Считайте изображение в рабочую область.

I = imread('cameraman.tif');
imshow(I)
title('Original Image')

Сегментируйте изображение на три области с помощью кластеризации k-средних значений.

[L,Centers] = imsegkmeans(I,3);
B = labeloverlay(I,L);
imshow(B)
title('Labeled Image')

Считайте изображение в рабочую область. Уменьшайте размер изображения, чтобы сделать пример запущенным более быстро.

RGB = imread('kobi.png');
RGB = imresize(RGB,0.5);
imshow(RGB)

Сегментируйте изображение на две области с помощью кластеризации k-средних значений.

L = imsegkmeans(RGB,2);
B = labeloverlay(RGB,L);
imshow(B)
title('Labeled Image')

Несколько пикселей являются mislabeled. Остальная часть примера показывает, как улучшить сегментацию k-средних значений путем добавления информации о каждом пикселе.

Добавьте изображение с информацией о структуре в окружении каждого пикселя. Чтобы получить информацию о структуре, отфильтруйте полутоновую версию изображения с набором фильтров Габора.

Создайте набор 24 фильтров Габора, покрыв 6 длин волн и 4 ориентации.

wavelength = 2.^(0:5) * 3;
orientation = 0:45:135;
g = gabor(wavelength,orientation);

Преобразуйте изображение в шкалу полутонов.

I = rgb2gray(im2single(RGB));

Отфильтруйте полутоновое изображение с помощью фильтров Габора. Отобразите 24 отфильтрованных изображения в монтаже.

gabormag = imgaborfilt(I,g);
montage(gabormag,'Size',[4 6])

Сглаживайте каждое отфильтрованное изображение, чтобы удалить локальные изменения. Отобразите сглаживавшие изображения в монтаже.

for i = 1:length(g)
    sigma = 0.5*g(i).Wavelength;
    gabormag(:,:,i) = imgaussfilt(gabormag(:,:,i),3*sigma); 
end
montage(gabormag,'Size',[4 6])

Добавьте информацию о каждом пикселе с пространственной информацией о местоположении. Эта дополнительная информация позволяет k-средних значений, кластеризирующим алгоритм предпочитать группировки, которые являются близко друг к другу пространственно.

Получите координаты X и Y всех пикселей во входном изображении.

nrows = size(RGB,1);
ncols = size(RGB,2);
[X,Y] = meshgrid(1:ncols,1:nrows);

Конкатенация информации об интенсивности, информации о структуре окружения и пространственной информации о каждом пикселе.

В данном примере набор функций включает изображение интенсивности I вместо изображения исходного цвета, RGB. Информация о цвете не использована от набора функций, потому что желтый цвет меха собаки похож на желтый оттенок мозаик. Цветовые каналы не предоставляют достаточно отличной информации о собаке и фоне, чтобы сделать чистую сегментацию.

featureSet = cat(3,I,gabormag,X,Y);

Сегментируйте изображение на две области с помощью k-средних значений, кластеризирующихся с добавленным набором функций.

L2 = imsegkmeans(featureSet,2,'NormalizeInput',true);
C = labeloverlay(RGB,L2);
imshow(C)
title('Labeled Image with Additional Pixel Information')

Считайте изображение в рабочую область.

I = imread('peppers.png');
imshow(I)
title('Original Image')

Сегментируйте изображение на 50 областей при помощи кластеризации k-средних значений. Возвратите матрицу метки L и кластерные центроидные местоположения C. Кластерные центроидные местоположения являются значениями RGB каждого из 50 цветов.

[L,C] = imsegkmeans(I,50);

Преобразуйте матрицу метки в изображение RGB. Задайте кластерные центроидные местоположения, C, как палитра для нового изображения.

J = label2rgb(L,im2double(C));

Отобразите квантованное изображение.

imshow(J)
title('Color Quantized Image')

Запишите исходные и сжатые изображения в файл. Квантованный файл изображения является аппроксимированным одна четверть размер файла оригинального изображения.

imwrite(I,'peppersOriginal.png');
imwrite(J,'peppersQuantized.png');