【图像分割】基于蜣螂优化算法DBO的Otsu(大津法)多阈值电表数字图像分割 电表数字识别【Matlab代码#51】

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. 原始蜣螂优化算法
        • 1.1 滚球行为
        • 1.2 跳舞行为
        • 1.3 繁殖行为
        • 1.4 偷窃行为
    • 2. 多阈值Otsu原理
    • 3. 部分代码展示
    • 4. 仿真结果展示
    • 5. 资源获取说明


【可更换其他算法,获取资源请见文章第5节:资源获取】


1. 原始蜣螂优化算法

1.1 滚球行为

蜣螂在整个搜索空间沿着光源的方向移动,在滚动过程中,按照如下的对滚球屎壳郎的位置进行更新:
在这里插入图片描述

其中,t代表当前迭代数,xi表示第i个蜣螂的位置信息;k代表一个常数,表示为偏转系数;α∈(0,1)是一个随机数;a 是一个自然系数,为-1或1;Xw是全局最差位置。

1.2 跳舞行为

当蜣螂遇到障碍物时,它会通过跳舞来重新定向,主要思想是通过正切函数来进行:
在这里插入图片描述
tan(θ) 为偏转系角。

1.3 繁殖行为

作者采用一种边界选择策略模型雌性蜣螂产卵的地方,定义如下:
在这里插入图片描述
X*为当前最佳位置;Lb表示下界,Ub表示上界。

在迭代过程中,卵球的位置是动态变化的,定义如下:
在这里插入图片描述
Bi表示为卵球的位置,b1和b2为1×D 的随机向量。

此外,一些成年蜣螂会从地下钻出来寻找食物,下面公式模拟了蜣螂的觅食过程:
在这里插入图片描述
Xb为全局最佳位置,Lbb和Ubb分别表示最佳觅食区域的上下界。
故成年蜣螂的位置更新公式为:
在这里插入图片描述
C1是服从正态分布的随机数;C2∈(0,1)是一个随机向量。

1.4 偷窃行为

部分蜣螂会从其他蜣螂那里偷粪球,假定Xb是争夺食物的最佳地点,因此具有偷盗行为的蜣螂位置更新描述如下:
在这里插入图片描述
g是服从均值为0,方差为1的正态分布的随机向量;S为一个常数。

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:
在这里插入图片描述
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,本篇博客利用蜣螂优化算法来寻找最优的阈值。

3. 部分代码展示

%% 清空环境
clc
clear 
close all%%
img = imread('1.JPG');
%绘制原图
figure
imshow(img);
title('原图')img_ori=rgb2gray(img);
img=rgb2gray(img);
figure
%灰度直方图
imhist(img)
title('灰度直方图')
%目标函数
fitness=@(X)OTSU(img,X);%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
%调用DBO对阈值寻优

4. 仿真结果展示

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

最大类间方差为:1592.59
DBO优化算法优化得到的阈值分别为:165   86   45

5. 资源获取说明

可以获取完整代码资源。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/7281.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

springboot 项目启动不打印spring 启动日志

今天项目遇到一个很奇怪的问题,服务在启动时,不打印spring 的启动日志。经过排查发现是因为其他的依赖引入了 log4j 的依赖,因为我们的项目用的是logback,所以项目中没有log4j 的相关配置,所以干扰到了日志的打印 原因…

Vue入门项目——WebApi

Vue入门——WebApi vue3项目搭建组合式API响应式APIreactive()ref() 生命周期钩子computed计算属性函数watch监听函数父子通信模板引用组合选项 vue3项目搭建 简单看下Vue3的优势吧 下载安装npm及node.js16.0以上版本(确保安装成功可用如下代码检查版本&#xff0…

工厂电能质量治理解决方案

1、概述 谐波的危害十分严重,尤其在工厂这种设备较多的场合。大部分设备都是谐波源,谐波使电能的生产、传输和利用的效率降低,使电气设备过热、产生振动和噪声,并使绝缘老化,使用寿命缩短,甚至发生故障或烧…

RocketMQ 5.0 无状态实时性消费详解

作者:绍舒 背景 RocketMQ 5.0 版本引入了 Proxy 模块、无状态 pop 消费机制和 gRPC 协议等创新功能,同时还推出了一种全新的客户端类型:SimpleConsumer。 SimpleConsumer 客户端采用了无状态的 pop 机制,彻底解决了在客户端发布…

创作纪念日——Hello World

创作纪念日——Hello World 导读 正在报告&#xff01; ——迅捷斥候 成就 精通多种语言的Hello World 1. C #include int main() {printf("Hello, World");return(0); }2. C int main() {std::cout << "Hello World";return 0; }3. C# using…

QT字节数组类QByteArray

QT字节数组类QByteArray 初始化访问某个元素截取字符串获取字节数组的大小数据转换与处理Hex转换数值转换与输出 字母大小写转换字符串数值转化为各类数值QBQyteArray和char*互转QByteArray 和std::string互转与字符串QString互转QByteArray和自定义结构体之间的转化判断是否为…

区块链实验室(11) - PBFT耗时与流量特征

以前面仿真程序为例&#xff0c;分析PBFT的耗时与流量特征。实验如下&#xff0c;100个节点构成1个无标度网络&#xff0c;节点最小度为5&#xff0c;最大度为38. 从每个节点发起1次交易共识。统计每次交易的耗时以及流量。本文所述的流量见前述仿真程序的说明:区块链实验室(3)…

13.4.2 【Linux】sudo

相对于 su 需要了解新切换的使用者密码 &#xff08;常常是需要 root 的密码&#xff09;&#xff0c; sudo 的执行则仅需要自己的密码即可。sudo 可以让你以其他用户的身份执行指令 &#xff08;通常是使用 root 的身份来执行指令&#xff09;&#xff0c;因此并非所有人都能够…

“深入解析Spring Boot:原理、特性与最佳实践“

标题&#xff1a;深入解析Spring Boot&#xff1a;原理、特性与最佳实践 摘要&#xff1a;本文将深入解析Spring Boot的原理、特性和最佳实践&#xff0c;帮助开发工程师更好地理解和使用Spring Boot。文章包括Spring Boot的背景介绍、核心原理、常用特性和最佳实践&#xff0…

AcWing 1210. 连号区间数

输入样例1&#xff1a; 4 3 2 4 1输出样例1&#xff1a; 7输入样例2&#xff1a; 5 3 4 2 5 1输出样例2&#xff1a; 9样例解释 第一个用例中&#xff0c;有 77 个连号区间分别是&#xff1a;[1,1],[1,2],[1,3],[1,4],[2,2],[3,3],[4,4][1,1],[1,2],[1,3],[1,4],[2,2],[3,3…

【七天入门数据库】第五天 MySQL的备份恢复

系列文章传送门&#xff1a; 【七天入门数据库】第一天 MySQL的安装部署 【七天入门数据库】第二天 数据库理论基础 【七天入门数据库】第三天 MySQL的库表操作 【七天入门数据库】第四天 数据操作语言DML 一、日志管理 &#xff08;一&#xff09;日志类型 错误日志&am…

SAP ERP系统 MARA, MARC分别起到什么作用

“MARA"和"MARC” "MARA"和"MARC"是SAP系统中的两个重要的数据表&#xff0c;它们分别用于存储物料主数据和物料的工厂级数据。在SAP ERP系统中&#xff0c;物料主数据是核心数据之一&#xff0c;用于描述和管理公司生产和采购的物料。 MARA 表…

Linux系统知识1—Linux命令基础格式,什么是命令,命令行,ls命令入门,ls命令的参数和选项,-a,-l -h选项的使用及组合使用

一.什么是命令&#xff0c;命令行 &#xff0e;命令行&#xff1a;即 Linux 终端&#xff08; Terminal )&#xff0c;是一种命令提示符页面。以纯"字符"的形式操作系统&#xff0c;可以使用各种字符化命令对系统发出操作指令。 &#xff0e;命令&#xff1a;即 Lin…

redis(9):spring里面使用redis

1 创建一个mave项目 自行创建一个maven项目 2 修改pom.xml <properties><project.build.sourceEncoding>UTF-8</project.build.sourceEncoding><maven.compiler.source>1.7</maven.compiler.source><maven.compiler.target>1.7</maven…

SpringMVC

文章目录 一.SpringMVC的概念1.1 Spring的概念1.2 MVC和SpringMVC的关系 二.SpringMVC步骤2.1 创建一个springMVC项目2.2 获取参数的功能2.3 输出参数的功能 三.SpringMVC的注解介绍3.1 获取参数3.1.1 获取参数单个参数3.1.2 获取多个参数3.1.3获取对象3.1.4 获取json对象3.1.5…

hqyj—驱动—day3

ioctl控制马达&#xff0c;LED灯&#xff0c;风扇&#xff0c;蜂鸣器运行 LED LED驱动程序&#xff1a; #include <linux/init.h> #include <linux/module.h> #include <linux/fs.h> #include <linux/io.h> #include "stm32mp1xx_gpio.h"…

深度学习初探

1.深度学习模型训练过程 1&#xff09;数据&#xff08;数据清洗标注&#xff09; 2&#xff09;模型&#xff08;模型的构建和初始化&#xff09; 3&#xff09;损失&#xff08;前向传播的过程&#xff0c;得到模型的输出和真实标签的差异值&#xff0c;称之为损失&#x…

深度学习常用优化器总结,具详细(SGD,Momentum,AdaGrad,Rmsprop,Adam,Adamw)

学习需要&#xff0c;总结一些常用优化器。 目录 前言SGD&#xff1a;随机梯度下降BGD&#xff1a;批量梯度下降MBGD&#xff1a;小批量梯度下降MomentumAdaGradRMSpropAdam: Adaptive Moment EstimationAdamW参考文章 前言 优化器的本质是使用不同的策略进行参数更新。常用的…

springboot jar分离部署

springboot jar分离部署 注意&#xff1a;spring boot web项目别使用jsp页面&#xff0c;可以使用模板代替&#xff0c;jsp打包时访问页面会报404错误。 1.具体配置如下&#xff1a; <build><plugins><!--更换maven的jar打包插件先前使用的是spring-boot-mav…

【C++】多态

一、多态的概念 多态&#xff0c;顾名思义就是多种状态。 多态概念&#xff1a;通俗来说&#xff0c;就是多种形态&#xff0c;具体点就是去完成某个行为&#xff0c;当不同的对象去完成时会产生出不同的状态。 举个例子:比如买票这个行为&#xff0c;当普通人买票时&#xff…