杭電模式識別課程設計作業
最大類間方差法(Otsu)
詳見https://www.cnblogs.com/xiaomanon/p/4110006.html，這裏就不去贅述了。
遺傳算法策略
關於遺傳算法的詳解什麼的，可以參考其他的類似文章，下面講講我自己的策略
種羣編碼策略
二進制，優點在於方便理解，缺點在於python對於二進制數的處理有點雞肋。
選擇策略
輪盤選擇法(有待改進)
缺點在於：若變異產生了一個新的最大值（更接近於最優值），但是其種羣數量就只有1，遠遠比不上當前的最大值（離最優值遠一點）。若直接使用輪盤選擇法，那麼這個新變異出來的值就會被覆蓋掉。
改進：強制將上一代中最大的值進行保留，這樣使得種羣不會退化
交換策略
從基因一半往後的位置開始交換，這樣有利於保持當前的最優值，使得交換之後的種羣不至於很差。（待改進，對於最大值個體不進行交換操作）
-
Step1：產生一個概率，若小於交換概率，那麼進行step2往後，否則處理下一個個體；
-
Step1：將種羣的population亂序排列，取出前一半作爲father，後一半作爲mother；
Step2：產生half-end的隨機位置，然後從father和mother中各選出一位出來配對，交換。
變異策略
對於每一個個體，對於任意位置產生一位變異，但是變異概率不宜設計的很大，這樣會導致種羣不容易收斂。（待改進，對於最大值個體不進行變異操作）
- Step1：產生一個概率，若小於變異的概率，那麼進行step2往後，否則處理下一個個體；
- Step2：產生一個隨機位置start-end；
- Step3：將該個體位置對應的隨機位置的值取反。
停止條件
需滿足以下其一即可：
1：滿足種羣迭代的最大值；
2：種羣的0.98的個體都指向同一個值。
核心代碼
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(bg_pix) != 0:
u1 = np.sum(image_gray * bg_pix) / np.sum(bg_pix)
val = w0 * w1 * (u0 - u1) * (u0 - u1)
return val
if __name__ == '__main__':
file_path = 'images\ship.jpg'
image = cv2.imread(file_path)
cv2.imshow('origin_img', image)
image_gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
image_gray[image_gray > 143] = 255
cv2.imshow('IM_OTSU', image_gray)
cv2.waitKey(-1)
將該函數傳入GA model，當做適應度函數
GA
def selection(self):
"""
通過輪盤法選擇(改進算法)，保留最大值對應的個體，防止種羣退化
:return:
"""
# 計算每一個個體的適應度值
fitness_list = self.calculate_fitness_list()
max_fitness = max(fitness_list)
# step1:將最大值和其餘的值分離，並且將populations重新賦值
new_populations = []
remain_populations = []
for i in range(len(fitness_list)):
if fitness_list[i] == max_fitness:
new_populations.append(self.populations[i])
else:
remain_populations.append(self.populations[i])
# 將剩下的populations賦值給model
self.new_populations = new_populations
self.populations = remain_populations
fitness_list = self.calculate_fitness_list()
# step2:計算概率
fitness_sum = 0.0
for fit in fitness_list:
fitness_sum += fit
fitness_pro = []
for i in range(len(fitness_list)):
fitness_pro.append(fitness_list[i] / fitness_sum)
# step3:計算剩餘人口的輪盤選擇概率
pro_sum = 0.0
for i in range(1, len(fitness_pro)):
pro_sum += fitness_pro[i]
fitness_pro[i] = pro_sum
# 在計算中由於浮點數計算會存在誤差導致最後的概率之和不爲1，這裏糾正
fitness_pro[-1] = 1
next_generations = []
# step4:輪盤選擇出與剩下的人數相等的population
for i in range(len(remain_populations)):
# 產生一個0 - 1的概率
pro = random.uniform(0, 1)
# 可優化（先計算完輪盤選擇的全部概率分佈，歸結子問題），見上
if pro <= fitness_pro[0]:
next_generations.append(self.populations[0])
continue
for j in range(self.population_num - 1):
if fitness_pro[j] < pro < fitness_pro[j + 1]:
next_generations.append(self.populations[j + 1])
break
self.populations = next_generations
def crossover(self):
"""
種羣交叉，，先reshuffle截取前面一半用作父親，後面用作母親
:return:
"""
# # todo delete
# gen = self.statistics()
# print('before cross:', gen)
# reshuffle
# self.populations = random.shuffle(self.populations)
random.shuffle(self.populations)
half = int(len(self.populations) / 2)
fathers = self.populations[:half]
mothers = self.populations[half:]
next_generations = []
for i in range(half):
father = fathers[i]
mother = mothers[i]
pro = random.uniform(0, 1)
if pro < self.crossover_pro:
# todo 位置從一半開始，防止每一次變化過大（待優化，每一次迭代需要將最大的值保留下來，這樣能保證種羣不會退化）
index = random.randint(self.ga_length / 2, self.ga_length)
child_a = father[:index] + mother[index:]
child_b = mother[:index] + father[index:]
next_generations.append(child_a)
next_generations.append(child_b)
else:
next_generations.append(father)
next_generations.append(mother)
if len(self.populations) % 2 != 0:
next_generations.append(self.populations[-1])
self.populations = next_generations
# # todo delete
# gen = self.statistics()
# print('after cross:', gen)
def variation(self):
"""
變異，沒用到左移右移以及取反操作，python無bit類型數據結構
:return:
"""
# # todo delete
# gen = self.statistics()
# print('before variation:', gen)
length = len(self.populations)
for i in range(length):
pop = self.populations[i]
# TypeError: 'str' object does not support item assignment
pop = list(pop)
pro = random.uniform(0, 1)
# todo
if pro < self.variation_pro: # self.variation_pro
index = random.randint(0, self.ga_length - 1)
j = pop[index]
if int(j) == 0:
pop[index] = 1
else:
pop[index] = 0
string = "".join('%s' % s for s in pop)
self.populations[i] = string
for p in self.new_populations:
self.populations.append(p)
以上實現爲：選擇、交叉、變異 各步驟。