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COA算法](#1. 原始COA算法)
-
- [1.1 开发阶段](#1.1 开发阶段)
- [1.2 探索阶段](#1.2 探索阶段)
- [2. 多阈值Otsu原理](#2. 多阈值Otsu原理)
- [3. 部分代码展示](#3. 部分代码展示)
- [4. 仿真结果展示](#4. 仿真结果展示)
- [5. 资源获取](#5. 资源获取)
【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COA算法
长鼻浣熊优化算法(Cоati Optimization Algorithm,COA)是一种启发式优化算法,灵感来源于长鼻浣熊(Coati)的行为策略。长鼻浣熊优化算法基于长鼻浣熊在觅食过程中的特性和行为模式。长鼻浣熊是一种树栖动物,具有长而灵活的鼻子,用于觅食和捕食。它们通过嗅觉感知周围环境,利用敏锐的视觉和协调的运动能力来寻找食物。
1.1 开发阶段
这个阶段模拟的是浣熊对鬣蜥的攻击策略,对搜索空间中的种群更新的第一个阶段进行建模。在这个策略中,一群浣熊会爬上树,对着一只鬣蜥,并吓唬它,其他几个浣熊会在树下等待鬣蜥掉下来。当鬣蜥掉下来之后,浣熊就会攻击并猎杀它。这个策略使得COA在搜索空间中移动到不同的位置,说明COA在问题解决空间中的全局搜索能力。
在COA的设计中,种群中的最佳位置被假定为鬣蜥的位置。此外,还假设有一般的浣熊能爬上树,另一半在地上等待鬣蜥掉下来。因此,浣熊在树上的位置可以用以下公式描述:
鬣蜥落地后,将其放置在搜索空间中的任意位置。基于这种随机位置,地面上的浣熊可以在搜索空间中移动,用下列公式来描述:
对于每个浣熊计算的新位置,如果它改善了目标函数的值,那么就会被接受,否则,浣熊将保持原先的位置,此过程用以下公式来表示。这个可以被视为贪婪法则。
这里 x i P 1 x_{i}^{P1} xiP1是计算第 i i i个浣熊的新位置, x i , j P 1 x_{i,j}^{P1} xi,jP1是它的第 j j j维, F i P 1 F_{i}^{P1} FiP1是它的目标函数值, r r r是 [ 0 , 1 ] [0,1] [0,1]区间内的随机实数。 I g u a n a Iguana Iguana代表鬣蜥在搜索空间中的位置,这实际上是指种群中最佳个体的位置; I g u a n a j Iguana_{j} Iguanaj是它的第 j j j维, j j j是一个整数,从集合{1,2}中随机选择, I g u a n a G Iguana^{G} IguanaG是在地面上的位置,它是随机生成的。 I g u a n a j G Iguana_{j}^{G} IguanajG蠢晰是它的第 j j j维, F I g u a n a G F_{Iguana}^{G} FIguanaG是它的目标函数值。
1.2 探索阶段
在第二阶段即探索阶段的过程中,位置更新模拟的是浣熊在遇到捕食者和逃避捕食者的行为。当食肉动物攻击浣熊时,浣熊就会从它的位置上逃走。浣熊在该策略中的移动使其处于接近其当前位置的安全位置,这代表这COA的局部开发能力。为了模拟这种行为,COA在每个长鼻浣熊个体附近生成一个随机位置,公式如下所示:
与开发阶段中类似,同样使用贪婪选择来决定是替换还是保留原先的位置。
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:
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:
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
matlab
%% 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COA对阈值寻优
4. 仿真结果展示
matlab
最大类间方差为:1587.0666
COA优化算法优化得到的阈值分别为:148 87 47
5. 资源获取
可以获取完整代码资源