Основанная на цвете сегментация матрицы, использующей цветовое пространство L*a*b

Этот пример показывает, как получить один фрейм изображения части красочной матрицы. Различные цвета в матрице идентифицированы, использовав цветовое пространство L*a*b.

Этот пример требует использования Image Processing Toolbox™.

Шаг 1: получите изображение

% Create a video input object to access the image acquisition device.
vid = videoinput('matrox', 1, 'M_NTSC');

% Capture one frame of data.
fabric = getsnapshot(vid);
figure(1)
imshow(fabric)
title('original image');

% Determine the image resolution.
imageRes = vid.VideoResolution;
imageWidth = imageRes(1);
imageHeight = imageRes(2);

% Once the video input object is no longer needed, delete
% it and clear it from the workspace.
delete(vid)
clear vid

Шаг 2: вычислите выборка раскрашивает цветовое пространство L*a*b для каждой области

Считайте количество главных цветов видимым в изображении. Заметьте, как легко можно визуально отличить эти цвета друг от друга. Цветовое пространство L*a*b (также известный как CIELAB или CIE L*a*b) позволяет вам определить количество этих визуальных различий.

Цветовое пространство L*a*b выведено от CIE трехцветные значения XYZ. Пробел L*a*b состоит из яркости ('L') или слоя яркости, цветность разделяют указание на уровни, где цвет падает вдоль красно-зеленой оси и слоя 'b' цветности, указывающего, где цвет падает вдоль сине-желтой оси.

Ваш подход должен выбрать область небольшой выборки для каждого цвета и вычислить средний цвет каждой демонстрационной области на 'a*b' пробеле. Вы будете использовать эти цветовые маркеры, чтобы классифицировать каждый пиксель.

% Initialize storage for each sample region.
colorNames = { 'red','green','purple','blue','yellow' };
nColors = length(colorNames);
sample_regions = false([imageHeight imageWidth nColors]);

% Select each sample region.
f = figure;
for count = 1:nColors
    f.Name = ['Select sample region for ' colorNames{count}];
    sample_regions(:,:,count) = roipoly(fabric);
end
close(f);

% Display a sample region.
imshow(sample_regions(:,:,1))
title(['sample region for ' colorNames{1}]);

% Convert the fabric RGB image into an L*a*b image.
cform = makecform('srgb2lab');
lab_fabric = applycform(fabric,cform);

% Calculate the mean 'a' and 'b' value for each area extracted.
% These values serve as your color markers in 'a*b' space.
a = lab_fabric(:,:,2);
b = lab_fabric(:,:,3);
color_markers = repmat(0, [nColors, 2]);

for count = 1:nColors
  color_markers(count,1) = mean2(a(sample_regions(:,:,count)));
  color_markers(count,2) = mean2(b(sample_regions(:,:,count)));
end

% For example, the average color of the second sample region in 'a*b' space is:
disp( sprintf('[%0.3f,%0.3f]', color_markers(2,1), color_markers(2,2)) );
[105.956,147.867]

Шаг 3: классифицируйте каждый пиксель, использующий самое близкое соседнее правило

Каждый цветовой маркер теперь имеет и 'b' значение. Можно классифицировать каждый пиксель на изображение путем вычисления Евклидова расстояния между тем пикселем и каждым цветовым маркером. Наименьшее расстояние скажет вам, что пиксель наиболее тесно совпадает с тем цветовым маркером. Например, если бы расстояние между пикселем и вторым цветовым маркером является наименьшим, то пиксель был бы маркирован как тот цвет.

% Create an array that contains your color labels:
%     0 = background
%     1 = red
%     2 = green
%     3 = purple
%     4 = magenta
%     5 = yellow
color_labels = 0:(nColors-1);

% Initialize matrices to be used in the nearest neighbor classification.
a = double(a);
b = double(b);
distance = repmat(0,[size(a), nColors]);

% Perform classification.
for count = 1:nColors
  distance(:,:,count) = ( (a - color_markers(count,1)).^2 + ...
                      (b - color_markers(count,2)).^2 ).^0.5;
end

[value, label] = min(distance, [], 3);
label = color_labels(label);
clear value distance;

Шаг 4: отобразите результаты самой близкой соседней классификации

Матрица метки содержит цветную метку для каждого пикселя в изображении матрицы. Используйте матрицу метки для отдельных объектов в исходном изображении матрицы цветом.

rgb_label = repmat(label, [1 1 3]);
segmented_images = repmat(uint8(0), [size(fabric), nColors]);

for count = 1:nColors
  color = fabric;
  color(rgb_label ~= color_labels(count)) = 0;
  segmented_images(:,:,:,count) = color;
end

imshow(segmented_images(:,:,:,1));
title([colorNames{1} ' objects'] );

imshow(segmented_images(:,:,:,2));
title([colorNames{2} ' objects'] );

imshow(segmented_images(:,:,:,3));
title([colorNames{3} ' objects'] );

imshow(segmented_images(:,:,:,4));
title([colorNames{4} ' objects'] );

imshow(segmented_images(:,:,:,5));
title([colorNames{5} ' objects'] );

Шаг 5: отобразитесь и 'b' значения маркированных цветов

Вы видите, как хорошо самая близкая соседняя классификация разделила различное цветное население путем графического вывода и 'b' значения пикселей, которые были классифицированы в отдельные цвета. В целях отображения маркируйте каждую точку с ее цветной меткой.

purple = [119/255 73/255 152/255];
plot_labels = {'k', 'r', 'g', purple, 'b', 'y'};

figure
for count = 1:nColors
  h(count) = plot(a(label==count-1),b(label==count-1),'.','MarkerEdgeColor', ...
                  plot_labels{count}, 'MarkerFaceColor', plot_labels{count});
  hold on;
end

title('Scatterplot of the segmented pixels in ''a*b'' space');
xlabel('''a'' values');
ylabel('''b'' values');

Для просмотра документации необходимо авторизоваться на сайте