级。

Q3：时间复杂度怎么分析？
A：每次迭代 popSize 次适应度，每次适应度 O(256·k)，总复杂度 O(maxGen·popSize·256·k)，与图像分辨率无关——这是用直方图的最大收益。

Q4：还能怎么改进（凑创新点）？
A：① 自适应交叉/变异率（随进化代数衰减）；② 混入 PSO 做 hybrid；③ 用二维 Otsu（加入邻域均值）抗噪；④ 接入 Sobel 边缘信息做加权类间方差。

---

🎯 学习教程（传送门）

序号	专栏	学习内容	当前状态
01	JAVA	从入门到进阶的系统知识	持续写作中……
02	Oracle	数据库从用法到实战	创作中……
03	vbs脚本	手把手教你做脚本	完善中……
04	IDEA	牛逼哄哄的编程利器	编写中……
05	面试	吐血整理的面试技巧	更新中……

🔥 往期文章

🧭 精选往期好文，更多请移步 我的博客主页

• 📕 平安壹钱包面试官：请你说一下Mybatis的实现原理
• 📗 Java开发-热点-热门问题精华核心总结-推荐
• 📘 第一章：日常_JAVA_面试题集15（含答案）
• 📙 第二章：日常_JAVA_面试题集14（含答案）
• 📚 往期文章大全……

👍 点赞 + ⭐ 收藏 + 💬 评论，一键三连走起！
你们的支持，是我持续创作的最大动力～

✨ 以上就是今天的全部内容，关注我，技术之路不迷路！

📖 本人详解
✍️ 作者：王文峰，参与 优快云 2020 年度博客之星评选，《Java王大师王天师》，外号：神秘小峯 / 山峯
🏮 中国国学、传统文化与代码爱好者的程序人生，期待你的关注和支持！
🔗 转载说明：务必注明来源（注明：作者：王文峰哦）