圖像的表示方法與主要參數(shù)？matlab中圖像也可以用矩陣來(lái)它表示，其主要參數(shù)除了圖像大小size，坐標(biāo)系，分辨率等等信息MATLAB如何去除圖像中孤立點(diǎn)？c語(yǔ)言設(shè)計(jì)個(gè)掃描程序，設(shè)置當(dāng)像素為1的點(diǎn)周圍一

圖像的表示方法與主要參數(shù)？

matlab中圖像也可以用矩陣來(lái)它表示，其主要參數(shù)除了圖像大小size，坐標(biāo)系，分辨率等等信息

MATLAB如何去除圖像中孤立點(diǎn)？

c語(yǔ)言設(shè)計(jì)個(gè)掃描程序，設(shè)置當(dāng)像素為1的點(diǎn)周圍一個(gè)三角形面積內(nèi)的點(diǎn)像素不為登時(shí)設(shè)此點(diǎn)像素為0，也可以有個(gè)自編歌曲的程序再就把想去掉的點(diǎn)去擦，相似photoshop的仿制圖章。

消掉白點(diǎn)應(yīng)該是用非常小的結(jié)構(gòu)元素（.例如2×2）做開(kāi)乘法運(yùn)算，這樣的話這個(gè)可以會(huì)增大對(duì)圖像其他部分的影響。

要是原圖有沒(méi)二值圖像的話可以不先再試試中值濾波幫一下忙看一下效果。

如果想去處理問(wèn)題中的二值圖像，也可以試試連通區(qū)域檢測(cè)算法，統(tǒng)計(jì)計(jì)算各個(gè)連通區(qū)域的面積，后再將面積很小的黃色連通區(qū)域圖案填充為黑色。

如何使用matlab，完成一個(gè)輸入像素坐標(biāo)，在圖片上標(biāo)記出該點(diǎn)的功能？

再者：像素坐標(biāo)為[x,y],怎在圖img上標(biāo)上，figure,imshow(img,[]);hold on

plot(x,y,b*);

hold得住on

matlab怎么讓圖形標(biāo)簽變大？

set(gcf,position,[0,0,468,468])%gcf是當(dāng)前figure，這個(gè)可以變動(dòng)當(dāng)前圖框的大小%其中的數(shù)值對(duì)應(yīng)的是像素值，也左下寬高，0,0按的就是屏幕的最最下角，寬高一般的話%可以看到圖框是方的set(gca,position,[0,0,1,1])[0,0,1,1]數(shù)值分別不對(duì)應(yīng)左下寬高，其中的寬高的數(shù)值時(shí)填寫的對(duì)于當(dāng)前圖框的百分比，%要是要?jiǎng)t是形狀那是1，那是100%那樣可能會(huì)會(huì)看不到坐標(biāo)軸，是可以適度地改呀當(dāng)然也這個(gè)可以去設(shè)置

遍歷法和蟻群算法編程MATLAB誰(shuí)更簡(jiǎn)單？

蟻群算法是模擬蟻群尋找食物行為的一種優(yōu)化算法。在整個(gè)外出覓食過(guò)程中螞蟻散布消息信息素，螞蟻通過(guò)五感到的信息素多少，來(lái)判斷所要選擇的下一個(gè)柵格。

在初始階段，導(dǎo)致地面上沒(méi)有信息素，因此蟻群的行走路徑是副本的，螞蟻在慢慢行走的過(guò)程中會(huì)不斷地釋放出信息素，標(biāo)有自己慢慢行走的路徑。隨著時(shí)間的推移，有若干只螞蟻找不到了食物，此時(shí)便修真者的存在若干條從洞穴到食物的路徑。因此螞蟻的行為軌跡是任務(wù)道具廣泛分布的，但在單位時(shí)間內(nèi)，短路徑上的螞蟻數(shù)量比長(zhǎng)路徑上的螞蟻密度要大，短路徑他留的信息素濃度也越高。這為后面的螞蟻們需要提供了堅(jiān)定有力的方向指引，越來(lái)越多的螞蟻集中到所用時(shí)間的路徑上來(lái)。是對(duì)單個(gè)螞蟻來(lái)說(shuō)，它卻沒(méi)要尋找風(fēng)最短路徑，只不過(guò)據(jù)概率中,選擇；這對(duì)整個(gè)蟻群系統(tǒng)來(lái)說(shuō)，它們卻提升到了去尋找到最優(yōu)路徑的客觀上的效果。

打比方蟻群中螞蟻的總數(shù)為M，各螞蟻在柵格環(huán)境下天翼，但是參照狀態(tài)需要轉(zhuǎn)移規(guī)則選擇類型下個(gè)矩形塊，假設(shè)在此時(shí)此刻t時(shí)，螞蟻k位處小矩形i，這樣螞蟻k你選擇下兩個(gè)矩形塊j的概率為：

(1)式中：V來(lái)表示螞蟻K是可以選擇類型下一個(gè)柵格的集合；Alpha為信息素濃度啟發(fā)因子,Alpha越大，表明螞蟻K越趨向于于中,選擇多數(shù)螞蟻?zhàn)哌^(guò)的路徑；Beta表示只希望啟發(fā)因子，反映了能見(jiàn)度信息對(duì)螞蟻你選擇下一步位置所起作用的大小，Beta值越大，并且螞蟻K越趨向于于你選相距目標(biāo)點(diǎn)近的柵格，越傾向于往能見(jiàn)度程?？梢员硎総時(shí)刻路徑(i,j)上的信息素濃度；可以表示t時(shí)刻路徑(i,j)上的啟發(fā)信息，其定義法為：

蟻群算法的核心部分本質(zhì)演示了蟻群的轉(zhuǎn)移概率中,選擇行為，使用信息素和啟發(fā)式函數(shù)值接受需要轉(zhuǎn)移概率可以計(jì)算。其中螞蟻狀態(tài)轉(zhuǎn)移到過(guò)程中以節(jié)點(diǎn)到目標(biāo)點(diǎn)之間的距離的倒數(shù)作為啟發(fā)信息，進(jìn)一步影響障礙物的事前規(guī)避。因此在緊張的路徑規(guī)劃環(huán)境下，蟻群算法在一個(gè)浩大的空間中搜索，在360優(yōu)化初期路徑上的信息素濃度較小，正向反饋信息不明顯尤其是必掉解有一種的過(guò)程中的“盲目相信搜索”出現(xiàn)大量的局部交叉的十字路徑，減低蟻群算法的運(yùn)行效率，且容易陷入局部最優(yōu)，搜索進(jìn)行到一定程度后，不容易再次出現(xiàn)慢了下來(lái)現(xiàn)象，所有個(gè)體發(fā)現(xiàn)自己的解全部一致，沒(méi)法接受進(jìn)一步搜索，不利于發(fā)現(xiàn)自己更合適的解。

matlab仿真

繪制的方格圖舉例說(shuō)明：

G[0000000000

0000000000

0001000000

0011000100

0001001000

0000000000

0100110000

0101000000

0000100000

0000000000

]

MMsize(G,1)

figure(3)

axis([0,MM,0,MM])

afteri1:MM

forj1:MM

ifG(i,j)1

x1j-1y1MM-i

x2jy2MM-i

x3jy3MM-i1

x4j-1y4MM-i1

fill([x1,x2,x3,x4],[y1,y2,y3,y4],[0.3,0.3,0.3])

hold on

exists

x1j-1y1MM-i

x2jy2MM-i

x3jy3MM-i1

x4j-1y4MM-i1

fill([x1,x2,x3,x4],[y1,y2,y3,y4],[1,1,1])

hold on

end

end

end

求下載代碼以及注釋:：

DG2D(G)%把柵格地圖轉(zhuǎn)為鄰接矩陣

Nsize(D,1)%N表示問(wèn)題的規(guī)模（象素個(gè)數(shù)）直接返回矩陣D行數(shù)

MMsize(G,1)%直接返回G的行數(shù)

a1%小方格象素的邊長(zhǎng)

Exa*(mod(E,MM)-0.5)%強(qiáng)制停止點(diǎn)橫坐標(biāo)a除以變量E對(duì)MM（行）取余(能夠得到列)后減0.5即所處列

ifEx-0.5

ExMM-0.5

end

Eya*(MM0.5-ceil(E/MM))%E/MM結(jié)果取整暫時(shí)終止點(diǎn)縱坐標(biāo)

Etazeros(1,N)%啟發(fā)式信息，取為至目標(biāo)點(diǎn)的直線距離的倒數(shù)初始信息素矩陣

%下面構(gòu)造啟發(fā)式信息矩陣

fori1:N

ixa*(mod(i,MM)-0.5)%a乘以3變量i對(duì)MM取余后減0.5列

ifix-0.5

ixMM-0.5

end

iya*(MM0.5-ceil(i/MM))il將結(jié)果朝正無(wú)窮方向取整

ifi~E%i有無(wú)不等于E

Eta(1,i)((ix-Ex)^2(iy-Ey)^2)^(0.5)%與終點(diǎn)的直線距離的倒數(shù)，啟發(fā)與感悟信息

arguments

Eta(1,i)0.01

end

end

ROUTEScell(K,M)%用細(xì)胞結(jié)構(gòu)讀取每一代的每一只螞蟻的向前爬行路線螞蟻個(gè)數(shù)*迭代次數(shù)矩陣，每個(gè)元素是一個(gè)結(jié)構(gòu)

PLzeros(K,M)%用矩陣存儲(chǔ)每一代的每一只螞蟻的爬動(dòng)路線長(zhǎng)度

%%-----------正常啟動(dòng)K輪螞蟻外出覓食活動(dòng)，每輪派出M只螞蟻--------------------

tic

fork1:K

íit(k)

afterm1:M

%%第一步：狀態(tài)初始化設(shè)置

WS%當(dāng)前節(jié)點(diǎn)初始化設(shè)置為起始點(diǎn)

PathS%爬行時(shí)路線初始化

PLkm0%爬動(dòng)路線長(zhǎng)度初始化設(shè)置

TABUkmones(1,N)%生成禁忌列表,所有節(jié)點(diǎn)均未向前走，因此都置為1

TABUkm(S)0%已經(jīng)在初始點(diǎn)了，因此要先排除

DDD%鄰接矩陣系統(tǒng)初始化

%%第二步：接下來(lái)這個(gè)可以一同前往的節(jié)點(diǎn)DWDD(W,:)%把矩陣DD的第W行所有列變量定義給DW

%DW1find(DWltinf)

%forj1:length(DW1)

%ifTABUkm(DW1(j))0

%end

%endLJDfind(DWltinf)%可選節(jié)點(diǎn)集即回可以走的節(jié)點(diǎn)坐標(biāo)lt矩陣編號(hào)gt

Len_LJDlength(LJD)%計(jì)數(shù)寄存器可選節(jié)點(diǎn)的個(gè)數(shù)

%%覓食開(kāi)始條件：螞蟻未遇見(jiàn)食物或者被卷入死胡同

whileW~EampampLen_LJDgt1

%%第十步：轉(zhuǎn)輪賭法選擇然后再怎摸走

PPzeros(1,Len_LJD)%遍歷過(guò)程可選節(jié)點(diǎn)

fori1:Len_LJD

%PP(i)(Tau(W,LJD(i))^Alpha)*((1/(DD(W,LJD(i))Eta(1,LJD(i))))^Beta)

PP(i)(Tau(W,LJD(i))^Alpha)*((1/Eta(1,LJD(i)))^Beta)%w行i個(gè)節(jié)點(diǎn)

end

PPPP/(if(PP))%組建概率廣泛分布把各個(gè)路徑的概率統(tǒng)一到和為1；

Pcumcumsum(PP)%PP可累計(jì)值

Selectfind(Pcumgtrand)%出現(xiàn)正二十邊形0~1之間的隨機(jī)數(shù)，輪盤賭算法，注意避免陷入瘋狂局部最優(yōu)解

to_visitLJD(Select(1))%接下來(lái)即將一同前往的節(jié)點(diǎn)

%%第四步：狀態(tài)更新和記錄信息

Path[Path,want_visit]%路線節(jié)點(diǎn)提高

PLkmPLkmDD(W,to_visit)%路徑長(zhǎng)度提高，有記錄本次產(chǎn)品迭代最佳路線長(zhǎng)度，每只螞蟻都是自己走過(guò)的長(zhǎng)度資料記錄在向量中。

Wto_visit%螞蟻移到下一個(gè)節(jié)點(diǎn)

%N：所有點(diǎn)

for kk1:Nif TABUkm(vv)0%禁忌列表

DD(W,大k)inf%在此次循環(huán)中可以設(shè)置為不可達(dá)

DD(kk,W)inf

end

endTABUkm(W)0%已不能訪問(wèn)過(guò)的節(jié)點(diǎn)從禁忌表中刪出

DWDD(W,:)

LJDfind(DWltinf)%可選節(jié)點(diǎn)集

Len_LJDlength(LJD)%可選節(jié)點(diǎn)的個(gè)數(shù)

end

%%第五步：記住每一代每一只螞蟻的覓食路線和路線長(zhǎng)度

ROUTES{k,m}Path%第k次迭代第m只螞蟻的路線

ifPath(end)E

PL(k,m)PLkm%經(jīng)過(guò)目標(biāo)點(diǎn)的路線長(zhǎng)度

arguments

PL(k,m)inf%再次進(jìn)入死胡同

end

end

%%第六步：更新信息素

Delta_Tauzeros(N,N)%更新量初始化

afterm1:M%M只螞蟻

ifPL(k,m)ltinf%能夠順利至目標(biāo)點(diǎn)的螞蟻路線長(zhǎng)度

ROUTROUTES{k,m}%具體看路線

TSlength(ROUT)-1%跳數(shù)螞蟻轉(zhuǎn)移次數(shù)

PL_kmPL(k,m)%路線長(zhǎng)度

fors1:TS

xROUT(s)%上一個(gè)節(jié)點(diǎn)

yROUT(s1)%下一個(gè)節(jié)點(diǎn)Delta_Tau(x,y)Delta_Tau(x,y)Q/PL_km%(x,y)即兩個(gè)節(jié)點(diǎn)之間的關(guān)系(信息素量)系數(shù)乘以2路線長(zhǎng)度

Delta_Tau(y,x)Delta_Tau(y,x)Q/PL_km

end

end

endTau(1-Rho).*TauDelta_Tau%信息素?fù)]發(fā)一部分，新增加一部分

end

toc

%%---------------------------繪圖--------------------------------

plotif1%是否是繪圖的控制參數(shù)

ifplotif1

%繪收斂曲線

meanPLzeros(1,K)%k：迭代次數(shù)

minPLzeros(1,K)

whilei1:K

PLKPL(i,:)%將第i次迭代爬動(dòng)路線長(zhǎng)度變量賦值給PLK

Nonzerofind(PLKltinf)%直接返回一系列六逆重生療法路線的編號(hào)

iflength(Nonzero)~0

PLKPLKPLK(Nonzero)%留下可行路線，重新排列

meanPL(i)mean(PLKPLK)%求取這次依先生路徑的平局值

minPL(i)min(PLKPLK)%做出小于路徑

end

end

%%figure(1)

%%minPL(find(minPL0))[]%將40的點(diǎn)徹底刪除

%%meanPL(一加7(meanPL0))[]%將等于零0的點(diǎn)刪除掉

%%plot(minPL,k)

%%hold on

%%plot(meanPL,r)

%%gridat%off添加網(wǎng)格start能去掉網(wǎng)格

%%title(收斂曲線（總平均路徑長(zhǎng)度和小于路徑長(zhǎng)度）)

%%xlabel(迭代次數(shù))

%%ylabel(路徑長(zhǎng)度)

%繪爬行時(shí)圖

%figure(2)

%手工繪制方格圖形

%axis([0,MM,0,MM])

%fori1:MM

%forj1:MM

%ifG(i,j)1

%x1j-1y1MM-i

%x2jy2MM-i

%x3jy3MM-i1

%x4j-1y4MM-i1

%fill([x1,x2,x3,x4],[y1,y2,y3,y4],[0.2,0.2,0.2])%（x坐標(biāo)，y坐標(biāo)，顏色）

%hold on

êtch

%x1j-1y1MM-i

%x2jy2MM-i

%x3jy3MM-i1

%x4j-1y4MM-i1

%fill([x1,x2,x3,x4],[y1,y2,y3,y4],[1,1,1])

%hold on

%end

%end

%end

%hold on

%ROUTROUTES{K,M}

%RxROUT

%RyROUT

%LENROUTlength(ROUT)

%forii1:LENROUT

%Rx(ii)a*(mod(ROUT(ii),MM)-0.5)

%ifRx(ii)-0.5

%Rx(ii)MM-0.5

%end

%Ry(ii)a*(MM0.5-ceil(ROUT(ii)/MM))

%end

%plot(Rx,Ry)

end

%plotif21%繪各代螞蟻匍匐爬行圖

%ifplotif21

%figure(3)

%axis([0,MM,0,MM])

%fori1:MM

%forj1:MM

%ifG(i,j)1

%x1j-1y1MM-i

%x2jy2MM-i

%x3jy3MM-i1

%x4j-1y4MM-i1

%fill([x1,x2,x3,x4],[y1,y2,y3,y4],[0.2,0.2,0.2])

%hold on

%arguments

%x1j-1y1MM-i

%x2jy2MM-i

%x3jy3MM-i1

%x4j-1y4MM-i1

%fill([x1,x2,x3,x4],[y1,y2,y3,y4],[1,1,1])

%hold on

%end

%end

%end

%fork1:K%迭代次數(shù)

%PLKPL(k,:)%將第k次迭代向前爬行路線長(zhǎng)度變量賦值給PLK

%minPLKmin(PLK)%求得大賽期間迭代最短路徑長(zhǎng)度

%posfind(PLKminPLK)%找到什么與最短路徑長(zhǎng)度相等的路徑，回標(biāo)號(hào)

%mpos(1)%你選擇其中第一個(gè)標(biāo)號(hào)

%ROUTROUTES{k,m}%將最短路徑的路線定義變量給ROUT

%

%LENROUTlength(ROUT)%解值路線長(zhǎng)度

%

%RxROUT

%RyROUT

%forii1:LENROUT

%Rx(ii)a*(mod(ROUT(ii),MM)-0.5)

%ifRx(ii)-0.5

%Rx(ii)MM-0.5

%end

%Ry(ii)a*(MM0.5-ceil(ROUT(ii)/MM))

%end

%plot(Rx,Ry)

%hold on

%end

%end

plotif31%繪最晚螞蟻匍匐爬行圖

if plotif31igure(2)

axis([0,MM,0,MM])

afteri1:MM

forj1:MM

ifG(i,j)1

x1j-1y1MM-i

x2jy2MM-i

x3jy3MM-i1

x4j-1y4MM-i1

fill([x1,x2,x3,x4],[y1,y2,y3,y4],[0.2,0.2,0.2])

hold on

exists

x1j-1y1MM-i

x2jy2MM-i

x3jy3MM-i1

x4j-1y4MM-i1

fill([x1,x2,x3,x4],[y1,y2,y3,y4],[1,1,1])

hold on

end

end

end

minmumPLKinf

ofk1:KPLKPL(k,:)%將第k次迭代爬行時(shí)路線長(zhǎng)度賦值給PLK

minPLKmin(PLK)

if(minPLKltminmumPLK)

posfind(PLKminPLK)%可以找到與所用時(shí)間匍匐爬行路線長(zhǎng)度成比例的路徑標(biāo)號(hào)

minmumPLKminPLK

minmpos(1)

minkk%迭代k次

endendROUTROUTES{mink,minm}%判斷最大值路徑路線

LENROUTlength(ROUT)RxROUTRyROUTor ii1:LENROUT

Rx(ii)a*(mod(ROUT(ii),MM)-0.5)

ifRx(ii)-0.5

Rx(ii)MM-0.5

end

Ry(ii)a*(MM0.5-ceil(ROUT(ii)/MM))

end

plot(Rx,Ry)

hold on

end

運(yùn)行圖不勝感激：

————————————————