遗传算法优化otsu杭电模式识别课程作业

otsu.py定义了最大类间方差函数，test.py用于运行GA model，IGA为遗传算法策略的改进版本，make_video.py用于将每一代的结果制作成视频（如果将每个点家加上一个随机偏移，画出来的效果会更好哦，可以自己尝试）。杭州电子科技大学模式识别课程代码。 这个积分有点麻烦，可以到我的github去下载：https://github.com/finepix/py_workspace/tree/master/genetic_algorithm

“““
    GA 模型， 用遗传算法求解OTSU
“““
import random
import matplotlib.pyplot as plt
import time
import cv2


class GA:
    def __init__（self img fitness population_num evolution_times ga_length=8 crossover_pro=0.5
                 variation_pro=0.001）:
        “““
                    GA model，对种群参数以及种群进行初始化
        :param img:                     图像数据
        :param fitness:                 适应度函数
        :param population_num:          种群数量
        :param evolution_times:         种群迭代次数
        :param ga_length:               基因长度
        :param crossover_pro:           交换概率
        :param variation_pro:           变异概率
        “““
        # 图像数据
        self.data = img
        # 基因长度
        self.ga_length = ga_length
        # 种群数量
        self.population_num = population_num
        # 适应度函数
        self.fitness = fitness
        # 进化次数（产生多少代后代）
        self.evolution_times = evolution_times
        # 交叉以及变异概率
        self.crossover_pro = crossover_pro
        self.variation_pro = variation_pro
        # 画图参数
        self.plt = plt
        x = range（pow（2 self.ga_length））
        y = [self.fitness（self.data i） for i in x]
        max_y = max（y）
        index_max = y.index（max_y）
        self.x = x
        self.y = y
        self.max_y = max_y
        self.index_max = index_max
        self.min_y = min（y）

        # 随机产生种群，并且编码
        self.populations = []
        # todo  pow（2 self.ga_length） - 1
        max_num = pow（2 self.ga_length） - 1
        for i in range（self.population_num）:
            pop = random.randint（0 max_num）
            pop = self.num_encode（pop）
            self.populations.append（pop）

        # todo initialize

    def selection（self）:
        “““
                通过轮盘法选择
        :return:
        “““
        # # todo delete
        # gen = self.statistics（）
        # print（‘before selection:‘ gen）

        # 计算每一个个体的适应度值
        fitness_list = self.calculate_fitness_list（）

        # 存在误差
        # fitness_sum = np.sum（fitness_list）
        # fitness_pro = fitness_list / fitness_sum

        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）

        pro_sum = 0.0
        for i in range（1 self.population_num）:
            pro_sum += fitness_pro[i]
            fitness_pro[i] = pro_sum
        # 在计算中由于浮点数计算会存在误差导致最后的概率之和不为1，这里纠正
        fitness_pro[-1] = 1

        next_generations = []
        for i in range（self.population_num）:
            # 产生一个0 - 1的概率
            pro = random.uniform（0 1）

            # 可优化（先计算完轮盘选择的全部概率分布，归结子问题），见上
            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_pr

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-11-27 16:47  genetic_algorithm\
     文件       12630  2018-11-27 11:15  genetic_algorithm\GA.py
     文件       11107  2018-11-27 12:09  genetic_algorithm\IGA.py
     文件           2  2018-11-21 16:40  genetic_algorithm\__init__.py
     目录           0  2018-11-27 16:48  genetic_algorithm\ga_process\
     文件       42809  2018-11-27 12:09  genetic_algorithm\ga_process\iter_0.jpg
     文件       42033  2018-11-27 12:10  genetic_algorithm\ga_process\iter_1.jpg
     文件       40501  2018-11-27 12:11  genetic_algorithm\ga_process\iter_10.jpg
     文件       39639  2018-11-27 12:12  genetic_algorithm\ga_process\iter_100.jpg
     文件       39597  2018-11-27 12:12  genetic_algorithm\ga_process\iter_101.jpg
     文件       39640  2018-11-27 12:12  genetic_algorithm\ga_process\iter_102.jpg
     文件       39592  2018-11-27 12:12  genetic_algorithm\ga_process\iter_103.jpg
     文件       39531  2018-11-27 12:12  genetic_algorithm\ga_process\iter_104.jpg
     文件       39553  2018-11-27 12:12  genetic_algorithm\ga_process\iter_105.jpg
     文件       39623  2018-11-27 12:12  genetic_algorithm\ga_process\iter_106.jpg
     文件       39545  2018-11-27 12:12  genetic_algorithm\ga_process\iter_107.jpg
     文件       39635  2018-11-27 12:12  genetic_algorithm\ga_process\iter_108.jpg
     文件       39608  2018-11-27 12:12  genetic_algorithm\ga_process\iter_109.jpg
     文件       40234  2018-11-27 12:11  genetic_algorithm\ga_process\iter_11.jpg
     文件       39631  2018-11-27 12:12  genetic_algorithm\ga_process\iter_110.jpg
     文件       39545  2018-11-27 12:12  genetic_algorithm\ga_process\iter_111.jpg
     文件       39618  2018-11-27 12:12  genetic_algorithm\ga_process\iter_112.jpg
     文件       39596  2018-11-27 12:12  genetic_algorithm\ga_process\iter_113.jpg
     文件       39599  2018-11-27 12:12  genetic_algorithm\ga_process\iter_114.jpg
     文件       39654  2018-11-27 12:12  genetic_algorithm\ga_process\iter_115.jpg
     文件       39636  2018-11-27 12:12  genetic_algorithm\ga_process\iter_116.jpg
     文件       39550  2018-11-27 12:12  genetic_algorithm\ga_process\iter_117.jpg
     文件       39627  2018-11-27 12:12  genetic_algorithm\ga_process\iter_118.jpg
     文件       39637  2018-11-27 12:12  genetic_algorithm\ga_process\iter_119.jpg
     文件       40384  2018-11-27 12:11  genetic_algorithm\ga_process\iter_12.jpg
     文件       39588  2018-11-27 12:12  genetic_algorithm\ga_process\iter_120.jpg
............此处省略246个文件信息