遗传算法和聚类算法结合的matlab程序

%%%利用改进遗传聚类算法和直方图信息进行图像分割 %%%程序开始 %%初始部分，读取图像及计算相关信息 close all; clear; clc; %I=imread('E:\MATLAB6p5\work\我的程序\ga_fcm_levelset\rice.tif'); %I=imread('E:\MATLAB6p5\work\我的程序\ga_fcm_levelset\knee1.tif'); %I=imread('E:\MATLAB6p5\work\我的程序\ga_fcm_levelset\Lenna.bmp'); %I=imread('E:\MATLAB6p5\work\我的程序\ga_fcm_levelset\Lenna_noise.bmp'); %I=imread('K:\MATLAB6p5\work\我的程序\ga_fcm_levelset\11561277179451274.bmp'); I=imread('E:\MATLAB6p5\work\我的程序\ga_fcm_\d1.jpg'); I=rgb2gray(I); hist=imhist(I); c=2;%设置聚类数 a_immage=0.5;%设置分割门限 a=size(hist,1); V0=round(rand(1,c)*(a-1));%聚类中心初始化 %%程序主干部分 t0=clock; %种群随机初始化，种群数取10， population=30; v0=round(rand(a-1,c)*(a-1)); for i=1:a initV(i,:)=round(rand(1,c)*(a-1)); end v=initV; for j=1:population [v_out(j,:),f(j)]=fcm(hist,c,v(j,:));%计算适应度函数 end %循环搜索，搜索代数取100 generation=200; for k=1:generation s1=select(v0,f,population);%轮盘赌选择 holdm=s1;%保留父代群体 c1=cross1(s1,k,population,c);%交叉，交叉概率为0.6，0.8 v1=mutation1(c1,k,population,a);%变异，变异概率为前0.02，中0.03，后0.02 r1=replace(holdm,v1,hist,c,population,f);%子优代父，基于浓度的群体更新 for i=1:population [v_out_new(i,:),f1(i)]=fcm(hist,c,r1(i,:));%适应度计算 end a_max=max(f1); if a_max<=0.01 break; end v0=v_out_new; f=f1; end v_end(1,1)=round(mean(v_out_new(:,1))); v_end(1,2)=round(mean(v_out_new(:,2))); fu=belong(c,hist,v_end); fu_abs=abs(fu-a_immage); min_a=min(min(fu_abs));%阈值设置 [i,j]=find(fu_abs==min_a); t_opt=min(i); %t_opt=mean(mean(i)); t1=clock; %下面进行阈值分割和显示 threshold_i=t_opt/(a-1); I1=im2bw(I,threshold_i); disp('算法分割的效果如图所示：'); disp('源图为：Fifure No.1'); disp('利用直方图信息进行遗传聚类算法分割后的图像为：Fifure No.2'); disp('边缘提取后的图象为为：Fifure No.3'); disp('迭代次数为：'); k disp('执行所花的时间为:'); search_time=etime(t1,t0); search_time figure(1); imshow(I); title('源图'); figure(2); imshow(I1); title('利用直方图信息进行遗传聚类算法分割后的图像'); BW2 = edge(I1,'canny');%用canny算子提取边缘 figure(3); imshow(BW2); disp('利用直方图信息进行遗传聚类算法的阈值为：'); disp(round(t_opt)); %%程序结束