遗传算法优化otsu分割问题python实现

最新推荐文章于 2025-05-31 01:17:27 发布

原创

最新推荐文章于 2025-05-31 01:17:27 发布 · 3.9k 阅读

27 ·

CC 4.0 BY-SA版权

文章标签：

#遗传算法

本文介绍了遗传算法在解决Otsu分割问题中的应用，详细讲解了种群编码、选择、交换和变异策略，并提供了核心代码实现。讨论了遗传算法中的潜在问题，如轮盘选择法的缺点及改进措施，以及停止条件的设定。最后，给出了代码下载链接。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

杭电模式识别课程设计作业

最大类间方差法(Otsu)

详见https://www.cnblogs.com/xiaomanon/p/4110006.html，这里就不去赘述了。

遗传算法策略

关于遗传算法的详解什么的，可以参考其他的类似文章，下面讲讲我自己的策略

种群编码策略

二进制，优点在于方便理解，缺点在于python对于二进制数的处理有点鸡肋。

选择策略

轮盘选择法(有待改进)
缺点在于：若变异产生了一个新的最大值（更接近于最优值），但是其种群数量就只有1，远远比不上当前的最大值（离最优值远一点）。若直接使用轮盘选择法，那么这个新变异出来的值就会被覆盖掉。
改进：强制将上一代中最大的值进行保留，这样使得种群不会退化

交换策略

从基因一半往后的位置开始交换，这样有利于保持当前的最优值，使得交换之后的种群不至于很差。（待改进，对于最大值个体不进行交换操作）

Step1：产生一个概率，若小于交换概率，那么进行step2往后，否则处理下一个个体；
Step1：将种群的population乱序排列，取出前一半作为father，后一半作为mother；

Step2：产生half-end的随机位置，然后从father和mother中各选出一位出来配对，交换。

变异策略

对于每一个个体，对于任意位置产生一位变异，但是变异概率不宜设计的很大，这样会导致种群不容易收敛。（待改进，对于最大值个体不进行变异操作）

Step1：产生一个概率，若小于变异的概率，那么进行step2往后，否则处理下一个个体；
Step2：产生一个随机位置start-end；
Step3：将该个体位置对应的随机位置的值取反。

停止条件

需满足以下其一即可：
1：满足种群迭代的最大值；
2：种群的0.98的个体都指向同一个值。

核心代码

otsu

import cv2
import numpy as np
import matplotlib.pyplot as plt

GRAY_SCALE = 256


def otsuth(img, threshold):
    image_gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)

    # fg_pro = np.zeros((1, GRAY_SCALE))
    # bg_pro = np.zeros((1, GRAY_SCALE))

    # fg_sum = 0
    # bg_sum = 0
    # for col in image_gray:
    #     for pix in col:
    #         if pix > threshold:
    #             fg_pro[0, pix] += 1
    #             fg_sum += pix
    #         else:
    #             bg_pro[0, pix] += 1
    #             bg_sum += pix
    #
    # if fg_sum != 0:
    #     fg_pro = fg_pro / fg_sum
    # if bg_sum != 0:
    #     bg_pro = bg_pro / bg_sum

    fg_pix = image_gray > threshold
    bg_pix = image_gray <= threshold

    w0 = float(np.sum(fg_pix)) / image_gray.size
    w1 = float(np.sum(bg_pix)) / image_gray.size
    
    u0 = 0
    u1 = 0
    if np.sum(fg_pix) != 0:
        u0 = np.sum(image_gray * fg_pix) / np.sum(fg_pix)
    if np.sum</