Изображение сегмента в передний план и фон с помощью основанной на графике сегментации
BW = lazysnapping(I,L,foremask,backmask)BW = lazysnapping(I,L,foreind,backind)BW = lazysnapping(___,Name,Value)BW = lazysnapping(I,L,foremask,backmask)I в передний план и фоновые области памяти с помощью ленивого моментального снимка. Матрица метки L задает подобласти изображения. foremask и backmask являются масками, определяющими пиксели в изображении как передний план и фон, соответственно.
BW = lazysnapping(___, сегментирует изображение или объем с помощью пар "имя-значение", чтобы управлять аспектами сегментации.Name,Value)
Считайте изображение в рабочую область.
RGB = imread('peppers.png');Отметьте местоположения на изображении как передний план.
figure; imshow(RGB) h1 = impoly(gca,[34,298;114,140;195,135;... 259,200;392,205;467,283;483,104],'Closed',false);
Преобразуйте местоположения в линейные индексы.
foresub = getPosition(h1); foregroundInd = sub2ind(size(RGB),foresub(:,2),foresub(:,1));
Отметьте местоположения на изображении как фон.
figure;
imshow(RGB)
h2 = impoly(gca,[130,52;170,32],'Closed',false);
Преобразуйте местоположения в линейные индексы.
backsub = getPosition(h2); backgroundInd = sub2ind(size(RGB),backsub(:,2),backsub(:,1));
Сгенерируйте матрицу метки.
L = superpixels(RGB,500);
Выполните ленивый моментальный снимок.
BW = lazysnapping(RGB,L,foregroundInd,backgroundInd);
Создайте замаскированное изображение.
maskedImage = RGB; maskedImage(repmat(~BW,[1 1 3])) = 0; figure; imshow(maskedImage)
Загрузите 3-D объемное изображение в рабочую область.
D = load('mri.mat');
V = squeeze(D.D); Создайте 2D маску, идентифицирующую начальный передний план и фоновые точки seed.
seedLevel = 10; fseed = V(:,:,seedLevel) > 75; bseed = V(:,:,seedLevel) == 0; figure; imshow(fseed)
figure; imshow(bseed)
Поместите точки seed в пустую 3-D маску.
fmask = zeros(size(V)); bmask = fmask; fmask(:,:,seedLevel) = fseed; bmask(:,:,seedLevel) = bseed;
Сгенерируйте 3-D матрицу метки.
L = superpixels3(V,500);
Сегментируйте изображение на передний план и фон с помощью Ленивого Моментального снимка.
bw = lazysnapping(V,L,fmask,bmask);
Отобразите 3-D сегментированное изображение.
figure; p = patch(isosurface(double(bw))); p.FaceColor = 'red'; p.EdgeColor = 'none'; daspect([1 1 27/128]); camlight; lighting phong
I Введите изображениеВведите изображение, заданное как числовой массив в одном из этих форматов.
| Тип изображения | Формат данных |
|---|---|
| 2D полутоновое изображение | 2D матрица размера h-by-w |
| 2D цветное изображение | Трехмерный массив размера h-by-w-by-3 |
| 2D многоспектральное изображение с каналами c | Трехмерный массив размера h-by-w-by-c |
| 3-D объемное полутоновое изображение с глубиной d | Трехмерный массив размера h-by-w-by-d |
lazysnapping ожидает, что пиксельные значения типа данных double и single будут в области значений [0, 1]. Можно использовать функцию rescale, чтобы настроить пиксельные значения к ожидаемой области значений. lazysnapping ожидает, что пиксельные значения типа данных uint16, int16 и uint8 будут полным спектром для типа определенных данных. Если значения не совпадают с ожидаемой областью значений, масштабируют изображение к ожидаемой области значений или настраивают EdgeWeightScaleFactor, чтобы улучшить результаты.
Типы данных: single | double | int16 | uint8 | uint16
L Матрица меткиМатрица метки входного изображения или объема, заданного как числовой массив. Для 2D изображений L является 2D массивом размера h-by-w. Для 3-D объемов L является трехмерным массивом размера h-by-w-by-d.
Не отмечайте данную подобласть матрицы метки как принадлежащий и приоритетной маске и фоновой маске. Если область матрицы метки содержит пиксели, принадлежащие и приоритетной маске и фоновой маске, то сегменты lazysnapping область как фон.
Типы данных: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | логический
foremask — Рисунок маски, который задает передний планРисунок маски, который задает передний план, заданный как логический массив. Для 2D изображений foremask является 2D массивом размера h-by-w. Для 3-D объемов foremask является трехмерным массивом размера h-by-w-by-d.
Типы данных: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | логический
backmask — Рисунок маски, который задает фонРисунок маски, который задает фон, заданный как логический массив. Для 2D изображений backmask является 2D массивом размера h-by-w. Для 3-D объемов backmask является трехмерным массивом размера h-by-w-by-d.
Типы данных: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | логический
foreind — Линейный индекс приоритетных пикселейЛинейный индекс пикселей в матрице метки, заданной как вектор положительных целых чисел. Можно использовать инструмент для рисования ROI, такой как drawpolyline, чтобы выбрать точки на переднем плане. Затем преобразуйте координаты точек к линейным индексам с помощью sub2ind. Если координаты являются значениями нецелого числа, то вокруг значений прежде, чем преобразовать в линейные индексы.
Типы данных: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | логический
backind — Линейный индекс фоновых пикселейЛинейный индекс пикселей, которые задают фон, заданный как вектор положительных целых чисел. Можно использовать инструмент для рисования ROI, такой как drawpolyline, чтобы выбрать точки в фоновом режиме. Затем преобразуйте координаты точек к линейным индексам с помощью sub2ind. Если координаты являются значениями нецелого числа, то вокруг значений прежде, чем преобразовать в линейные индексы.
Типы данных: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | логический
Укажите необязательные аргументы в виде пар ""имя, значение"", разделенных запятыми. Имя (Name) — это имя аргумента, а значение (Value) — соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.
'Connectivity',18'Connectivity' — Возможность соединения связанных компонентов4 | 8 | 6 | 18 | 26 | 3-by-3-by-... Матрица-by-3 0 s и 1 sВозможность соединения связанных компонентов, заданных как одно из значений в этой таблице. Возможностью соединения по умолчанию является 8 для 2D изображений и 26 для 3-D изображений.
Значение | Значение | |
|---|---|---|
Двумерные возможности соединения | ||
4 | Пиксели соединяются, если их ребра затрагивают. Два смежных пикселя являются частью того же объекта, если они и включены и соединяются вдоль горизонтального или вертикального направления. |
|
8 | Пиксели соединяются, если их ребра или углы затрагивают. Два смежных пикселя являются частью того же объекта, если они и включены и соединяются вдоль горизонтали, вертикального, или диагонального направления. |
|
3D возможности соединения | ||
6 | Пиксели соединяются, если их поверхности затрагивают. Два смежных пикселя являются частью того же объекта, если они и включены и соединяются в:
|
|
18 | Пиксели соединяются, если их поверхности или ребра затрагивают. Два смежных пикселя являются частью того же объекта, если они и включены и соединяются в
|
|
26 | Пиксели соединяются, если их поверхности, ребра или углы затрагивают. Два смежных пикселя являются частью того же объекта, если они и включены и соединяются в
|
|
Типы данных: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64
'EdgeWeightScaleFactor' — Масштабный коэффициент для веса ребра между подобластями матрицы метки500 (значение по умолчанию) | положительная скалярная величинаМасштабный коэффициент для веса ребра между подобластями матрицы метки, заданной как пара, разделенная запятой, состоящая из 'EdgeWeightScaleFactor' и положительной скалярной величины. Типичные значения располагаются от [10, 1000]. Увеличение этого повышения стоимости вероятность, что метки lazysnapping, граничащие с подобластями вместе или как передний план или как фон.
Типы данных: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64
Ленивый алгоритм Моментального снимка, разработанный Ли и др. передний план кластеров и фоновые значения с помощью K-среднего метода. Эта реализация Ленивого алгоритма Моментального снимка не кластеризирует подобный передний план или фоновые пиксели. Чтобы улучшать производительность, сократите количество пикселей с подобными значениями, которые идентифицированы как передний план или фон.
[1] И. Ли, С. Цзянь, К. Тан, Х. Шум. Ленивый моментальный снимок. В продолжениях от 31-й международной конференции по вопросам компьютерной графики и интерактивных методов, 2004.