溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》
您好，登錄后才能下訂單哦！
小編給大家分享一下python如何實現(xiàn)使用遺傳算法進行圖片擬合，希望大家閱讀完這篇文章之后都有所收獲，下面讓我們一起去探討吧！
算法思路
假設(shè)我們有這樣一個生物族群，他們的每個基因片段都是一個個三角形（即只含三個點和顏色信息），他們每個個體表現(xiàn)出的性狀就是若干個三角形疊加在一起。假設(shè)我們有一張圖片可以作為這種生物族群最適應(yīng)環(huán)境的性狀，即長得越像這張圖片的越能適應(yīng)環(huán)境，越不像這張圖片的越容易被淘汰。
當然作為一個正常的生物族群，他應(yīng)該也會有正常的繁衍以產(chǎn)生新個體。產(chǎn)生新個體的過程中來自父親和母親的基因會進行交叉互換和變異，變異又可以有增加基因片段、減少基因片段以及不同位置的基因片段順序互換。
但是一個族群不能夠無限的繁殖，我們假設(shè)環(huán)境資源只能容納有限的生物族群規(guī)模，所以我們在產(chǎn)生足夠多的后代之后就要把他們放到族群里與族群內(nèi)部進行競爭淘汰。這樣一來，通過不斷地淘汰，這個族群就會越來越像我們給定的圖片。這就是算法的基本思路。
流程圖
下面我們來看一下實現(xiàn)過程，為了方便解釋，我們會結(jié)合python建立類似于偽代碼的函數(shù)進行解釋，不能直接運行，具體可運行的代碼可直接下載參照最后的類封裝的完整代碼
我們使用imageio中的imread打開圖片，這里為了方便后續(xù)使用我們建立OpenImg函數(shù)，返回打開的圖片img（格式為array），圖片的格式（方便后期圖片的保存），圖片的大?。簉ow和col（為后期畫圖做準備）。
from imageio import imread
def OpenImg(imgPath):
img = imread(imgPath)
row, col = img.shape[0], img.shape[1]
return img, imgPath.split(".")[-1], row, col我們假設(shè)一個族群的最大生物個數(shù)為max_group，用groups來表示族群，g為族群內(nèi)的生物個體，運用隨機數(shù)隨機產(chǎn)生個體。
from random import choice
for i in range(max_group):
g = []
for j in range(features):
tmp = [[choice(np.linspace(0, row, features)), choice(np.linspace(0, col, features))] for x in range(3)]
tmp.append("#" + ''.join(choice('0123456789ABCDEF') for x in range(6)))
g.append(tmp.copy())
groups.append(g.copy())我們使用PIL畫圖，首先我們建立一個空白的畫布，然后再將個體的特征（三角形）畫到圖上。
from PIL import Image, ImageDraw def to_image(g): array = np.ndarray((img.shape[0], img.shape[1], img.shape[2]), np.uint8) array[:, :, 0] = 255 array[:, :, 1] = 255 array[:, :, 2] = 255 newIm1 = Image.fromarray(array) draw = ImageDraw.Draw(newIm1) for d in g: draw.polygon((d[0][0], d[0][1], d[1][0], d[1][1], d[2][0], d[2][1]), d[3]) return newIm1
使用structural_similarity對比兩個圖片的相似度，此時兩個圖片都應(yīng)該是array類型
from skimage.metrics import structural_similarity def getSimilar(g) -> float: newIm1 = to_image(g) ssim = structural_similarity(np.array(img), np.array(newIm1), multichannel=True) return ssim
調(diào)用我們之前建立好的to_image函數(shù)先將個體轉(zhuǎn)換成圖片，然后將圖片保存即可。
def draw_image(g, cur, imgtype): image1 = to_image(g) image1.save(os.path.join(str(cur) + "." + imgtype))
考慮到后期的基因片段的增添和減少，所以應(yīng)該分為兩步，其一是相重合的位置進行交叉互換，以及對于多出來的尾部進行交叉互換，我們按照隨機率random_rate和重合位置長度min_locate來確定交換的位數(shù)。然后我們使用sample選出若干位置進行互換。交換結(jié)束后再對尾部進行互換
random_rate = random() def exchange(father, mother)->[]: # 交換 # 隨機生成互換個數(shù) min_locate = min(len(father), len(mother)) n = randint(0, int(random_rate * min_locate)) # 隨機選出多個位置 selected = sample(range(0, min_locate), n) # 交換內(nèi)部 for s in selected: father[s], mother[s] = mother[s], father[s] # 交換尾部 locat = randint(0, min_locate) fhead = father[:locat].copy() mhead = mother[:locat].copy() ftail = father[locat:].copy() mtail = mother[locat:].copy() # print(fhead, ftail, mhead, mtail) fhead.extend(mtail) father = fhead mhead.extend(ftail) mother = mhead return [father, mother]
隨機選擇的原理和目的與上面類似，這里我們把重新生成某個基因片段的信息看作基因突變。
random_rate = random()
def mutation(gen):
# 突變
# 隨機生成變異個數(shù)
n = int(randint(1, 100) / 1000 * len(gen))
selected = sample(range(0, len(gen)), n)
for s in selected:
tmp = [[choice(np.linspace(0, row, 100)), choice(np.linspace(0, col, 100))] for x in range(3)]
tmp.append("#" + ''.join(choice('0123456789ABCDEF') for x in range(6)))
gen[s] = tmp
return gen在個體的基因組內(nèi)隨機選擇基因片段進行位置互換。
def move(gen): # 易位 exchage = int(randint(1, 100) / 1000 * len(gen)) for e in range(exchage): sec1 = randint(0, len(gen) - 1) sec2 = randint(0, len(gen) - 1) gen[sec1], gen[sec2] = gen[sec2], gen[sec1] return gen
直接在個體基因組后面添加隨機產(chǎn)生的基因片段即可。
features = 100
def add(gen):
# 增加
n = int(randint(1, 100) / 1000 * len(gen))
for s in range(n):
tmp = [[choice(np.linspace(0, row,features)),choice(np.linspace(0, col, features))] for x in range(3)]
tmp.append("#" + ''.join(choice('0123456789ABCDEF') for x in range(6)))
gen.append(tmp)
return gen隨機減少個體的若干基因片段
def cut(self, gen): # 減少 n = int(randint(1, 100) / 1000 * len(gen)) selected = sample(range(0, len(gen)), n) g = [] for gp in range(len(gen)): if gp not in selected: g.append(gen[gp]) return g
以此調(diào)用以上的突變、易位、增添和減少產(chǎn)生4種狀態(tài)的基因片段
def variation(gen): # 變異 gen = mutation(gen.copy()) gen1 = move(gen.copy()) gen2 = add(gen1.copy()) gen3 = cut(gen2.copy()) return [gen, gen1, gen2, gen3]
繁殖過程包括交叉互換和變異，直接調(diào)用之前構(gòu)造的函數(shù)即可
def breeds(father, mother): new1, new2 = exchange(father.copy(), mother.copy()) # 變異 new3, new4, new5, new6 = variation(father.copy()) new7, new8, new9, new10 = variation(mother.copy()) return [new1, new2, new3, new4, new5, new6, new7, new8, new9, new10]
建立個體和其與目標的相似度相關(guān)的映射關(guān)系，并按照相似度排序，然后去除相似度較低的個體，直到剩余生物個體的數(shù)量為max_group為止。在這個函數(shù)中我們還返回了一個最優(yōu)個體的相似度來方便監(jiān)測。
def eliminated(groups):
group_dict = dict()
for gp in range(len(groups)):
group_dict[gp] = getSimilar(groups[gp])
group_dict = {key: value for key, value in sorted(group_dict.items(), key=lambda item: item[1], reverse=True)}
g = []
for key in list(group_dict.keys())[:max_group]:
g.append(groups[key].copy())
groups = g.copy()
return groups, list(group_dict.values())[0]擬合過程先要進行若干次的繁殖，為了保證每次繁殖的個體數(shù)我們規(guī)定其至少選擇最大個體數(shù)的一半數(shù)量的次數(shù)進行繁殖，繁殖之后的個體加入到種群當作和之前種群中的個體一起進行淘汰。通過這個過程我們每次淘汰都會將與目標差距最大的個體淘汰。
def breeds(father, mother): new1, new2 = exchange(father.copy(), mother.copy()) # 變異 new3, new4, new5, new6 = variation(father.copy()) new7, new8, new9, new10 = variation(mother.copy()) return [new1, new2, new3, new4, new5, new6, new7, new8, new9, new10]
擬合時建議選擇分辨率低的圖片，如果選擇的圖片分辨率較高，可以使用以下代碼降低圖片分辨率
from imageio import imread
from PIL import Image
imgPath = input("輸入圖片路徑")
img = imread(imgPath)
img = img[::2, ::2, :]
img = Image.fromarray(img)
img.save(imgPath)我們以擬合一個小藍鳥和一個心形為例來展示擬合過程
代碼實現(xiàn)（這里已經(jīng)事先將重復(fù)圖片刪除了）
import os
import math
import matplotlib.pyplot as plt
import matplotlib.image as image
path = "./xl"
length = len(os.listdir(path))
row = col = math.ceil(math.sqrt(length))
x = 1
lst = []
for d in os.listdir(path):
lst.append(int(d.split('.')[0]))
lst = sorted(lst)
for l in lst:
img = image.imread(os.path.join(path, str(l)+'.png'))
plt.xticks([])
plt.yticks([])
plt.subplot(row, col, x)
plt.imshow(img)
plt.xticks([])
plt.yticks([])
plt.title(str(l))
x += 1
plt.savefig(path)
plt.show()效果
看完了這篇文章，相信你對“python如何實現(xiàn)使用遺傳算法進行圖片擬合”有了一定的了解，如果想了解更多相關(guān)知識，歡迎關(guān)注億速云行業(yè)資訊頻道，感謝各位的閱讀！
免責聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進行舉報，并提供相關(guān)證據(jù)，一經(jīng)查實，將立刻刪除涉嫌侵權(quán)內(nèi)容。
億速云公眾號
手機網(wǎng)站二維碼