图像重建基于matlab遗传算法二值化图像重建含Matlab源码 2396期

Posted 2023-03-06 海神之光

⛄一、基于遗传算法的图像重建

遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法,它相对于传统的基于目标函数最小化的搜索算法相比,具有以下特点:遗传算法的搜索始于解的一个种群,而不是传统优化方法的单个解;遗传算法只使用适值函数,而不使用目标函数的梯度或高阶导数等辅助条件;遗传算法采用概率的,而不是确定的状态转移规则。以上特点使得遗传算法能够非常有效地进行概率意义下的全局搜索,从而有能力收敛于问题的最优解[5]。

遗传算法的操作通常有以下一些内容:编码与初始种群的生成;适应度评估与遗传选择;交叉操作和变异操作。

1 编码与初始种群的生成
由于遗传算法不能直接处理问题空间的参数,必须把它们转换成遗传算法空间的由基因按一定结构组成的染色体,这一转换叫编码,也可以称作为问题的表示。种群是由多个染色体组成的,它们是问题的多个可能的解。

对于静态EIT图像重建,我们将EIT的FEM模型中的各单元阻抗值ρi(i=1,2,…m)表示为基因,全体单元阻抗的一种分布表示为一个染色体。如图2所示的FEM离散模型中,区域被离散成32个三角单元,则每个单元的阻抗值ρi(i=1,2,…m)表示为一个基因,一个染色体由32个基因(单元阻抗值)组成,初始种群由一组随机产生的初始阻抗分布(初始解)组成。

2 适应度评估与遗传选择
适值函数(Fitness function)被用来评估染色体的好坏,根据适值的大小选择部分后代,淘汰部分后代,并保持种群大小不变。遗传选择的策略就是适值高的染色体被选中作为后代的概率较高。在静态EIT图像重建中,我们选公式(4)中的目标函数的倒数作为适度函数,即:

遗传选择方法使用转轮法[5],能够根据与适值成正比的概率选出新的种群(后一代)。

图2EIT中的染色体编码图

3 交叉操作和变异操作
在静态EIT图像重建过程中,我们采用单断点交叉法,根据设定的交叉率,在被等概率随机选中作为交叉的染色体(阻抗分布)中,再等概率随机地选择一个断点,交换相互染色体中断点的右端,从而生成新的后代。

变异是以较小概率的变异率改变种群中被随机选中作为变异的某些基因。在静态EIT图像重建中,基因变异是指单元阻抗值增加或减小一定的变化量,其中阻抗值的增加或减小也是等概率随机确定。

基于遗传算法的静态EIT图像重建过程就是通过迭代进行以上所介绍的适应度评估、选择、交叉和变异步骤,直到满足预定的适值要求或设定的若干代进化。在一般抗噪要求下的静态EIT成像系统中,算法会收敛于真实的阻抗分布。

⛄二、部分源代码

% main

clear
clc
close all

fileName = ‘IMG1.jpg’
IMG_REF_BINARY = PreparePhoto(fileName);

%% controling paramters of the GA algortihm
Problem.obj = @FitnessFunction;
Problem.nVar = size(IMG_REF_BINARY,1) * size(IMG_REF_BINARY,2);

M = 30; % number of chromosomes (cadinate solutions)
N = Problem.nVar; % number of genes (variables)
MaxGen = 1000;
Pc = 0.95
Pm = 0.001;
Er = 0.2;

visualization = 1; % set to 0 if you do not want the convergence curve

figure
subplot(1,2,1)
imshow(IMG_REF_BINARY)
title(‘原始图像’)

[BestChrom] = GeneticAlgorithm (M , N, MaxGen , Pc, Pm , Er , Problem.obj , visualization )

disp('最优染色体: ')
BestChrom.Gene
disp('最优值: ')
BestChrom.Fitness

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]侯卫东,莫玉龙.基于遗传算法的电阻抗图像重建[J].生物医学工程学杂志. 2003(01)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除