圖像的表示方法與主要參數(shù)？matlab中圖像也可以用矩陣來它表示，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？c語言設(shè)計個掃描程序，設(shè)置當(dāng)像素為1的點周圍一

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？

c語言設(shè)計個掃描程序，設(shè)置當(dāng)像素為1的點周圍一個三角形面積內(nèi)的點像素不為登時設(shè)此點像素為0，也可以有個自編歌曲的程序再就把想去掉的點去擦，相似photoshop的仿制圖章。

消掉白點應(yīng)該是用非常小的結(jié)構(gòu)元素（.例如2×2）做開乘法運算，這樣的話這個可以會增大對圖像其他部分的影響。

要是原圖有沒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。

如果想去處理問題中的二值圖像，也可以試試連通區(qū)域檢測算法，統(tǒng)計計算各個連通區(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，完成一個輸入像素坐標(biāo)，在圖片上標(biāo)記出該點的功能？

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，這個可以變動當(dāng)前圖框的大小%其中的數(shù)值對應(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)值分別不對應(yīng)左下寬高，其中的寬高的數(shù)值時填寫的對于當(dāng)前圖框的百分比，%要是要則是形狀那是1，那是100%那樣可能會會看不到坐標(biāo)軸，是可以適度地改呀當(dāng)然也這個可以去設(shè)置

遍歷法和蟻群算法編程MATLAB誰更簡單？

蟻群算法是模擬蟻群尋找食物行為的一種優(yōu)化算法。在整個外出覓食過程中螞蟻散布消息信息素，螞蟻通過五感到的信息素多少，來判斷所要選擇的下一個柵格。

在初始階段，導(dǎo)致地面上沒有信息素，因此蟻群的行走路徑是副本的，螞蟻在慢慢行走的過程中會不斷地釋放出信息素，標(biāo)有自己慢慢行走的路徑。隨著時間的推移，有若干只螞蟻找不到了食物，此時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，但在單位時間內(nèi)，短路徑上的螞蟻數(shù)量比長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定有力的方向指引，越來越多的螞蟻集中到所用時間的路徑上來。是對單個螞蟻來說，它卻沒要尋找風(fēng)最短路徑，只不過據(jù)概率中,選擇；這對整個蟻群系統(tǒng)來說，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)則選擇類型下個矩形塊，假設(shè)在此時此刻t時，螞蟻k位處小矩形i，這樣螞蟻k你選擇下兩個矩形塊j的概率為：

(1)式中：V來表示螞蟻K是可以選擇類型下一個柵格的集合；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)螞蟻走過的路徑；Beta表示只希望啟發(fā)因子，反映了能見度信息對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)點近的柵格，越傾向于往能見度程。可以表示t時刻路徑(i,j)上的信息素濃度；可以表示t時刻路徑(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)移概率可以計算。其中螞蟻狀態(tài)轉(zhuǎn)移到過程中以節(jié)點到目標(biāo)點之間的距離的倒數(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)慢了下來現(xiàn)象，所有個體發(fā)現(xiàn)自己的解全部一致，沒法接受進(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表示問題的規(guī)模（象素個數(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

Exa*(mod(E,MM)-0.5)%強(qiáng)制停止點橫坐標(biāo)a除以變量E對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)果取整暫時終止點縱坐標(biāo)

Etazeros(1,N)%啟發(fā)式信息，取為至目標(biāo)點的直線距離的倒數(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)果朝正無窮方向取整

ifi~E%i有無不等于E

Eta(1,i)((ix-Ex)^2(iy-Ey)^2)^(0.5)%與終點的直線距離的倒數(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數(shù)*迭代次數(shù)矩陣，每個元素是一個結(jié)構(gòu)

PLzeros(K,M)%用矩陣存儲每一代的每一只螞蟻的爬動路線長度

%%-----------正常啟動K輪螞蟻外出覓食活動，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)點初始化設(shè)置為起始點

PathS%爬行時路線初始化

PLkm0%爬動路線長度初始化設(shè)置

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

TABUkm(S)0%已經(jīng)在初始點了，因此要先排除

DDD%鄰接矩陣系統(tǒng)初始化

%%第二步：接下來這個可以一同前往的節(jié)點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)點集即回可以走的節(jié)點坐標(biāo)lt矩陣編號gt

Len_LJDlength(LJD)%計數(shù)寄存器可選節(jié)點的個數(shù)

%%覓食開始條件：螞蟻未遇見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)%遍歷過程可選節(jié)點

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個節(jié)點

end

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

Pcumcumsum(PP)%PP可累計值

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))%接下來即將一同前往的節(jié)點

%%第四步：狀態(tài)更新和記錄信息

Path[Path,want_visit]%路線節(jié)點提高

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

Wto_visit%螞蟻移到下一個節(jié)點

%N：所有點

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%已不能訪問過的節(jié)點從禁忌表中刪出

DWDD(W,:)

LJDfind(DWltinf)%可選節(jié)點集

Len_LJDlength(LJD)%可選節(jié)點的個數(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)過目標(biāo)點的路線長度

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)點的螞蟻路線長度

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)%路線長度

fors1:TS

xROUT(s)%上一個節(jié)點

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

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次迭代爬動路線長度變量賦值給PLK

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

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的點徹底刪除

%%meanPL(一加7(meanPL0))[]%將等于零0的點刪除掉

%%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（總平均路徑長度和小于路徑長度）)

%%xlabel(迭代次數(shù))

%%ylabel(路徑長度)

%繪爬行時圖

%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度變量賦值給PLK

%minPLKmin(PLK)%求得大賽期間迭代最短路徑長度

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

%mpos(1)%你選擇其中第一個標(biāo)號

%ROUTROUTES{k,m}%將最短路徑的路線定義變量給ROUT

%

%LENROUTlength(ROUT)%解值路線長度

%

%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次迭代爬行時路線長度賦值給PLK

minPLKmin(PLK)

if(minPLKltminmumPLK)

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

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

運行圖不勝感激：

————————————————