基于蜣螂优化算法（DBO）优化Kmeans图像分割的Matlab代码 首先，利用DBO算法良好的全局搜索能力确定初始图像的聚类中心，在DBO算法达到收敛时，聚类中心的像素值已经接近图像的像素灰度值；利用K-means算法对图像进行二值化分割，并展示分割后的伪彩图

蜣螂优化算法这名字听着挺有意思，实际是一种模仿蜣螂滚粪球行为的群体智能算法。今天咱们拿它来折腾Kmeans图像分割，试试能不能让传统聚类方法摆脱对初始值敏感的毛病。先甩个效果图镇楼——左边原图右边分割后的伪彩图，颜色边界明显干净多了。

先来看DBO怎么和Kmeans勾搭上。传统Kmeans随机撒种子（初始中心点）容易掉进局部最优，而蜣螂算法擅长满地图找最优解。这里把图像像素灰度值作为搜索空间，每只蜣螂代表一组可能的聚类中心坐标。

% 初始化DBO参数
img = imread('brain.jpg');
gray_img = rgb2gray(img);
pixels = double(gray_img(:));
num_clusters = 2;
max_iter = 100;
pop_size = 30;

% 随机初始化蜣螂种群
dung_beetles = zeros(pop_size, num_clusters);
for i=1:pop_size
    rand_pixels = datasample(pixels, num_clusters, 'Replace', false);
    dung_beetles(i,:) = rand_pixels';
end

这段代码先读入图像转灰度，随机选像素值作为蜣螂的初始位置。datasample这里用了不放回抽样，避免出现重复的初始中心点。

基于蜣螂优化算法（DBO）优化Kmeans图像分割的Matlab代码 首先，利用DBO算法良好的全局搜索能力确定初始图像的聚类中心，在DBO算法达到收敛时，聚类中心的像素值已经接近图像的像素灰度值；利用K-means算法对图像进行二值化分割，并展示分割后的伪彩图

接下来是DBO的核心迭代部分。每只蜣螂根据当前位置计算适应度（类内距离），然后模拟滚球行为更新位置：

% 计算适应度函数
function fitness = calc_fitness(centers, pixels)
    [~, dists] = pdist2(centers, pixels, 'euclidean', 'Smallest', 1);
    fitness = sum(dists);
end

% DBO主循环
for iter=1:max_iter
    % 计算每只蜣螂的适应度
    fitness = arrayfun(@(i) calc_fitness(dung_beetles(i,:), pixels), 1:pop_size);
    
    % 动态调整搜索半径
    radius = 0.5 * (1 - iter/max_iter);
    
    % 位置更新
    [~, idx] = sort(fitness);
    best = dung_beetles(idx(1),:);
    for i=1:pop_size
        if rand() < 0.7 % 探索概率
            delta = radius * (rand(1,num_clusters)-0.5);
            new_pos = dung_beetles(i,:) + delta.*(best - dung_beetles(i,:));
        else % 开发阶段
            new_pos = 0.5*(best + dung_beetles(i,:)) + radius*randn(1,num_clusters);
        end
        new_pos = clamp(new_pos, min(pixels), max(pixels)); % 限制在像素值范围
        dung_beetles(i,:) = new_pos;
    end
end

这里有个骚操作——动态调整的搜索半径radius，随着迭代次数增加逐渐缩小搜索范围。clamp函数确保蜣螂位置不跑出0-255的灰度值范围，避免出现非法像素值。

等DBO跑完100代，取出适应度最好的那组中心点喂给Kmeans：

% 提取最优解作为Kmeans初始中心
[~, best_idx] = min(fitness);
init_centers = dung_beetles(best_idx, :);

% Kmeans细化
opts = statset('MaxIter', 300);
[labels, final_centers] = kmeans(pixels, num_clusters, 'Start', init_centers, 'Options', opts);

% 伪彩图生成
segmented_img = reshape(labels, size(gray_img));
rgb_segmented = label2rgb(segmented_img, 'jet', 'w');
imshowpair(gray_img, rgb_segmented, 'montage');

注意kmeans函数里的'Start'参数直接用了DBO找到的中心点，后面的迭代次数给到300次确保收敛。label2rgb把分类标签转成彩色，'jet'色图让分割边界更醒目。

跑完这套组合拳，会发现DBO+Kmeans比纯Kmeans稳定不少。特别是处理医学图像这类噪声多的场景时，初始中心点如果落在异常值区域，传统方法直接翻车，而DBO能有效规避这种坑。不过要注意种群规模别设太大，30-50左右足够，否则计算时间会指数爆炸。