matlab神经网络和优化算法：31免疫遗传算法实现图像阈值分割.zip

%% 学习目标：免疫遗传算法实现图像阈值分割 clear all clc tic %% popsize=15; %群体规模 lanti=10; maxgen=50; %最大代数 cross_rate=0.4; %交叉速率 mutation_rate=0.1;%变异速率 a0=0.7; zpopsize=5; bestf=0; nf=0; number=0; %% I=imread('01.bmp'); %读入图像 %% q=isrgb(I); %判断是否为RGB真彩图像 if q==1 I=rgb2gray(I); %转换RGB图像为灰度图像 end %% [m,n]=size(I); %图像大小 p=imhist(I); %显示图像数据直方图 p=p'; %阵列由列变为行 p=p/(m*n); %将p的值变换到（0,1） figure(1) subplot(1,2,1); imshow(I); title('原图的灰度图像'); hold on %% 抗体群体初始化 pop=2*rand(popsize,lanti)-1; %pop为15*10的值为（-1,1）之间的随机数矩阵 pop=hardlim(pop); %大于等于0为1，小于0为0 %% 免疫操作 for gen=1:maxgen %% 计算抗体—抗原的亲和度 [fitness,yuzhi,number]=fitnessty(pop,lanti,I,popsize,m,n,number); if max(fitness)>bestf bestf=max(fitness); nf=0; for i=1:popsize %% 找出最大适应度在向量fitness中的序号 if fitness(1,i)==bestf v=i; end end yu=yuzhi(1,v); elseif max(fitness)==bestf nf=nf+1; end if nf>=20 break; end %% A=shontt(pop); %计算抗体—抗体的相似度 f=fit(A,fitness); %计算抗体的聚合适应度 pop=select(pop,f); %进行选择操作 pop=coss(pop,cross_rate,popsize,lanti); %交叉 pop=mutation_compute(pop,mutation_rate,lanti,popsize); %变异 a=shonqt(pop); %计算抗体群体的相似度 %% if a>a0 zpop=2*rand(zpopsize,lanti)-1; zpop=hardlim(zpop); %随机生成zpopsize个新抗体 pop(popsize+1:popsize+zpopsize,:)=zpop(:,:); [fitness,yuzhi,number]=fitnessty(pop,lanti,I,popsize,m,n,number); %% 计算抗体—抗原的亲和度 A=shontt(pop); %计算抗体—抗体的相似度 f=fit(A,fitness); %计算抗体的聚合适应度 pop=select(pop,f); %进行选择操作 end if gen==maxgen [fitness,yuzhi,number]=fitnessty(pop,lanti,I,popsize,m,n,number); %计算抗体—抗原的亲和度 end end imshow(I); subplot(1,2,2); fresult(I,yu); title('阈值分割后的图像'); %% 大仙QQ：1960009019 %% 在线教育微信公众号：大仙一品堂