一、简介
- 关于全局最优化求解
全局最优化是一个非常复杂的问题，目前还没有一个通用的办法可以对任意复杂函数求解全局最优值。上一篇文章讲解了一个求解局部极小值的方法——梯度下降法。这种方法对于求解精度不高的情况是实用的，可以用局部极小值近似替代全局最小值点。但是当要求精确求解全局最小值时，梯度下降法就不适用了，需要采用其他的办法求解。常见的求解全局最优的办法有拉格朗日法、线性规划法、以及一些人工智能算法比如遗传算法、粒子群算法、模拟退火算法等(可以参见我之前的博客)。而今天要讲的是一个操作简单但是不易陷入局部极小值的方法：随机游走算法。 - 随机游走算法操作步骤
设f(x)f(x)是一个含有nn个变量的多元函数,x=(x1,x2,…,xn)x=(x1,x2,…,xn)为nn维向量。
给定初始迭代点xx，初次行走步长λλ，控制精度ϵϵ(ϵϵ是一个非常小的正数，用于控制结束算法)。
给定迭代控制次数NN，kk为当前迭代次数，置k=1k=1。
当 k<Nk<N时，随机生成一个(−1,1)(−1,1)之间的nn维向量u=(u1,u2,⋯,un),(−1<ui<1,i=1,2,⋯,n)u=(u1,u2,⋯,un),(−1<ui<1,i=1,2,⋯,n)，并将其标准化得到u′=u∑ni=1u2i√u′=u∑i=1nui2。令x1=x+λu′x1=x+λu′，完成第一步游走。
计算函数值，如果 f(x1)<f(x)f(x1)<f(x)，即找到了一个比初始值好的点，那么kk重新置为1，将x1x1变为xx，回到第2步；否则k=k+1k=k+1，回到第3步。
如果连续NN次都找不到更优的值，则认为，最优解就在以当前最优解为中心，当前步长为半径的NN维球内(如果是三维，则刚好是空间中的球体)。此时，如果λ<ϵλ<ϵ，则结束算法；否则，令λ=λ2λ=λ2，回到第1步，开始新一轮游走。
二、源代码
clear ;
close all;
addpath 'algorithms'
out = ['results\'];
if ~exist(out)
mkdir(out);
end
%% parameters
only_name= '41004';
img_name = ['./imgs/' only_name '.jpg'];
ref_name = ['./scribbles/' only_name '.bmp'];
nei = 1; % 0: 4-neighbors, 1: 8-neighbors
c = 0.0004;%1e-3;% % restarting probability of RWR
sigma_c = 60; % color variance
scale = 1.0; % image resize
lambda = 2e-10; % parameter for unitary
isKeepConnect = 0; % 1: only consinder the connected regions with seeds; 0: otherwise.
reset(RandStream.getGlobalStream); % fix the random seed for initalization of GMM
saveProb = 0; % 1: save the probability image
%% main routine
img = imread(img_name); img = imresize(img,scale);
[K, labels, idx] = seed_generation(ref_name,scale);
%% RWR with prior
% run('vlfeat-0.9.13/toolbox/vl_setup');
st=clock;
[posteriors label_img] = do_RWR_prior(img,idx,labels,c,lambda,nei,sigma_c,isKeepConnect);
fprintf('subRW took %.2f second\n',etime(clock,st));
% display
[imgMasks,segOutline,imgMarkup]=segoutput(im2double(img),label_img); %clear imgMasks segOutline;
outPath = [out,'ours\'];
if ~exist(outPath)
mkdir(outPath);
end
figure; clf;set(gcf,'Position',[100,500,size(img,2)*(K+1),size(img,1)]);
for k=1:K
prob_img = sc(posteriors(:,:,k),'prob_jet');
if saveProb == 1
imwrite(prob_img,[outPath,only_name,'_prob',num2str(k),'.png']);
end
subplot(1,K+1,k); imshow(prob_img); clear prob_img;
end;
subplot(1,K+1,K+1); imshow(imgMarkup);
figure,imshow((K-imgMasks)/(K-1));
imwrite(imgMarkup,[outPath,only_name,'_bound.png']);
imwrite((K-imgMasks)/(K-1),[outPath,only_name,'_binary.png']);
三、运行结果
四、备注
完整代码或者代写添加QQ2449341593
往期回顾>>>>>>
【Matlab 024期】【图像处理1】Matlab图像处理教程系列之图像压缩
【Matlab 025期】【图像处理2】Matlab图像处理教程系列之图像分割（一）
【Matlab 026期】【图像处理3】Matlab图像处理教程系列之图像分割（二）
【Matlab 029期】【图像处理4】Matlab指纹识别
【Matlab 030期】【图像处理5】银行卡号识别matlab源码
【Matlab 074期】【图像处理6】【图像聚类】基于FCM和改进的FCM脑部CT图像聚类处理
【Matlab 075期】【图像处理7】【图像评价】基于CCF算法的图像质量评价
【Matlab 076期】【图像处理8】【图像增强】基于局部对比度增强的CLAHE算法 --直方图增强
【Matlab 077期】【图像处理9】【图像融合】基于Frequency Partition的图像融合
【Matlab 078期】【图像处理10】【图像评价】基于svm的图像无参考质量评价
【图像边缘检测】基于最小二乘法的椭圆边缘检测matlab源码【Matlab 079期】【图像处理11】
【图像加密】基于混沌系统的图像加密解密matlab源码含GUI【Matlab 080期】【图像处理12】
【图像处理】基于DWT+DCT+PBFO改进图像水印隐藏提取matlab源码含GUI【Matlab 081期】【图像处理13】
【图像配准】基于sift算法的图像配准matlab源码【Matlab 082期】【图像处理14】
【图像融合】基于CBF算法的图像融合matlab源码【Matlab 083期】【图像处理15】
【图像滤波】图像二维双边高斯滤波【Matlab 085期】【图像处理17】
【图像去噪】基于自适应形态学的图像去噪【Matlab 086期】【图像处理18】
【图像增强】基于DEHAZENET和HWD的水下去散射图像增强【Matlab 087期】【图像处理19】
【图像增强】PSO寻优ACE的图像增强matlab源码【Matlab 088期】【图像处理20】
【图像增强】基于区域相似变换函数和蜻蜓算法的灰度图像增强【Matlab 089期】【图像处理21】