Основанная на цвете сегментация Используя L*a*b* цветовое пространство

В этом примере показано, как идентифицировать различные цвета в матрице путем анализа L*a*b* цветовое пространство.

Шаг 1: получите изображение

Читайте в fabric.png отобразите, который является изображением красочной матрицы.

fabric = imread('fabric.png');
imshow(fabric)
title('Fabric')

Figure contains an axes. The axes with title Fabric contains an object of type image.

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

Вы видите шесть главных цветов в изображении: цвет фона, красный, зеленый, фиолетовый, желтый, и пурпурный. Заметьте, как легко можно визуально отличить эти цвета друг от друга. L*a*b* цветовое пространство (также известный как CIELAB или CIE L*a*b*) позволяет вам определить количество этих визуальных различий.

L*a*b* цветовое пространство выведен из CIE трехцветные значения XYZ. L*a*b* пробел состоит из яркости 'L*' или слой яркости, слой цветности '*' указание, где цвет падает вдоль красно-зеленой оси и слоя цветности 'b*' указание, где цвет падает вдоль сине-желтой оси.

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

Чтобы упростить этот пример, загрузите координаты области, которые хранятся в MAT-файле.

load regioncoordinates;

nColors = 6;
sample_regions = false([size(fabric,1) size(fabric,2) nColors]);

for count = 1:nColors
  sample_regions(:,:,count) = roipoly(fabric,region_coordinates(:,1,count), ...
                                      region_coordinates(:,2,count));
end

imshow(sample_regions(:,:,2))
title('Sample Region for Red')

Figure contains an axes. The axes with title Sample Region for Red contains an object of type image.

Преобразуйте изображение RGB матрицы в L*a*b* изображение с помощью rgb2lab .

lab_fabric = rgb2lab(fabric);

Вычислите среднее значение '*' и 'b*' значение для каждой области, которую вы извлекли с roipoly. Эти значения служат вашими цветовыми маркерами в 'a*b*' пробел.

a = lab_fabric(:,:,2);
b = lab_fabric(:,:,3);
color_markers = zeros([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

Например, средний цвет красной демонстрационной области в 'a*b*' пробел

fprintf('[%0.3f,%0.3f] \n',color_markers(2,1),color_markers(2,2));
[69.828,20.106] 

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

Каждый цветовой маркер теперь имеет '*' и 'b*' значение. Можно классифицировать каждый пиксель на lab_fabric 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 красным цветовым маркером является наименьшим, то пиксель был бы помечен как красный пиксель.

Создайте массив, который содержит ваши цветные метки, i.e., 0 = фон, 1 = красный, 2 = зеленый, 3 = фиолетовый, 4 = пурпурный, и 5 = желтый.

color_labels = 0:nColors-1;

Инициализируйте матрицы, которые будут использоваться в самой близкой соседней классификации.

a = double(a);
b = double(b);
distance = zeros([size(a), nColors]);

Выполните классификацию

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

[~,label] = min(distance,[],3);
label = color_labels(label);
clear 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 = zeros([size(fabric), nColors],'uint8');

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

Отобразите пять сегментированных цветов как монтаж. Также отобразите фоновые пиксели в изображении, которые не классифицируются как цвет.

montage({segmented_images(:,:,:,2),segmented_images(:,:,:,3) ...
    segmented_images(:,:,:,4),segmented_images(:,:,:,5) ...
    segmented_images(:,:,:,6),segmented_images(:,:,:,1)});
title("Montage of Red, Green, Purple, Magenta, and Yellow Objects, and Background")

Figure contains an axes. The axes with title Montage of Red, Green, Purple, Magenta, and Yellow Objects, and Background contains an object of type image.

Шаг 5: отобразитесь '*' и 'b*' значения помеченных цветов

Вы видите, как хорошо самая близкая соседняя классификация разделила различные цветные популяции путем графического вывода '*' и 'b*' значения пикселей, которые были классифицированы в отдельные цвета. В целях отображения пометьте каждую точку с ее цветной меткой.

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

figure
for count = 1:nColors
  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');

Figure contains an axes. The axes with title Scatterplot of the segmented pixels in 'a*b*' space contains 6 objects of type line.

Для просмотра документации необходимо авторизоваться на сайте