Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/leejiajia11/image-binarization
本实验通过实现基于遗传算法的图像二值化处理，优化大津算法的阈值分割性能，得到最佳二值化图像。使用遗传算法（Genetic Algorithm, GA）和大津算法（OTSU）确定图像二值化的最佳阈值。 实现图像二值化分割，并通过实验验证算法的有效性。 探索遗传算法中遗传操作（选择、交叉、变异）对二值化分割结果的影响。
https://github.com/leejiajia11/image-binarization
Last synced: about 2 months ago
JSON representation
本实验通过实现基于遗传算法的图像二值化处理，优化大津算法的阈值分割性能，得到最佳二值化图像。使用遗传算法（Genetic Algorithm, GA）和大津算法（OTSU）确定图像二值化的最佳阈值。 实现图像二值化分割，并通过实验验证算法的有效性。 探索遗传算法中遗传操作（选择、交叉、变异）对二值化分割结果的影响。
- Host: GitHub
- URL: https://github.com/leejiajia11/image-binarization
- Owner: Leejiajia11
- Created: 2024-11-21T08:55:10.000Z (2 months ago)
- Default Branch: main
- Last Pushed: 2024-11-21T09:50:24.000Z (2 months ago)
- Last Synced: 2024-11-21T10:32:57.710Z (2 months ago)
- Language: Python
- Size: 2.78 MB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Image-binarization
## 实验报告：基于遗传算法的大津法图像二值化处理
### 实验目的
通过实现基于遗传算法的图像二值化处理，优化大津算法的阈值分割性能，得到最佳二值化图像。
---
### 实验原理
#### 大津法（OTSU）
大津法是一种自动确定图像二值化阈值的算法，其通过最大化类间方差的方式寻找最佳分割点。类间方差公式如下：
$$
\sigma_B^2 = \frac{w_0 w_1 (\mu_0 - \mu_1)^2}{N^2}
$$
- $w_0, w_1$：前景和背景像素的权重。
- $\mu_0, \mu_1$：前景和背景的灰度均值。
- $N$：图像像素总数。
#### 遗传算法（Genetic Algorithm, GA）
遗传算法通过模拟自然选择和生物进化的过程，迭代生成最优解。其核心步骤包括：
1. **初始化**：随机生成种群（个体）。
2. **适应度评估**：利用适应度函数评估每个个体的优劣。
3. **选择**：保留适应度高的个体。
4. **交叉**：利用遗传机制产生新的个体。
5. **变异**：对部分个体进行随机变异。
6. **迭代**：重复上述步骤，直到满足停止条件。
在本实验中，遗传算法用于优化大津法的阈值。
---
### 实验代码
#### 核心代码实现
以下为关键代码片段：
```python
import numpy as np
from PIL import Image
class GA:
def __init__(self, image, M):
self.image = image
self.M = M
self.length = 8
self.species = np.random.randint(0, 256, self.M)
self.select_rate = 0.5
self.strong_rate = 0.3
self.bianyi_rate = 0.05
def Adaptation(self, ranseti):
fit = OTSU().otsu(self.image, ranseti)
return fit
def selection(self):
fitness = [(self.Adaptation(r), r) for r in self.species]
fitness = sorted(fitness, reverse=True)
parents = [f[1] for f in fitness[:int(len(fitness) * self.strong_rate)]]
for r in fitness[int(len(fitness) * self.strong_rate):]:
if np.random.random() < self.select_rate:
parents.append(r[1])
return parents
def crossover(self, parents):
children = []
child_count = len(self.species) - len(parents)
while len(children) < child_count:
fu, mu = np.random.choice(len(parents), 2, replace=False)
position = np.random.randint(0, self.length)
mask = sum([1 << i for i in range(position)])
child = (parents[fu] & mask) | (parents[mu] & ~mask)
children.append(child)
self.species = parents + children
def bianyi(self):
for i in range(len(self.species)):
if np.random.random() < self.bianyi_rate:
j = np.random.randint(0, self.length)
self.species[i] ^= (1 << j)
def evolution(self):
parents = self.selection()
self.crossover(parents)
self.bianyi()
def yuzhi(self):
fitness = [(self.Adaptation(r), r) for r in self.species]
return max(fitness)[1]
class OTSU:
def otsu(self, image, yuzhi):
image = np.transpose(np.asarray(image))
size = image.size
bin_image = image < yuzhi
summ = np.sum(image)
w0 = np.sum(bin_image)
if w0 == 0 or w0 == size:
return 0
sum0 = np.sum(bin_image * image)
w1 = size - w0
sum1 = summ - sum0
mean0, mean1 = sum0 / w0, sum1 / w1
return w0 * w1 * (mean0 - mean1) ** 2 / (size ** 2)
def transition(yu, image):
temp = np.asarray(image)
array = np.where(temp < yu, 0, 255).astype(np.uint8)
image.putdata(array.ravel())
image.show()
image.save('img/binarized.jpg')
def main():
tu = Image.open('img/a.jpg')
tu.show()
gray = tu.convert('L')
ga = GA(gray, 16)
for _ in range(100):
ga.evolution()
max_yuzhi = ga.yuzhi()
print("最佳阈值为：", max_yuzhi)
transition(max_yuzhi, gray)
if __name__ == "__main__":
main()
```
---
### 实验步骤
1. **加载图像**：通过 `PIL` 打开图像并转换为灰度图。
2. **遗传算法初始化**：随机生成包含 16 个染色体的种群，初始化遗传参数。
3. **适应度计算**：基于大津法计算每条染色体（阈值）的适应度。
4. **迭代优化**：经过 100 次进化后，获取最佳阈值。
5. **二值化图像生成**：根据最佳阈值，将灰度图像转换为二值化图像。
---
### 实验结果
#### 原始图像
加载后的灰度图像如下：
（此处插入灰度图像显示）
#### 二值化结果
基于最佳阈值（如：127）生成的二值化图像如下：
（此处插入二值化图像显示）
#### 最佳阈值
程序计算的最佳阈值为 `127`。
---
### 实验总结
1. **方法有效性**：
- 基于遗传算法的大津法阈值优化能够在较少的迭代中快速收敛，得到合理的二值化阈值。
2. **改进建议**：
- **种群规模优化**：尝试增大种群规模以提升全局搜索能力。
- **适应度函数调整**：考虑多目标优化以适配更多复杂图像。
3. **实践意义**：
- 本实验展示了遗传算法在图像处理中的应用潜力，尤其在阈值选择问题上表现出色。
---
如需代码文件或图像结果，请告知！